Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Lär dig hur du övervakar dina ML-modeller i Python
Övervakning av maskininlärningsmodeller säkerställer den långsiktiga framgången för dina maskininlärningsprojekt. Övervakning kan vara mycket komplex, men det finns Python-paket som hjälper oss att förstå hur våra modeller presterar, vilken data som har förändrats och kan ha lett till en försämring av prestandan, samt ge oss ledtrådar om vad vi behöver göra för att få våra modeller tillbaka på rätt spår. Den här kursen täcker allt du behöver veta för att bygga ett grundläggande övervakningssystem i Python, med det populära övervakningspaketet nannyml.Förstå det optimala arbetsflödet för övervakning
Modellövervakning handlar inte bara om att helt enkelt beräkna modellprestanda i produktion. Tyvärr är det inte så enkelt. Särskilt när etiketter är svåra att få tag på. Den här kursen lär dig om det optimala arbetsflödet för övervakning. Det säkerställer att du alltid upptäcker modellfel, undviker varningströtthet och snabbt kommer till roten av problemet.Lär dig hur du hittar grundorsaken till problem med modellprestanda
En annan viktig komponent i modellövervakning är rotorsaksanalys. Den här kursen går på djupet med hur du använder tekniker för att upptäcka datadrift för att hitta grundorsaken till problem med modellprestanda. Du kommer att lära dig hur du använder både univariata och multivariata tekniker för att upptäcka datadrift för att identifiera potentiella grundorsaker till problem med modellen.Förkunskapskrav
Kursplan
Kursöversikt
1
Dataförberedelse och prestandaestimering
I det här kapitlet får du en introduktion till biblioteket NannyML och dess grundläggande funktioner. Du lär dig först hur du förbereder rådata för att skapa referens- och analysdatamängder som är redo för produktionsövervakning. Som ett praktiskt exempel undersöker du hur man förutsäger drickspengar för taxiresor i New York. Mot slutet av kapitlet lär du dig också hur du estimerar prestandan hos modellen för dricksförutsägelse med hjälp av NannyML.
- Vad är NannyML?50 XP
- Nyckelfunktioner i NannyML50 XP
- Läs in datamängden100 XP
- Dataförberedelse för NannyML50 XP
- Referensperiod eller analysperiod?100 XP
- Läsa in och dela upp data100 XP
- Skapa referens- och analysmängd100 XP
- Prestandaestimering50 XP
- Ange algoritm och problemtyp50 XP
- Tolka resultaten50 XP
- Arbetsflöde för CBPE och DLE100 XP
- Prestandauppskattning för drickspengs-prediktion100 XP
2
Övervaka prestanda och affärsvärde
I det här kapitlet introduceras du till kalkylatorer för realiserad prestanda, som används när verkliga utfall blir tillgängliga. Du lär dig mer avancerade metoder för att hantera resultat – bland annat filtrering, visualisering, konvertering till dataramar, chunkning och att definiera anpassade tröskelvärden. Avslutningsvis tillämpar du dessa kunskaper för att beräkna affärsvärdet av en modell tränad på hotellbokningsdatamängden.
3
Rotorsaksanalys och problemlösning
Nu när du har identifierat prestandaförsämringen i hotellbokningsmodellen lär du dig hur du hittar den bakomliggande orsaken. I det här kapitlet introduceras du till metoder för multivariat och univariat driftdetektering. Du lär dig också hur du identifierar datakvalitetsproblem och hur du åtgärdar de underliggande problem du upptäcker.
Övervakning av maskininlärning i Python
Kurs
slutförd
