En este capítulo, conocerás la biblioteca NannyML y sus funciones fundamentales. Primero, aprenderás a preparar datos en bruto para crear conjuntos de referencia y de análisis listos para la monitorización en producción. Como ejemplo práctico, investigarás la predicción del importe de la propina en trayectos de taxi en Nueva York. Al final del capítulo, también verás cómo estimar el rendimiento del modelo de predicción de propinas con NannyML.

¿Qué es NannyML?

Características clave de NannyML

Carga el conjunto de datos

Preparación de datos para NannyML

¿Periodo de referencia o de análisis?

Cargar y dividir los datos

Creación de los conjuntos de referencia y de análisis

Estimación del rendimiento

Especifica el algoritmo y el tipo de problema

Interpretar resultados

Flujo de trabajo de CBPE y DLE

Estimación del rendimiento para la predicción de propinas

Preparación de datos y estimación del rendimiento

En este capítulo, te presentaremos los calculadores de rendimiento realizado cuando la verdad terreno está disponible. Aprenderás métodos más avanzados para trabajar con los resultados, como filtrarlos, representarlos, convertirlos en data frames, fragmentarlos en chunks y definir umbrales personalizados. Por último, aplicarás este conocimiento para calcular el valor de negocio de un modelo entrenado con el conjunto de datos de reservas de hotel.

Cuando hay etiquetas disponibles

Cuando la estimación del rendimiento falla

Comparar rendimiento estimado y realizado

Trabajar con resultados calculados y estimados

Diferentes métodos de segmentación (chunking)

Modificar los umbrales

Interactuar con resultados

Cálculo y estimación del valor de negocio

Cálculo del valor de negocio

Caída en el valor monetario

Cálculo del valor de negocio para el conjunto de datos de reservas de hotel

Monitorización del rendimiento y del valor de negocio

Tras detectar la degradación del rendimiento en el modelo de reservas de hotel, ahora aprenderás a identificar el problema subyacente que la provoca. En este capítulo, verás métodos de detección de deriva multivariante y univariante. También aprenderás a identificar problemas de calidad de datos y a abordar las causas de fondo que detectes.

Detección de deriva multivariante

Identificar derivas relevantes

Deriva en el conjunto de datos de reservas de hotel

Detección de deriva univariante

Detección de deriva univariante para el conjunto de datos de reservas de hotel

Clasificar los resultados univariantes

Visualización de variables con drift

Comprobaciones de calidad de datos y estadísticas

Comprobaciones de calidad de datos

Estadísticos descriptivos

Resolución de problemas

¿Cuál es la solución?

¿Deberías no hacer nada o sí?

Implementación de un flujo de trabajo de monitorización

¡Enhorabuena!

Análisis de causa raíz y resolución de problemas

Green Taxi Dataset

Hotel Booking Analysis Dataset

Hotel Booking Reference Dataset

Monitorizar modelos de Machine Learning garantiza el éxito a largo plazo de tus proyectos. La monitorización puede ser muy compleja. Aun así, existen paquetes de Python que nos ayudan a entender cómo están rindiendo nuestros modelos, qué datos han cambiado y podrían haber provocado una caída de rendimiento, y nos dan pistas sobre qué hacer para recuperar el buen desempeño. Este curso cubre todo lo que necesitas para construir un sistema básico de monitorización en Python usando el popular paquete de monitorización, nannyml.


<h2>Aprende a supervisar tus modelos de aprendizaje automático en Python.</h2>

La supervisión de los modelos de machine learning garantiza el éxito a largo plazo de tus proyectos de machine learning. La supervisión puede ser muy compleja, sin embargo, existen paquetes de Python que nos ayudan a comprender cómo están funcionando nuestros modelos, qué datos han cambiado y podrían haber provocado una caída en el rendimiento, y nos dan pistas sobre lo que debemos hacer para que nuestros modelos vuelvan a funcionar correctamente. Este curso cubre todo lo que necesitas saber para crear un sistema de monitorización básico en Python, utilizando el popular paquete de monitorización nannyml.

<h2>Comprender el flujo de trabajo óptimo para la supervisión</h2>

La supervisión de modelos no consiste solo en calcular el rendimiento de los modelos en producción. Por desgracia, no es tan fácil. Especialmente cuando las etiquetas son difíciles de conseguir. Este curso te enseñará cuál es el flujo de trabajo óptimo para la supervisión. Te garantizará que siempre detectes los fallos del modelo, evites la fatiga por alertas y llegues rápidamente al origen del problema.

<h2>Aprende a encontrar la causa raíz de los problemas de rendimiento de los modelos.</h2>

Otro componente importante para el monitoreo de modelos es el análisis de la causa raíz. Este curso profundizará en cómo utilizar técnicas de detección de desviaciones de datos para llegar a la raíz de los problemas de rendimiento de los modelos. Aprenderás a utilizar técnicas de detección de desviaciones de datos univariantes y multivariantes para descubrir las posibles causas fundamentales de los problemas del modelo.




Monitoring Machine Learning Concepts

Este curso cubre lo esencial para crear un sistema básico de monitoreo de aprendizaje automático en Python.

Monitorización de Machine Learning en Python

Este curso cubre todo lo que necesitas saber para crear un sistema básico de supervisión de machine learning en Python.

Ingeniero de Aprendizaje Automático

Machine learning en la producción en Python

CEO and co-founder

Multivariate drift detection

What is multivariate drift detection?

How it works?

Code implementation

Plotting the results

Multivariate drift vs. realized performance

Let's practice!

Análisis de causa raíz y resolución de problemas - Detección de deriva multivariante

Detección de deriva multivariante

Create Your Free Account