课程
Python 中的机器学习监控
高级技能水平
更新时间 2025年5月
PythonMachine Learning3小时11 视频38 道练习2,800 XP4,068成就证明
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
深受数千家公司学习者的喜爱
需要团队培训？
企业版试用课程描述
学习如何在 Python 中监控你的 ML 模型
监控机器学习模型可确保您的机器学习项目长期成功。 监控可能非常复杂，不过有一些 Python 包可以帮助我们了解模型的表现、哪些数据发生了变化并可能导致性能下降，以及为我们提供线索，帮助我们知道需要做什么才能让模型重回正轨。 本课程涵盖了使用流行的监控包 nannyml 在 Python 中构建基础监控系统所需了解的一切。了解最佳监控工作流程
模型监控不仅仅是简单地计算模型在生产环境中的性能。 不幸的是，事情并没有那么简单。 尤其是在标签难以获得时。 本课程将向您介绍最佳监控工作流程。 它将确保你始终能够捕捉模型故障，避免告警疲劳，并快速找到问题的根本原因。了解如何找出模型性能问题的根本原因
建模监控的另一个重要组成部分是根本原因分析。 本课程将深入讲解如何使用数据漂移检测技术来找出模型性能问题的根本原因。 您将学习如何使用单变量和多变量数据漂移检测技术，找出模型问题的潜在根本原因。先决条件
Monitoring Machine Learning Concepts1
数据准备与性能估计
本章将向您介绍 NannyML 库及其核心功能。您将先学习如何准备原始数据，构建可用于生产监控的参考集与分析集。作为实践示例，您将研究纽约出租车行程的小费金额预测。最后，您还将学习如何使用 NannyML 估计小费预测模型的性能。
2
监控性能与业务价值
本章将介绍在真实标签可用时使用的已实现性能计算器。您将学习更高级的结果处理方法，包括筛选、绘图、转换为数据框、分块处理，以及设定自定义阈值。最后，您将把所学应用到酒店预订数据集上，计算模型所创造的业务价值。
3
根因分析与问题解决
在发现酒店预订模型出现性能下降后，您将学习如何定位其背后的根本原因。本章将介绍多变量与单变量漂移检测方法。您还将学习如何识别数据质量问题，并处理所发现的根本性问题。
Python 中的机器学习监控
课程完成 加入超过19百万学习者，今天就开始Python 中的机器学习监控！
创建您的免费帐户
继续使用 Google显示更多选项或
继续操作即表示您接受我们的《使用条款》和《隐私政策》，并同意您的数据存储在美国。
通过 DataCamp for Mobile 提升您的数据技能
随时随地通过我们的移动课程和每日 5 分钟编程挑战提升技能。