In questo capitolo farai conoscenza con la libreria NannyML e le sue funzioni fondamentali. Per iniziare, imparerai a preparare i dati grezzi per creare i set di riferimento e di analisi pronti per il monitoraggio in produzione. Come esempio pratico, analizzerai la previsione della mancia per le corse in taxi a New York. Verso la fine del capitolo scoprirai anche come stimare le prestazioni del modello di previsione della mancia usando NannyML.

Che cos'è NannyML?

Funzionalità chiave di NannyML

Carica l'insieme di dati

Preparazione dei dati per NannyML

Periodo di riferimento o di analisi?

Caricamento e suddivisione dei dati

Creazione dei set di riferimento e di analisi

Stima delle prestazioni

Specifica l'algoritmo e il tipo di problema

Interpretare i risultati

Flusso di lavoro CBPE e DLE

Stima delle prestazioni per la previsione della mancia

Preparazione dei dati e stima delle prestazioni

In questo capitolo ti verranno presentati i calcolatori di prestazioni realizzate da usare quando le etichette (ground truth) diventano disponibili. Imparerai metodi più avanzati per gestire i risultati, tra cui filtraggio, visualizzazione, conversione in data frame, suddivisione in blocchi (chunking) e definizione di soglie personalizzate. Infine, applicherai queste conoscenze per calcolare il valore per il business di un modello addestrato sul dataset delle prenotazioni alberghiere.

Quando le etichette sono disponibili

Quando la stima delle prestazioni è errata

Confrontare performance stimate e realizzate

Lavorare con risultati calcolati ed estimati

Metodi di suddivisione (chunking) diversi

Modificare le soglie

Interagire con i risultati

Calcolo e stima del valore di business

Calcolo del valore di business

Calò del valore monetario

Calcolo del valore aziendale per il dataset delle prenotazioni alberghiere

Monitoraggio delle prestazioni e del valore per il business

Dopo aver rilevato il degrado delle prestazioni nel modello per le prenotazioni alberghiere, imparerai a identificare il problema alla base di questo calo. In questo capitolo ti verranno presentati metodi di rilevamento del drift multivariato e univariato. Imparerai anche a individuare problemi di qualità dei dati e come affrontare le cause sottostanti che rilevi.

Rilevamento del drift multivariato

Individuare i drift rilevanti

Drift nell'insieme di dati delle prenotazioni di hotel

Rilevamento del drift univariato

Rilevamento del drift univariato per l'insieme di dati delle prenotazioni hotel

Classificare i risultati univariati

Visualizzare le feature in drift

Controlli di qualità dei dati e delle statistiche

Controlli di qualità dei dati

Statistiche riassuntive

Risoluzione dei problemi

Qual è la soluzione?

Dovresti non fare nulla o no?

Implementare un flusso di monitoraggio

Congratulazioni

Analisi delle cause radice e risoluzione dei problemi

Hotel Booking Reference Dataset

Hotel Booking Analysis Dataset

Green Taxi Dataset

Il monitoraggio dei modelli di machine learning garantisce il successo a lungo termine dei tuoi progetti di machine learning. Il monitoraggio può essere molto complesso. Tuttavia, esistono pacchetti Python che ci aiutano a capire come stanno andando i modelli, quali dati sono cambiati e potrebbero aver causato un calo delle prestazioni, e ci danno indicazioni su cosa fare per rimettere i modelli in carreggiata. Questo corso copre tutto ciò che ti serve per costruire un sistema di monitoraggio di base in Python, usando il popolare pacchetto di monitoraggio, nannyml.


<h2>Impara a monitorare i tuoi modelli di machine learning in Python</h2>

Monitorare i modelli di machine learning garantisce il successo a lungo termine dei tuoi progetti di machine learning. Il monitoraggio può essere molto complesso, ma esistono pacchetti Python che ci aiutano a capire come stanno andando i nostri modelli, quali dati sono cambiati e potrebbero aver causato un calo delle prestazioni, e ci danno indicazioni su cosa fare per rimettere i nostri modelli sul giusto corso. Questo corso ti insegna tutto ciò che devi sapere per creare un sistema di monitoraggio di base in Python utilizzando il popolare pacchetto nannyml.

<h2>Scopri il flusso di lavoro ottimale per il monitoraggio</h2>

Il monitoraggio dei modelli non si limita al semplice calcolo delle prestazioni del modello in produzione. Purtroppo non è così semplice. Soprattutto quando è difficile reperire etichette. Questo corso ti insegnerà il flusso di lavoro ottimale per il monitoraggio. Ti permetterà di individuare sempre i malfunzionamenti dei modelli, evitare l’affaticamento da alert e risalire rapidamente alla causa del problema.

<h2>Impara a individuare la causa principale dei problemi di prestazioni del modello</h2>

Un altro elemento importante del monitoraggio dei modelli è l’analisi delle cause profonde. Questo corso ti guiderà alla scoperta di come usare tecniche di rilevamento del data drift per individuare la causa principale dei problemi di prestazioni dei modelli. Imparerai a utilizzare tecniche di rilevamento della deriva dei dati univariata e multivariata per individuare le possibili cause alla radice dei problemi del modello.



Monitoring Machine Learning Concepts

Questo corso copre come creare un sistema base di monitoraggio machine learning in Python.

Monitoraggio del Machine Learning in Python

Questo corso ti insegna tutto ciò che serve per creare un sistema base di monitoraggio del machine learning in Python

Ingegnere dell'apprendimento automatico

machine learning in produzione in Python

Data Scientist

Lavorare con risultati calcolati e stimati

Come suddividere i dati in chunk?

Specificare chunk diversi

Inizializzare soglie personalizzate

Specificare soglie personalizzate

Filtrare i risultati

Esportare i risultati in un dataframe

Esercitiamoci!

Monitoraggio delle prestazioni e del valore per il business - Lavorare con risultati calcolati ed estimati

Lavorare con risultati calcolati ed estimati

Create Your Free Account