この演習では、重要なデータ準備手法と、特徴量エンジニアリングの主な目的を紹介します。提示された項目を、データ準備手法 または 特徴量エンジニアリングの目的 のいずれかの正しいカテゴリに仕分けてください。これらの概念を理解することで、Machine Learning モデルの性能を高め、データをより有効に活用できるようになります。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、Machine Learningモデルを研究開発段階から本番環境へ移行するために必要なスキルと知識を身につけます。研究用のプロトタイプを、信頼性が高く、スケーラブルで、保守しやすいシステムへと移行するプロセスについて学びます。
この章では、Machine Learningにおける再現性の重要性と、時間が経ってもモデルの再現性と信頼性を維持する方法を学びます。モデルの再現性を確保するために活用できるさまざまな手法やベストプラクティスを取り上げます。
現在の演習
第3章では、Machine Learningモデルを本番環境にデプロイする際に伴うさまざまな課題を検討します。本番環境でのMLモデルのデプロイ手法と、本番運用中のMLモデルを監視・保守するための戦略について学びます。
最終章では、Machine Learningパイプラインをテストし、期待どおりに動作することを確認するさまざまな方法を学びます。MLパイプラインのテストの重要性を理解し、テストと検証のための具体的な手法を習得します.