I det här kapitlet får du en introduktion till biblioteket NannyML och dess grundläggande funktioner. Du lär dig först hur du förbereder rådata för att skapa referens- och analysdatamängder som är redo för produktionsövervakning. Som ett praktiskt exempel undersöker du hur man förutsäger drickspengar för taxiresor i New York. Mot slutet av kapitlet lär du dig också hur du estimerar prestandan hos modellen för dricksförutsägelse med hjälp av NannyML.

Vad är NannyML?

Nyckelfunktioner i NannyML

Läs in datamängden

Dataförberedelse för NannyML

Alternativ

Referensperiod 

Analysperiod

Referensperiod eller analysperiod?

Läsa in och dela upp data

Skapa referens- och analysmängd

Prestandaestimering

Ange algoritm och problemtyp

Tolka resultaten

Arbetsflöde för CBPE och DLE

Prestandauppskattning för drickspengs-prediktion

Dataförberedelse och prestandaestimering

I det här kapitlet introduceras du till kalkylatorer för realiserad prestanda, som används när verkliga utfall blir tillgängliga. Du lär dig mer avancerade metoder för att hantera resultat – bland annat filtrering, visualisering, konvertering till dataramar, chunkning och att definiera anpassade tröskelvärden. Avslutningsvis tillämpar du dessa kunskaper för att beräkna affärsvärdet av en modell tränad på hotellbokningsdatamängden.

När etiketter finns tillgängliga

När prestandauppskattningen slår fel

Jämföra estimerad och realiserad prestanda

Arbeta med beräknade och uppskattade resultat

Olika chunkning-metoder

Anpassa tröskelvärdena

Arbeta med resultat

Beräkning och uppskattning av affärsvärde

Beräkning av affärsvärde

Nedgång i monetärt värde

Affärsvärdeberäkning för hotellbokningsdatamängden

Övervaka prestanda och affärsvärde

Nu när du har identifierat prestandaförsämringen i hotellbokningsmodellen lär du dig hur du hittar den bakomliggande orsaken. I det här kapitlet introduceras du till metoder för multivariat och univariat driftdetektering. Du lär dig också hur du identifierar datakvalitetsproblem och hur du åtgärdar de underliggande problem du upptäcker.

Multivariat driftdetektering

Identifiera relevanta drifter

Drift i hotellbokningsdatasetet

Univariat driftdetektering

Univariat driftdetektering för hotellbokningsdatasetet

Rangordna de univariata resultaten

Visualisera särdrag med drift

Datakvalitet och statistiska kontroller

Datakvalitetskontroller

Sammanfattande statistik

Problemlösning

Vad är lösningen?

Ska du göra något eller inte?

Implementera ett övervakningsarbetsflöde

Grattis

Rotorsaksanalys och problemlösning

Hotel Booking Reference Dataset

Hotel Booking Analysis Dataset

Green Taxi Dataset

Att övervaka maskininlärningsmodeller är avgörande för det långsiktiga resultatet av dina maskininlärningsprojekt. Övervakning kan vara mycket komplex. Det finns dock Python-paket som hjälper dig att förstå hur dina modeller presterar, vilka data som har förändrats och som kan ha lett till försämrade resultat, samt ge dig vägledning om vad du behöver göra för att få dina modeller på rätt spår igen. Den här kursen täcker allt du behöver veta för att bygga ett grundläggande övervakningssystem i Python med hjälp av det populära paketet NannyML.


<h2>Lär dig hur du övervakar dina ML-modeller i Python</h2>

Övervakning av maskininlärningsmodeller säkerställer den långsiktiga framgången för dina maskininlärningsprojekt. Övervakning kan vara mycket komplex, men det finns Python-paket som hjälper oss att förstå hur våra modeller presterar, vilken data som har förändrats och kan ha lett till en försämring av prestandan, samt ge oss ledtrådar om vad vi behöver göra för att få våra modeller tillbaka på rätt spår. Den här kursen täcker allt du behöver veta för att bygga ett grundläggande övervakningssystem i Python, med det populära övervakningspaketet nannyml.

<h2>Förstå det optimala arbetsflödet för övervakning</h2>

Modellövervakning handlar inte bara om att helt enkelt beräkna modellprestanda i produktion. Tyvärr är det inte så enkelt. Särskilt när etiketter är svåra att få tag på. Den här kursen lär dig om det optimala arbetsflödet för övervakning. Det säkerställer att du alltid upptäcker modellfel, undviker varningströtthet och snabbt kommer till roten av problemet.

<h2>Lär dig hur du hittar grundorsaken till problem med modellprestanda</h2>

En annan viktig komponent i modellövervakning är rotorsaksanalys. Den här kursen går på djupet med hur du använder tekniker för att upptäcka datadrift för att hitta grundorsaken till problem med modellprestanda. Du kommer att lära dig hur du använder både univariata och multivariata tekniker för att upptäcka datadrift för att identifiera potentiella grundorsaker till problem med modellen.



Monitoring Machine Learning Concepts

Denna kurs täcker allt du behöver för att bygga ett grundläggande övervakningssystem för maskininlärning i Python.

Övervakning av maskininlärning i Python

Den här kursen täcker allt du behöver veta för att bygga ett grundläggande övervakningssystem för maskininlärning i Python

Maskininlärningsingenjör

Maskininlärning i produktion i Python

Arbetsflöde för CBPE och DLE

Övervakning av maskininlärning i Python

Interaktiv övning med praktiskt arbete