Ar trebui să nu faci nimic sau nu?

Să ne imaginăm o companie imobiliară care cumpără case la prețuri corecte, le renovează și apoi le vinde la prețuri mai mari.

În ultima perioadă, modelul a supraestimat câteva prețuri, ceea ce a dus la reduceri mari ale profitului. Asta înseamnă că predicțiile modelului au un impact semnificativ asupra rezultatelor financiare ale companiei.

Este o soluție viabilă să nu faci nimic în acest scenariu și de ce?

Acest exercițiu face parte din cursul

Monitorizarea Machine Learning în Python

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Monitorizarea Machine Learning în Python

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol vei face cunoștință cu biblioteca NannyML și cu funcțiile sale de bază. Vei învăța cum să pregătești datele brute pentru a crea seturi de referință și de analiză, gata pentru monitorizarea în producție. Ca exemplu practic, vei analiza predicția valorii bacșișului pentru curse de taxi în New York. Spre finalul capitolului, vei descoperi și cum să estimezi performanța modelului de predicție folosind NannyML.

Exercise 1: Ce este NannyML?Exercise 2: Funcționalitățile cheie ale NannyML Exercise 3: Încarcă setul de date Exercise 4: Pregătirea datelor pentru NannyML Exercise 5: Perioadă de referință sau de analiză?Exercise 6: Încărcarea și împărțirea datelor Exercise 7: Crearea setului de referință și a setului de analiză Exercise 8: Estimarea performanței Exercise 9: Specifică algoritmul și tipul de problemă Exercise 10: Interpretarea rezultatelor Exercise 11: Fluxul de lucru CBPE și DLE Exercise 12: Estimarea performanței pentru predicția bacșișului

În acest capitol vei face cunoștință cu calculatoarele de performanță realizată, utilizate atunci când etichetele reale devin disponibile. Vei învăța metode mai avansate de gestionare a rezultatelor: filtrare, vizualizare, conversie în cadre de date, segmentare în chunk-uri și definirea de praguri personalizate. La final, vei aplica aceste cunoștințe pentru a calcula valoarea de business a unui model antrenat pe setul de date privind rezervările hoteliere.

Exercise 1: Când etichetele sunt disponibile Exercise 2: Când estimarea performanței nu este precisă Exercise 3: Compararea performanței estimate cu cea realizată Exercise 4: Lucrul cu rezultate calculate și estimate Exercise 5: Metode diferite de segmentare Exercise 6: Modificarea pragurilor Exercise 7: Interacțiunea cu rezultatele Exercise 8: Calculul și estimarea valorii de business Exercise 9: Calculul valorii de business Exercise 10: Scăderea valorii monetare Exercise 11: Calculul valorii de business pentru setul de date de rezervări hoteliere

După ce ai detectat degradarea performanței modelului pentru rezervări hoteliere, vei învăța acum cum să identifici cauza problemei. În acest capitol vei fi introdus în metodele de detectare a driftului multivariat și univariat. Vei învăța, de asemenea, cum să identifici probleme de calitate a datelor și cum să rezolvi problemele detectate.

Exercise 1: Detecția derivei multivariate Exercise 2: Identificarea drifturilor relevante Exercise 3: Driftul în setul de date pentru rezervări hoteliere Exercise 4: Detecția driftului univariat Exercise 5: Detectarea driftului univariat pentru setul de date privind rezervările hoteliere Exercise 6: Clasificarea rezultatelor univariate Exercise 7: Vizualizarea caracteristicilor cu drift Exercise 8: Verificări ale calității datelor și statistice Exercise 9: Verificări ale calității datelor Exercise 10: Statistici sumare Exercise 11: Rezolvarea problemelor Exercise 12: Care este soluția?Exercise 13: Ar trebui să nu faci nimic sau nu?

Exercițiul curent

Exercise 14: Implementarea unui flux de monitorizare Exercise 15: Felicitări