Prevendo o valor do cliente ao longo da vida

Muitas empresas investem tempo na construção de modelos para prever o valor do cliente ao longo da vida (CLV) em negócios por assinatura. Elas fazem isso porque ajuda a projetar demanda, receita e por vários outros motivos. Esse modelo precisa ser relativamente preciso, e a equipe quer garantir que ele não esteja tratando de forma desigual certos grupos de clientes.

Pergunta: Qual das seguintes rotinas de teste a equipe pode usar para verificar se o modelo está tratando todos os clientes de forma justa, independentemente de sua origem ou características?

Este exercício faz parte do curso

Desenvolvendo Modelos de Machine Learning para Produção

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Desenvolvendo Modelos de Machine Learning para Produção

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Este capítulo vai fornecer as habilidades e o conhecimento necessários para levar seus modelos de Machine Learning da fase de pesquisa e desenvolvimento para um ambiente de produção. Você vai aprender sobre o processo de transformar um protótipo de pesquisa em um sistema confiável, escalável e de fácil manutenção.

Exercise 1: Adotando uma mentalidade de MLOps Exercise 2: Qual é um aspecto fundamental de MLOps?Exercise 3: O que é dívida técnica?Exercise 4: Escrevendo código de ML sustentável Exercise 5: Controle de versão Exercise 6: Organização de código Exercise 7: Escrevendo documentação de ML eficiente Exercise 8: Por que documentar métodos de rotulagem?Exercise 9: Melhores práticas de MLOps

Neste capítulo, você vai aprender sobre a importância da reprodutibilidade em Machine Learning e como garantir que seus modelos continuem reprodutíveis e confiáveis ao longo do tempo. Você vai explorar várias técnicas e boas práticas que podem ser usadas para assegurar a reprodutibilidade dos seus modelos.

Exercise 1: Projetando experimentos reproduzíveis Exercise 2: Reprodutibilidade em ML Exercise 3: Identificando aspectos essenciais para reprodutibilidade e confiabilidade Exercise 4: Classificando elementos de confiabilidade Exercise 5: Organizando Aspectos de Reprodutibilidade e Práticas de Documentação Exercise 6: Engenharia de features Exercise 7: Classificando objetivos e técnicas de Feature Engineering Exercise 8: Identificando técnicas de manipulação e transformação de dados Exercise 9: Seleção de variáveis (feature selection)Exercise 10: Versionamento de dados e modelos Exercise 11: Model store Exercise 12: Versionamento de dados de treino Exercise 13: Garantindo reprodutibilidade

No Capítulo 3, você vai analisar os diversos desafios associados à implantação de modelos de Machine Learning em ambientes de produção. Você vai aprender sobre as diferentes abordagens para implantar modelos de ML em produção e estratégias para monitorar e manter modelos de ML em produção.

Exercise 1: Empacotando modelos de ML Exercise 2: Objetivo da serialização e conteinerização Exercise 3: Ordem de empacotamento do modelo Exercise 4: Escalabilidade Exercise 5: Escalonamento Exercise 6: Complexidade do modelo Exercise 7: Categorizando técnicas de escalabilidade Exercise 8: Automação Exercise 9: Benefícios de continuous delivery Exercise 10: Etapas de CI/CD Exercise 11: Colocando modelos de ML em produção

No capítulo final, você vai aprender sobre as várias formas de testar pipelines de Machine Learning e garantir que tenham o desempenho esperado. Você vai descobrir a importância de testar pipelines de ML e conhecer técnicas para testar e validar pipelines de ML.

Exercise 1: Confiabilidade do modelo Exercise 2: Classificando estratégias de teste para prontidão e obsolescência de pipelines de ML Exercise 3: Combatendo a obsolescência do modelo em pipelines de Machine Learning Exercise 4: Testando dados Exercise 5: Escolhendo o teste certo Exercise 6: Verificação de consistência Exercise 7: Testando modelos Exercise 8: Prevendo o valor do cliente ao longo da vida

Exercício atual

Exercise 9: Classificando justiça Exercise 10: Testando pipelines de machine learning Exercise 11: Parabéns!