Pada bab awal ini, Anda akan memulai tahap-tahap dasar dari setiap proyek machine learning: merancang use case machine learning ujung ke ujung, analisis data eksploratif, dan persiapan data. Di akhir bab, Anda akan memahami dengan kuat tahap awal proyek machine learning, mulai dari mengonseptualisasikan use case hingga menyiapkan data untuk pemrosesan lanjutan dan pelatihan model.

Merancang Use Case Machine Learning End-to-End

Definisi fase dalam siklus hidup machine learning

Siklus hidup machine learning

Eksplorasi Data

Memvisualisasikan data Anda

Menemukan ketidakseimbangan kelas

Tujuan EDA

Persiapan data

Fungsi persiapan data

Imputasi Lanjutan

Membersihkan himpunan data Anda

Perancangan dan Eksplorasi

Bab ini membahas secara mendalam proses penting dalam pelatihan dan evaluasi model. Terdiri dari empat pelajaran komprehensif yang berfokus pada berbagai aspek rekayasa fitur, pelatihan model, pencatatan eksperimen, dan evaluasi model.

Rekayasa fitur dan seleksi

Feature engineering: klasifikasi

Normalisasi dan Standardisasi

Seleksi fitur

Pelatihan model

Menerapkan Occam's Razor

Jenis model

Melatih model

Mencatat eksperimen di MLFlow

Mengurutkan langkah-langkah MLflow

Fungsionalitas MLflow

MLFlow untuk pencatatan dan pengambilan data

Evaluasi dan visualisasi model

Validasi silang KFold

Interpretasi confusion matrix

Memahami confusion matrix

Mengevaluasi model

Pelatihan dan Evaluasi Model

Bab ini membahas elemen penting dari penerapan model, fase krusial dalam siklus hidup machine learning. Dimulai dengan pengujian, kemudian berlanjut ke komponen arsitektural dengan fokus pada feature store dan model registry. Selanjutnya, kita akan membahas pengemasan dan kontainerisasi. Bab ini diakhiri dengan ikhtisar Continuous Integration dan Continuous Deployment (CI/CD).

Pengujian model

Alasan melakukan pengujian

Menulis unit test

Komponen arsitektur dalam kerangka kerja machine learning end-to-end

Feature store vs model registry

Mendefinisikan fitur untuk feature store

Feature store menggunakan Feast

Pengemasan dan kontainerisasi

Langkah-langkah containerization

Containerization menggunakan Docker

Inferensi menggunakan Docker

Continuous integration dan continuous deployment (CI/CD)

Prinsip CI/CD

Mendeploy model menggunakan AWS EB

Deployment: menyatukan semuanya

Penerapan Model

Pada bab terakhir, Anda akan menavigasi seluk-beluk pemantauan model, sebuah fase penting dalam siklus hidup machine learning.

Pemantauan dan visualisasi

Memantau model yang telah dideploy

Memvisualisasikan keluaran model yang telah dideploy dari waktu ke waktu

Pergeseran data

Teknik untuk mendeteksi dan mengoreksi data drift

Mendeteksi data drift menggunakan uji Kolmogorov–Smirnov

Siklus umpan balik, pelatihan ulang, dan pelabelan

Mengonseptualisasikan feedback loop

Bahaya feedback loop

Loop umpan balik

Menyajikan model

Proses Model Monitoring

Studi kasus pemantauan model

Penutup

Pemantauan Model

Heart Disease Dataset

Heart Disease Cleaned

Jelajahi dunia machine learning dan pelajari cara merancang, melatih, dan menerapkan model ujung ke ujung melalui kursus komprehensif ini. Dengan contoh nyata yang menarik dan latihan praktis, Anda akan belajar menangani masalah data yang kompleks dan membangun model ML yang andal. Di akhir kursus, Anda akan memiliki keterampilan untuk membuat, memantau, dan memelihara model berkinerja tinggi yang menghasilkan wawasan yang dapat ditindaklanjuti.

<h2>Pengantar Pembelajaran Mesin End-to-End</h2>
<p>Jelajahi dunia machine learning dan pelajari cara merancang, melatih, dan menerapkan model end-to-end dengan kursus komprehensif ini. Melalui contoh-contoh nyata yang menarik dan latihan praktis, Anda akan belajar mengatasi masalah data yang kompleks dan membangun model ML yang kuat. Pada akhir kursus ini, Anda akan dilengkapi dengan keterampilan yang diperlukan untuk membuat, memantau, dan memelihara model-model ber kinerja tinggi yang menghasilkan wawasan yang dapat ditindaklanjuti. Transformasikan keahlian machine learning Anda dengan kursus komprehensif dan praktis ini, dan jadilah ahli machine learning end-to-end!</p>

<h2>Evaluasi dan Perbaiki Model Anda</h2>
<p>Mulailah dengan mempelajari dasar-dasar analisis data eksploratori (EDA) dan persiapan data - Anda akan membersihkan dan memproses data Anda, memastikan data tersebut siap untuk pelatihan model. Selanjutnya, kuasai seni feature engineering dan seleksi untuk mengoptimalkan model Anda dalam menghadapi tantangan dunia nyata; pelajari cara menggunakan perpustakaan Boruta untuk seleksi fitur, mencatat eksperimen dengan MLFlow, dan menyesuaikan model Anda menggunakan k-fold cross-validation. Temukan rahasia metrik kesalahan yang efektif dan diagnosa overfitting, agar model Anda siap untuk sukses.</p>

<h2>Deploy dan Pantau Model Anda</h2>
<p>Anda juga akan mempelajari pentingnya feature stores dan model registries dalam kerangka kerja ML end-to-end. Pelajari cara mengimplementasikan dan memantau kinerja model Anda seiring waktu menggunakan Docker dan AWS. Pahami konsep data drift dan cara mendeteksinya menggunakan uji statistik. Implementasikan umpan balik, pelatihan ulang, dan strategi penandaan untuk menjaga kinerja model Anda di tengah data yang terus berubah.</p>

<p>Kursus ini akan membekali Anda dengan keterampilan praktis yang langsung dapat diterapkan dalam karier sebagai ilmuwan data atau insinyur pembelajaran mesin, memungkinkan Anda untuk merancang, mengimplementasikan, dan memelihara model; keterampilan yang sangat penting untuk memaksimalkan dampak bisnis dari solusi pembelajaran mesin.</p>

Supervised Learning with scikit-learn

MLOps Concepts

Jelajahi dunia pembelajaran mesin dan pelajari cara merancang, melatih, dan menerapkan model.

Machine Learning Ujung ke Ujung

Jelajahi dunia machine learning dan pelajari cara merancang, melatih, dan menerapkan model end-to-end. 

Penutup

Create Your Free Account