W tym rozdziale poznasz bibliotekę NannyML i jej podstawowe funkcje. Dowiesz się, jak przygotować surowe dane, tworząc zbiory referencyjne i analityczne gotowe do monitorowania produkcyjnego. Jako praktyczny przykład przyjrzysz się przewidywaniu napiwku za przejazd taksówką w Nowym Jorku. Pod koniec rozdziału nauczysz się też, jak szacować wydajność modelu przewidywania napiwków za pomocą NannyML.

Czym jest NannyML?

Kluczowe funkcje NannyML

Wczytaj zbiór danych

Przygotowanie danych dla NannyML

Opcje

Okres referencyjny

Okres analizy

Okres referencyjny czy okres analizy?

Wczytywanie i podział danych

Tworzenie zbiorów referencyjnego i analitycznego

Estymacja wydajności

Określ algorytm i typ problemu

Interpretacja wyników

Szacowanie wydajności

Przepływ pracy CBPE i DLE

Szacowanie wydajności modelu przewidywania napiwków

Przygotowanie danych i estymacja wydajności

W tym rozdziale poznasz kalkulatory rzeczywistej wydajności, używane gdy dostępne są etykiety docelowe. Nauczysz się bardziej zaawansowanych metod pracy z wynikami: filtrowania, tworzenia wykresów, konwersji do ramek danych, podziału na fragmenty oraz definiowania własnych progów. Na koniec zastosujesz zdobytą wiedzę do obliczenia wartości biznesowej modelu wytrenowanego na zbiorze danych dotyczącym rezerwacji hotelowych.

Gdy etykiety są dostępne

Kiedy estymacja wydajności zawodzi

Porównywanie szacowanej i zrealizowanej wydajności

Praca z wynikami obliczonymi i szacowanymi

Różne metody podziału na fragmenty

Modyfikowanie progów

Praca z wynikami

Obliczanie i szacowanie wartości biznesowej

Obliczanie wartości biznesowej

Spadek wartości finansowej

Obliczanie wartości biznesowej dla zbioru danych o rezerwacjach hotelowych

Monitorowanie wydajności i wartości biznesowej

Po wykryciu pogorszenia wydajności modelu rezerwacji hotelowych nauczysz się teraz identyfikować przyczyny źródłowe tego problemu. W tym rozdziale poznasz metody wykrywania dryftu wielowymiarowego i jednowymiarowego. Dowiesz się również, jak wykrywać problemy z jakością danych i jak je rozwiązywać.

Wielowymiarowe wykrywanie dryfu

Identyfikowanie istotnych dryfów

Dryf w zbiorze danych dotyczącym rezerwacji hotelowych

Univariatne wykrywanie dryfu

Jednowymiarowe wykrywanie dryftu dla zbioru danych z rezerwacjami hotelowymi

Ranking wyników analizy jednowymiarowej

Wizualizacja cech wykazujących dryft

Kontrola jakości danych i statystyk

Sprawdzanie jakości danych

Statystyki podsumowujące

Rozwiązywanie problemów

Jakie jest rozwiązanie?

Czy warto nic nie robić?

Implementacja przepływu monitorowania

Gratulacje

Analiza przyczyn źródłowych i rozwiązywanie problemów

Hotel Booking Reference Dataset

Hotel Booking Analysis Dataset

Green Taxi Dataset

Monitorowanie modeli uczenia maszynowego to klucz do długoterminowego sukcesu twoich projektów. Samo monitorowanie może być skomplikowane – na szczęście istnieją biblioteki Pythona, które pomagają ocenić wydajność modeli, wykryć zmiany w danych mogące prowadzić do spadku jakości oraz wskazać, co należy zrobić, aby przywrócić modele do właściwego działania. Ten kurs obejmuje wszystko, czego potrzebujesz, aby zbudować podstawowy system monitorowania w Pythonie z wykorzystaniem popularnej biblioteki NannyML.


<h2>Dowiedz się, jak monitorować swoje modele ML w Pythonie</h2>

Monitorowanie modeli uczenia maszynowego zapewnia długoterminowy sukces Twoich projektów z zakresu uczenia maszynowego. Monitorowanie może być bardzo złożone, jednak istnieją pakiety Pythona, które pomagają nam zrozumieć, jak działają nasze modele, jakie dane uległy zmianie i mogły doprowadzić do spadku wydajności, a także dają nam wskazówki, co musimy zrobić, aby przywrócić nasze modele na właściwe tory. Ten kurs obejmuje wszystko, co musisz wiedzieć, aby zbudować podstawowy system monitorowania w Pythonie, korzystając z popularnego pakietu monitor, nannyml.

<h2>Poznaj optymalny proces monitorowania</h2>

Monitorowanie modeli to nie tylko proste obliczanie wydajności modelu w środowisku produkcyjnym. Niestety, to nie jest takie proste. Zwłaszcza gdy etykiety trudno zdobyć. Ten kurs nauczy Cię optymalnego procesu monitorowania. Zapewni to, że zawsze wychwycisz awarie modeli, unikniesz zmęczenia alertami i szybko dotrzesz do źródła problemu.

<h2>Dowiedz się, jak znaleźć przyczynę problemów z wydajnością modelu</h2>

Kolejnym ważnym elementem monitorowania modeli jest analiza przyczyn źródłowych. Ten kurs pokaże, jak wykorzystywać techniki wykrywania driftu danych, aby dotrzeć do źródłowej przyczyny problemów z wydajnością modelu. Nauczysz się, jak wykorzystywać zarówno jednowymiarowe, jak i wielowymiarowe techniki wykrywania dryfu danych, aby odkrywać potencjalne przyczyny problemów z modelem.



Monitoring Machine Learning Concepts

Kurs obejmuje budowę podstawowego systemu monitorowania uczenia maszynowego w Pythonie.

Monitorowanie uczenia maszynowego w Pythonie

Ten kurs obejmuje wszystko, co musisz wiedzieć, aby zbudować podstawowy system monitorowania uczenia maszynowego w Pythonie

Inżynier uczenia maszynowego

Uczenie maszynowe w produkcji w Pythonie

Przepływ pracy CBPE i DLE

Monitorowanie uczenia maszynowego w Pythonie

Interaktywne ćwiczenie praktyczne