Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Impara a monitorare i tuoi modelli di machine learning in Python
Monitorare i modelli di machine learning garantisce il successo a lungo termine dei tuoi progetti di machine learning. Il monitoraggio può essere molto complesso, ma esistono pacchetti Python che ci aiutano a capire come stanno andando i nostri modelli, quali dati sono cambiati e potrebbero aver causato un calo delle prestazioni, e ci danno indicazioni su cosa fare per rimettere i nostri modelli sul giusto corso. Questo corso ti insegna tutto ciò che devi sapere per creare un sistema di monitoraggio di base in Python utilizzando il popolare pacchetto nannyml.Scopri il flusso di lavoro ottimale per il monitoraggio
Il monitoraggio dei modelli non si limita al semplice calcolo delle prestazioni del modello in produzione. Purtroppo non è così semplice. Soprattutto quando è difficile reperire etichette. Questo corso ti insegnerà il flusso di lavoro ottimale per il monitoraggio. Ti permetterà di individuare sempre i malfunzionamenti dei modelli, evitare l’affaticamento da alert e risalire rapidamente alla causa del problema.Impara a individuare la causa principale dei problemi di prestazioni del modello
Un altro elemento importante del monitoraggio dei modelli è l’analisi delle cause profonde. Questo corso ti guiderà alla scoperta di come usare tecniche di rilevamento del data drift per individuare la causa principale dei problemi di prestazioni dei modelli. Imparerai a utilizzare tecniche di rilevamento della deriva dei dati univariata e multivariata per individuare le possibili cause alla radice dei problemi del modello.Prerequisiti
Programma
Struttura del corso
1
Preparazione dei dati e stima delle prestazioni
In questo capitolo farai conoscenza con la libreria NannyML e le sue funzioni fondamentali. Per iniziare, imparerai a preparare i dati grezzi per creare i set di riferimento e di analisi pronti per il monitoraggio in produzione. Come esempio pratico, analizzerai la previsione della mancia per le corse in taxi a New York. Verso la fine del capitolo scoprirai anche come stimare le prestazioni del modello di previsione della mancia usando NannyML.
- Che cos'è NannyML?50 XP
- Funzionalità chiave di NannyML50 XP
- Carica l'insieme di dati100 XP
- Preparazione dei dati per NannyML50 XP
- Periodo di riferimento o di analisi?100 XP
- Caricamento e suddivisione dei dati100 XP
- Creazione dei set di riferimento e di analisi100 XP
- Stima delle prestazioni50 XP
- Specifica l'algoritmo e il tipo di problema50 XP
- Interpretare i risultati50 XP
- Flusso di lavoro CBPE e DLE100 XP
- Stima delle prestazioni per la previsione della mancia100 XP
2
Monitoraggio delle prestazioni e del valore per il business
In questo capitolo ti verranno presentati i calcolatori di prestazioni realizzate da usare quando le etichette (ground truth) diventano disponibili. Imparerai metodi più avanzati per gestire i risultati, tra cui filtraggio, visualizzazione, conversione in data frame, suddivisione in blocchi (chunking) e definizione di soglie personalizzate. Infine, applicherai queste conoscenze per calcolare il valore per il business di un modello addestrato sul dataset delle prenotazioni alberghiere.
3
Analisi delle cause radice e risoluzione dei problemi
Dopo aver rilevato il degrado delle prestazioni nel modello per le prenotazioni alberghiere, imparerai a identificare il problema alla base di questo calo. In questo capitolo ti verranno presentati metodi di rilevamento del drift multivariato e univariato. Imparerai anche a individuare problemi di qualità dei dati e come affrontare le cause sottostanti che rilevi.
Monitoraggio del Machine Learning in Python
Corso
completato
