Förutsäga kunders livstidsvärde

Många företag lägger tid på att bygga modeller för att förutsäga kunders livstidsvärde (CLV) inom prenumerationsbaserade verksamheter. Det hjälper dem att prognostisera efterfrågan, intäkter och mycket annat. Modellen behöver vara relativt träffsäker, och teamet vill säkerställa att den inte behandlar vissa kundgrupper på ett orättvist sätt.

Fråga: Vilken av följande testrutinier kan teamet använda för att kontrollera om modellen behandlar alla kunder rättvist, oavsett bakgrund eller egenskaper?

Den här övningen är en del av kursen

Att utveckla maskininlärningsmodeller för produktion

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Att utveckla maskininlärningsmodeller för produktion

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Det här kapitlet ger dig de kunskaper och färdigheter som krävs för att flytta dina maskininlärningsmodeller från forsknings- och utvecklingsfasen till en produktionsmiljö. Du får lära dig om processen att gå från en forskningsprototyp till ett pålitligt, skalbart och underhållbart system.

Exercise 1: Att anta ett MLOps-tankesätt Exercise 2: Vad är en viktig aspekt av MLOps?Exercise 3: Vad är teknisk skuld?Exercise 4: Att skriva underhållbar ML-kod Exercise 5: Versionskontroll Exercise 6: Kodorganisation Exercise 7: Att skriva effektiv ML-dokumentation Exercise 8: Varför dokumentera märkningsmetoder?Exercise 9: MLOps bästa praxis

I det här kapitlet får du lära dig om vikten av reproducerbarhet inom maskininlärning och hur du säkerställer att dina modeller förblir reproducerbara och tillförlitliga över tid. Du utforskar olika tekniker och bästa praxis för att garantera reproducerbarheten hos dina modeller.

Exercise 1: Att utforma reproducerbara experiment Exercise 2: Reproducerbarhet inom ML Exercise 3: Identifiera viktiga aspekter för reproducerbarhet och tillförlitlighet Exercise 4: Sortera element för tillförlitlighet Exercise 5: Sortera aspekter av reproducerbarhet och dokumentationspraxis Exercise 6: Särdragskonstruktion Exercise 7: Klassificera mål och tekniker inom feature engineering Exercise 8: Identifiera tekniker för datamanipulering och transformation Exercise 9: Särdragsval Exercise 10: Versions hantering av data och modeller Exercise 11: Modellager Exercise 12: Versionering av träningsdata Exercise 13: Säkerställa reproducerbarhet

I kapitel 3 undersöker du de olika utmaningar som är förknippade med att driftsätta maskininlärningsmodeller i produktionsmiljöer. Du får lära dig om olika tillvägagångssätt för att driftsätta ML-modeller i produktion samt strategier för att övervaka och underhålla dem.

Exercise 1: Paketera ML-modeller Exercise 2: Målet med serialisering och containerisering Exercise 3: Ordning för modellpaketering Exercise 4: Skalbarhet Exercise 5: Skalning Exercise 6: Modellkomplexitet Exercise 7: Kategorisera skalningstekniker Exercise 8: Automatisering Exercise 9: Fördelar med kontinuerlig leverans Exercise 10: CI/CD-steg Exercise 11: Att sätta ML-modeller i produktion

I det sista kapitlet får du lära dig om olika sätt att testa maskininlärningspipelines och säkerställa att de fungerar som förväntat. Du lär dig varför testning av ML-pipelines är viktigt och vilka tekniker som används för att testa och validera dem.

Exercise 1: Modellens tillförlitlighet Exercise 2: Kategorisera teststrategier för pipelineberedskap och föråldring Exercise 3: Hantera modellföråldring i maskininlärningspipeliner Exercise 4: Testa data Exercise 5: Välj rätt test Exercise 6: Konsistenskontroll Exercise 7: Testa modeller Exercise 8: Förutsäga kunders livstidsvärde

Aktuell övning

Exercise 9: Klassificera rättvisa Exercise 10: Testa maskininlärningspipelines Exercise 11: Grattis!