Période de référence ou d'analyse?

Dans la dernière vidéo, vous avez découvert deux périodes de données utilisées par NannyML : les périodes de référence et d'analyse. Il est essentiel de bien les comprendre avant de pouvoir surveiller la performance et les décalages de covariables en production.

Maintenant, mettons votre mémoire à l'épreuve. Pouvez-vous rappeler les caractéristiques propres à chacune de ces périodes?

Cette activité fait partie du cours

Surveiller le Machine Learning en Python

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Surveiller le Machine Learning en Python

SkillTag.level.advancedSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous ferez connaissance avec la bibliothèque NannyML et ses fonctions essentielles. Vous apprendrez d'abord à préparer des données brutes pour créer des ensembles de référence et d'analyse prêts pour la surveillance en production. À titre d'exemple pratique, vous étudierez la prédiction du pourboire pour des trajets en taxi à New York. Vers la fin du chapitre, vous verrez aussi comment estimer la performance du modèle de prédiction du pourboire avec NannyML.

Exercise 1: Qu'est-ce que NannyML ?Exercise 2: Fonctionnalités clés de NannyML Exercise 3: Charger l'ensemble de données Exercise 4: Préparation des données pour NannyML Exercise 5: Période de référence ou d'analyse?

Exercice en cours

Exercise 6: Chargement et partitionnement des données Exercise 7: Création des ensembles de référence et d'analyse Exercise 8: Estimation de la performance Exercise 9: Préciser l'algorithme et le type de problème Exercise 10: Interpréter les résultats Exercise 11: Enchaînement CBPE et DLE Exercise 12: Estimation de la performance pour la prédiction du pourboire

Dans ce chapitre, vous serez initié aux calculateurs de performance réalisée utilisés lorsque la vérité terrain devient disponible. Vous découvrirez des méthodes plus avancées pour traiter les résultats, notamment le filtrage, la visualisation, la conversion en DataFrame, le découpage en blocs et l'établissement de seuils personnalisés. Enfin, vous appliquerez ces connaissances pour calculer la valeur d'affaires d'un modèle entraîné sur l'ensemble de données de réservations d'hôtels.

Exercise 1: Quand les étiquettes sont disponibles Exercise 2: Quand l'estimation de la performance déraille Exercise 3: Comparer la performance estimée et réalisée Exercise 4: Travailler avec les résultats calculés et estimés Exercise 5: Différentes méthodes de découpage en blocs Exercise 6: Modifier les seuils Exercise 7: Interagir avec les résultats Exercise 8: Calcul et estimation de la valeur d'affaires Exercise 9: Calcul de la valeur d'affaires Exercise 10: Baisse de la valeur monétaire Exercise 11: Calcul de la valeur commerciale pour l'ensemble de réservations d'hôtel

Après avoir détecté une dégradation de la performance du modèle de réservations d'hôtels, vous apprendrez maintenant à identifier le problème sous-jacent qui en est la cause. Dans ce chapitre, vous serez initié aux méthodes de détection de dérive multivariée et univariée. Vous verrez aussi comment repérer des problèmes de qualité des données et comment corriger les problèmes sous-jacents que vous détectez.

Exercise 1: Détection de dérive multivariée Exercise 2: Repérer les dérives pertinentes Exercise 3: Dérive dans l'ensemble de données des réservations d'hôtel Exercise 4: Détection de dérive univariée Exercise 5: Détection de dérive univariée pour l'ensemble de données de réservations d'hôtel Exercise 6: Classer les résultats univariés Exercise 7: Visualiser les variables en dérive Exercise 8: Vérifications de la qualité des données et des statistiques Exercise 9: Vérifications de la qualité des données Exercise 10: Statistiques sommaires Exercise 11: Résolution des problèmes Exercise 12: Quelle est la solution?Exercise 13: Devriez-vous ne rien faire ou agir?Exercise 14: Mettre en place un flux de surveillance Exercise 15: Félicitations