After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Дізнайтеся, як моніторити свої ML-моделі в Python
Моніторинг моделей машинного навчання забезпечує довгостроковий успіх ваших проєктів із машинного навчання. Моніторинг може бути дуже складним, однак існують пакети Python, які допомагають нам зрозуміти, як працюють наші моделі, які дані змінилися й могли призвести до падіння продуктивності, а також підказують, що потрібно зробити, щоб повернути наші моделі на правильний шлях. Цей курс охоплює все, що вам потрібно знати, щоб створити базову систему моніторингу на Python, використовуючи популярний пакет для моніторингу nannyml.Зрозумійте оптимальний робочий процес моніторингу
Моніторинг моделей — це не лише просте обчислення продуктивності моделі в робочому середовищі. На жаль, це не так просто. Особливо коли ярлики важко дістати. Цей курс навчить вас оптимальному робочому процесу моніторингу. Це допоможе вам завжди виявляти збої моделей, уникати втоми від сповіщень і швидко доходити до першопричини проблеми.Дізнайтеся, як знаходити першопричину проблем із продуктивністю моделі
Ще одним важливим компонентом моніторингу моделей є аналіз першопричин. Цей курс занурить вас у те, як використовувати методи виявлення дрейфу даних, щоб дістатися першопричини проблем із продуктивністю моделі. Ви навчитеся використовувати як одновимірні, так і багатовимірні методи виявлення дрейфу даних, щоб виявляти потенційні першопричини проблем із моделлю.Попередні вимоги
Навчальний план
Зміст курсу
1
Підготовка даних і оцінювання якості
У цьому розділі ви познайомитеся з бібліотекою NannyML та її базовими можливостями. Спочатку ви вивчите процес підготовки сирих даних для створення референсних і аналітичних наборів, готових до продакшен-моніторингу. Як практичний приклад ви дослідите прогнозування суми чайових за поїздки на таксі в Нью-Йорку. Наприкінці розділу ви також дізнаєтеся, як оцінити якість моделі прогнозування чайових за допомогою NannyML.
- Що таке NannyML?50 XP
- Ключові можливості NannyML50 XP
- Завантажте набір даних100 XP
- Підготовка даних для NannyML50 XP
- Еталонний чи аналітичний період?100 XP
- Завантаження та розбиття даних100 XP
- Створення еталонного та аналітичного наборів100 XP
- Оцінювання продуктивності50 XP
- Укажіть алгоритм і тип задачі50 XP
- Інтерпретація результатів50 XP
- Робочий процес CBPE і DLE100 XP
- Оцінювання продуктивності для прогнозування чайових100 XP
2
Моніторинг ефективності та бізнес-цінності
У цьому розділі ви познайомитеся з обчислювачами фактичної ефективності, які застосовують, коли з'являється істинна розмітка. Ви дізнаєтеся про більш просунуті методи опрацювання результатів, зокрема фільтрування, побудову графіків, перетворення до датафреймів, чанкування та встановлення власних порогів. Нарешті, ви застосуєте ці знання, щоб розрахувати бізнес-цінність моделі, натренованої на наборі даних про бронювання готелів.
3
Аналіз першопричин і розв'язання проблем
Виявивши погіршення якості в моделі бронювання готелів, ви навчитеся визначати першопричину цієї проблеми. У цьому розділі ви познайомитеся з методами виявлення дрейфу ознак для багатовимірних і одновимірних даних. Ви також дізнаєтеся, як знаходити проблеми з якістю даних і як усувати виявлені першопричини.
Моніторинг Machine Learning у Python
Курс
завершено
