Классификация справедливости

Это упражнение посвящено понятиям индивидуальной и групповой справедливости в моделях машинного обучения. Вам будет предложено шесть различных примеров, которые нужно перетащить в соответствующие категории: «Индивидуальная справедливость» или «Групповая справедливость».

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 Exercise 9: Классификация справедливости

Текущее упражнение

Exercise 10: Тестирование конвейеров машинного обучения Exercise 11: Поздравляем!