Customer Lifetime Value vorhersagen

Viele Unternehmen investieren Zeit in den Aufbau von Modellen zur Vorhersage des Customer Lifetime Value (CLV) für ein abonnementbasiertes Geschäft. Das tun sie, weil es ihnen hilft, Nachfrage, Umsatz und vieles mehr zu prognostizieren. Dieses Modell muss relativ genau sein, und sie wollen sicherstellen, dass das Modell bestimmte Kundengruppen nicht unfair behandelt.

Frage: Welche der folgenden Test-Routinen kann das Team verwenden, um zu prüfen, ob das Modell alle Kundinnen und Kunden fair behandelt – unabhängig von ihrem Hintergrund oder ihren Merkmalen?

Diese Übung ist Teil des Kurses

ML-Modelle für den Produktionseinsatz entwickeln

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Diese Übung ist Teil des Kurses

ML-Modelle für den Produktionseinsatz entwickeln

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel erhältst du die Fähigkeiten und das Wissen, um deine Machine-Learning-Modelle aus der Forschungs- und Entwicklungsphase in eine Produktionsumgebung zu überführen. Du lernst den Weg vom Forschungsprototyp zu einem zuverlässigen, skalierbaren und wartbaren System kennen.

Exercise 1: Eine MLOps-Denkweise übernehmen Exercise 2: Was ist ein zentraler Aspekt von MLOps?Exercise 3: Was sind technische Schulden?Exercise 4: Wartbaren ML-Code schreiben Exercise 5: Versionskontrolle Exercise 6: Code-Organisation Exercise 7: Effektive ML-Dokumentation schreiben Exercise 8: Warum Methoden zum Labeln dokumentieren?Exercise 9: MLOps Best Practices

In diesem Kapitel lernst du, warum Reproduzierbarkeit im Machine Learning so wichtig ist und wie du sicherstellst, dass deine Modelle auch langfristig reproduzierbar und verlässlich bleiben. Du entdeckst verschiedene Techniken und Best Practices, mit denen du die Reproduzierbarkeit deiner Modelle garantieren kannst.

Exercise 1: Reproduzierbare Experimente entwerfen Exercise 2: Reproduzierbarkeit in ML Exercise 3: Zentrale Aspekte für Reproduzierbarkeit und Zuverlässigkeit erkennen Exercise 4: Elemente der Zuverlässigkeit sortieren Exercise 5: Aspekte der Reproduzierbarkeit und Dokumentationspraktiken sortieren Exercise 6: Feature Engineering Exercise 7: Ziele und Techniken des Feature Engineerings klassifizieren Exercise 8: Techniken zur Datenmanipulation und -transformation erkennen Exercise 9: Feature Selection Exercise 10: Versionierung von Daten und Modellen Exercise 11: Model Store Exercise 12: Trainingsdaten versionieren Exercise 13: Reproduzierbarkeit sicherstellen

In Kapitel 3 beschäftigst du dich mit den Herausforderungen bei der Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen. Du lernst unterschiedliche Ansätze für das Deployment von ML-Modellen in der Produktion kennen sowie Strategien für das Monitoring und den laufenden Betrieb von ML-Modellen.

Exercise 1: ML-Modelle paketieren Exercise 2: Ziel von Serialisierung und Containerisierung Exercise 3: Reihenfolge beim Verpacken von Modellen Exercise 4: Skalierbarkeit Exercise 5: Skalierung Exercise 6: Modellkomplexität Exercise 7: Skalierungstechniken kategorisieren Exercise 8: Automatisierung Exercise 9: Vorteile von Continuous Delivery Exercise 10: CI/CD-Schritte Exercise 11: ML-Modelle in Produktion bringen

Im letzten Kapitel lernst du verschiedene Möglichkeiten kennen, ML-Pipelines zu testen und sicherzustellen, dass sie wie erwartet funktionieren. Du erfährst, warum das Testen von ML-Pipelines entscheidend ist, und lernst Techniken zum Testen und Validieren von ML-Pipelines.

Exercise 1: Zuverlässigkeit von Modellen Exercise 2: Teststrategien für Einsatzbereitschaft und Staleness von ML-Pipelines kategorisieren Exercise 3: Modellveraltung in Machine-Learning-Pipelines begegnen Exercise 4: Daten testen Exercise 5: Den richtigen Test wählen Exercise 6: Konsistenzprüfung Exercise 7: Modelle testen Exercise 8: Customer Lifetime Value vorhersagen

Aktuelle Übung

Exercise 9: Fairness klassifizieren Exercise 10: ML-Pipelines testen Exercise 11: Glückwunsch!