Прогнозирование пожизненной ценности клиента

Многие компании вкладывают значительные усилия в разработку моделей для прогнозирования пожизненной ценности клиента (CLV) в подписочном бизнесе. Такие модели помогают прогнозировать спрос, выручку и решать множество других задач. Модель должна быть достаточно точной, а команда хочет убедиться, что она не относится к определённым группам клиентов несправедливо.

Вопрос: Какую из перечисленных процедур тестирования команда может использовать, чтобы проверить, относится ли модель ко всем клиентам справедливо, независимо от их происхождения или характеристик?

Это упражнение является частью курса

Разработка моделей машинного обучения для продакшена

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Разработка моделей машинного обучения для продакшена

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

В этой главе вы получите навыки и знания, необходимые для перевода моделей машинного обучения из фазы исследования и разработки в производственную среду. Вы познакомитесь с процессом перехода от исследовательского прототипа к надёжной, масштабируемой и удобной в сопровождении системе.

Exercise 1: Переход к мышлению в парадигме MLOps Exercise 2: Что является ключевым аспектом MLOps?Exercise 3: Что такое технический долг?Exercise 4: Написание поддерживаемого кода для МО Exercise 5: Контроль версий Exercise 6: Организация кода Exercise 7: Написание эффективной документации для ML Exercise 8: Зачем документировать методы разметки?Exercise 9: Лучшие практики MLOps

В этой главе вы узнаете о важности воспроизводимости в машинном обучении и о том, как обеспечить стабильную воспроизводимость моделей на протяжении всего их жизненного цикла. Вы изучите различные техники и лучшие практики, которые помогут гарантировать воспроизводимость ваших моделей.

Exercise 1: Проектирование воспроизводимых экспериментов Exercise 2: Воспроизводимость в машинном обучении Exercise 3: Ключевые аспекты воспроизводимости и надёжности Exercise 4: Классификация элементов надёжности Exercise 5: Сортировка аспектов воспроизводимости и практик документирования Exercise 6: Конструирование признаков Exercise 7: Классификация целей и методов разработки признаков Exercise 8: Определение методов обработки и преобразования данных Exercise 9: Отбор признаков Exercise 10: Версионирование данных и моделей Exercise 11: Хранилище моделей Exercise 12: Версионирование обучающих данных Exercise 13: Обеспечение воспроизводимости

В третьей главе вы рассмотрите основные сложности, связанные с развёртыванием моделей машинного обучения в производственных средах. Вы познакомитесь с различными подходами к развёртыванию ML-моделей, а также со стратегиями мониторинга и сопровождения моделей в продакшене.

Exercise 1: Упаковка ML-моделей Exercise 2: Цель сериализации и контейнеризации Exercise 3: Порядок упаковки модели Exercise 4: Масштабируемость Exercise 5: Масштабирование Exercise 6: Сложность модели Exercise 7: Классификация методов масштабирования Exercise 8: Автоматизация Exercise 9: Преимущества непрерывной доставки Exercise 10: Шаги CI/CD Exercise 11: Вывод моделей машинного обучения в продакшн

В заключительной главе вы узнаете о различных способах тестирования ML-пайплайнов и проверки их корректной работы. Вы поймёте, почему тестирование пайплайнов так важно, и освоите техники их тестирования и валидации.

Exercise 1: Надёжность модели Exercise 2: Классификация стратегий тестирования: готовность и устаревание ML-пайплайна Exercise 3: Устранение устаревания модели в пайплайнах машинного обучения Exercise 4: Тестирование данных Exercise 5: Выбор подходящего теста Exercise 6: Проверка согласованности Exercise 7: Тестирование моделей Exercise 8: Прогнозирование пожизненной ценности клиента

Текущее упражнение

Exercise 9: Классификация справедливости Exercise 10: Тестирование конвейеров машинного обучения Exercise 11: Поздравляем!