Klantlevenswaarde voorspellen

Veel bedrijven investeren tijd in het bouwen van modellen om de customer lifetime value (CLV) voor een abonnementsbedrijf te voorspellen. Dat doen ze omdat het helpt om vraag, omzet en nog veel meer te voorspellen. Dit model moet redelijk nauwkeurig zijn en ze willen zeker weten dat het model bepaalde klantgroepen niet oneerlijk behandelt.

Vraag: Welke van de volgende testprocedures kan het team gebruiken om te controleren of het model alle klanten eerlijk behandelt, ongeacht hun achtergrond of kenmerken?

Deze oefening maakt deel uit van de cursus

Machine Learning-modellen ontwikkelen voor productie

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Machine Learning-modellen ontwikkelen voor productie

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

Dit hoofdstuk geeft je de kennis en vaardigheden om je Machine Learning-modellen van de onderzoeks- en ontwikkelfase naar een productieomgeving te brengen. Je leert over de overgang van een onderzoeksprototype naar een betrouwbaar, schaalbaar en onderhoudbaar systeem.

Exercise 1: Een MLOps-mentaliteit aannemen Exercise 2: Wat is een belangrijk aspect van MLOps?Exercise 3: Wat is technische schuld?Exercise 4: Onderhoudbare ML-code schrijven Exercise 5: Versiebeheer Exercise 6: Code-organisatie Exercise 7: Effectieve ML-documentatie schrijven Exercise 8: Waarom documenteer je labelmethoden?Exercise 9: MLOps-best practices

In dit hoofdstuk leer je over het belang van reproduceerbaarheid in Machine Learning, en hoe je ervoor zorgt dat je modellen in de tijd reproduceerbaar en betrouwbaar blijven. Je verkent verschillende technieken en best practices die je kunt gebruiken om de reproduceerbaarheid van je modellen te garanderen.

Exercise 1: Reproduceerbare experimenten ontwerpen Exercise 2: Reproduceerbaarheid in ML Exercise 3: Belangrijke aspecten voor reproduceerbaarheid en betrouwbaarheid herkennen Exercise 4: Betrouwbaarheidselementen sorteren Exercise 5: Aspecten van reproduceerbaarheid en documentatiepraktijken sorteren Exercise 6: Feature engineering Exercise 7: Doelen en technieken van feature engineering classificeren Exercise 8: Technieken voor gegevensmanipulatie en -transformatie herkennen Exercise 9: Feature selection Exercise 10: Versiebeheer van data en modellen Exercise 11: Model store Exercise 12: Versiebeheer van trainingsdata Exercise 13: Reproduceerbaarheid waarborgen

In hoofdstuk 3 bekijk je de verschillende uitdagingen bij het uitrollen van Machine Learning-modellen naar productieomgevingen. Je leert over uiteenlopende aanpakken voor het deployen van ML-modellen in productie en over strategieën voor het monitoren en onderhouden van ML-modellen in productie.

Exercise 1: ML-modellen verpakken Exercise 2: Doel van serialiseren en containerizen Exercise 3: Volgorde voor modelpackaging Exercise 4: Schaalbaarheid Exercise 5: Schaalbaarheid Exercise 6: Modelcomplexiteit Exercise 7: Schaaltechnieken categoriseren Exercise 8: Automatisering Exercise 9: Voordelen van continuous delivery Exercise 10: CI/CD-stappen Exercise 11: ML-modellen in productie brengen

In het laatste hoofdstuk leer je over verschillende manieren om Machine Learning-pijplijnen te testen en te zorgen dat ze presteren zoals verwacht. Je ontdekt het belang van het testen van ML-pijplijnen en leert technieken voor het testen en valideren van ML-pijplijnen.

Exercise 1: Betrouwbaarheid van modellen Exercise 2: Teststrategieën categoriseren voor ML-pipelinegereedheid en -veroudering Exercise 3: Modelveroudering aanpakken in Machine Learning-pijplijnen Exercise 4: Gegevens testen Exercise 5: De juiste test kiezen Exercise 6: Consistentiecontrole Exercise 7: Modellen testen Exercise 8: Klantlevenswaarde voorspellen

Huidige oefening

Exercise 9: Gelijkheid classificeren Exercise 10: ML-pipelines testen Exercise 11: Gefeliciteerd!