Perché documentare i metodi di labeling?

Ti è stato chiesto di scrivere la documentazione per il processo di training del tuo modello. Durante questa attività, ti rendi conto che i dati di partenza non hanno etichette corrette e non hai modo di sapere come si sia arrivati a questa situazione perché non esiste alcuna documentazione. A dire il vero, sei persino fortunato ad averlo notato!

Per rimediare, metti insieme un team di persone con profonda conoscenza dell’argomento per creare una variabile di risposta correttamente attribuita per un compito supervisionato. Capisci che sarà importante documentare questo processo, così gli altri sapranno come sono state create le etichette e potranno criticarle o migliorarle se necessario.

Ti prendi il tempo per descrivere come sei arrivato alle etichette, ma hai la sensazione che ci sia un altro motivo per cui hai scritto tutto questo. Qual è un altro motivo per documentare i metodi di labeling dei dati per un compito supervisionato?

Questo esercizio fa parte del corso

Sviluppare modelli di Machine Learning per la produzione

Visualizza il corso

Esercizio pratico interattivo

Passa dalla teoria alla pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Sviluppare modelli di Machine Learning per la produzione

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Exercise 1: Adottare una mentalità MLOps Exercise 2: Qual è un aspetto chiave dell’MLOps?Exercise 3: Che cos'è il debito tecnico?Exercise 4: Scrivere codice di ML mantenibile Exercise 5: Controllo versione Exercise 6: Organizzazione del codice Exercise 7: Scrivere documentazione ML efficace Exercise 8: Perché documentare i metodi di labeling?

Esercizio in corso

Exercise 9: Best practice di MLOps

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Exercise 1: Designing reproducible experiments Exercise 2: ML reproducibility Exercise 3: Identifying Key Aspects for Reproducibility and Reliability Exercise 4: Sorting Reliability Elements Exercise 5: Sorting Aspects of Reproducibility and Documentation Practices Exercise 6: Feature engineering Exercise 7: Classifying Feature Engineering Goals & Techniques Exercise 8: Identifying Data Manipulation and Transformation Techniques Exercise 9: Feature selection Exercise 10: Data and model versioning Exercise 11: Model store Exercise 12: Versioning training data Exercise 13: Ensuring reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Exercise 1: Packaging ML models Exercise 2: Goal of serialization and containerization Exercise 3: Model packaging order Exercise 4: Scalability Exercise 5: Scaling Exercise 6: Model complexity Exercise 7: Categorizing scaling techniques Exercise 8: Automation Exercise 9: Benefits of continuous delivery Exercise 10: CI/CD steps Exercise 11: Putting ML models into production

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Exercise 1: Model reliability Exercise 2: Categorizing Testing Strategies for ML Pipeline Readiness and Staleness Exercise 3: Addressing Model Staleness in Machine Learning Pipelines Exercise 4: Testing data Exercise 5: Picking the right test Exercise 6: Consistency check Exercise 7: Testing models Exercise 8: Predicting customer lifetime value Exercise 9: Classifying fairness Exercise 10: Testing machine learning pipelines Exercise 11: Congratulations!