After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Концепції моніторингу машинного навчання
Моделі машинного навчання впливають на дедалі більше рішень у реальному світі. Ці моделі потребують моніторингу, щоб запобігти збоям і забезпечити, що вони приносять бізнес-цінність вашій компанії. Цей курс ознайомить вас із фундаментальними концепціями створення надійної системи моніторингу для ваших моделей у продакшені.Відкрийте для себе ідеальний робочий процес моніторингу
Курс починається з плану того, з чого почати моніторинг у production і як вибудувати навколо нього процеси. Ми розглянемо базовий робочий процес, показавши вам, як виявляти проблеми, визначати першопричини та усувати їх на реальних прикладах.Досліджуйте виклики моніторингу моделей у продакшені
Розгортання моделі в продуктивному середовищі — це лише початок життєвого циклу моделі. Навіть якщо під час розробки вона працює добре, вона може зазнати невдачі через дані в продакшені, що постійно змінюються. У цьому курсі ви дослідите труднощі моніторингу продуктивності моделі, особливо коли немає еталонних даних.Детально зрозумійте коваріатний зсув і концептуальний дрейф
Остання частина цього курсу буде зосереджена на двох типах тихого збою моделі. Ви детально зрозумієте різні види зсувів коваріат і концептуального дрейфу, їхній вплив на продуктивність моделі, а також те, як їх виявляти й запобігати їм.Попередні вимоги
Навчальний план
Зміст курсу
1
Що таке моніторинг ML
У першому розділі йтиметься про те, чому бізнесу потрібно моніторити ваші моделі машинного навчання в продакшені. Ви дізнаєтеся про ідеальний процес моніторингу та його кроки, а також про деякі виклики, з якими системи моніторингу стикаються в продакшені.
- Навіщо потрібно моніторити вашу модель50 XP
- Чому моделі виходять з ладу?50 XP
- Переваги систем моніторингу50 XP
- Ідеальний робочий процес моніторингу50 XP
- Важливість моніторингу KPI50 XP
- Ідеальний процес моніторингу100 XP
- Робочий процес моніторингу в реальному сценарії100 XP
- Виклики моніторингу моделей ML50 XP
- Затримана еталонна істина100 XP
- Covariate shift vs concept drift100 XP
2
Теоретичні основи моніторингу
У розділі 2 ви відкриєте для себе фундаментальну важливість моніторингу продуктивності в надійній системі моніторингу. Ми розглянемо поширені виклики у реальних продакшен-середовищах, зокрема доступність еталонної істини. Наприкінці розділу ви знатимете, як діяти, коли еталонні дані затримуються або відсутні, використовуючи алгоритми оцінювання продуктивності.
3
Виявлення covariate shift і concept drift
Тепер, коли ви знаєте основи covariate shift і concept drift у продакшені, заглибмося трохи далі. Наприкінці цього розділу ви знатимете різні способи їх виявлення та опрацювання в реальних сценаріях.
Основи моніторингу Machine Learning
Курс
завершено
