İlk bölüm, işletmelerin üretimde machine learning modellerini neden izlemesi gerektiğini açıklayacak. İdeal izleme iş akışını ve yer alan adımları öğrenecek, ayrıca izleme sistemlerinin üretimde karşılaşabileceği bazı zorlukları göreceksin.

Modelini neden izlemen gerekir

Modeller neden başarısız olur?

İzleme sistemlerinin faydaları

İdeal izleme iş akışı

KPI'ları izlemenin önemi

Gerçek yaşam senaryosunda izleme iş akışı

ML modellerini izleme zorlukları

Gecikmeli ground truth

Covariate shift vs concept drift

ML İzleme nedir

2. Bölümde, güvenilir bir izleme sisteminde performans izlemenin temel önemini keşfedeceksin. Gerçek dünya üretim ortamlarında karşılaşılan yaygın zorlukları, örneğin gerçek değerin (ground truth) erişilebilirliğini inceleyeceğiz. Bölümün sonunda, gerçek değer verisi geciktiğinde veya olmadığında performans kestirim algoritmalarını kullanarak durumu nasıl yöneteceğini bileceksin.

Teknik performansı doğrudan izleme

Neden önce performans?

Farklı ortak değişken kaymaları

Gerçek etiketlerin erişilebilirliği

Performans kestirimi gerekli mi?

Üretimde performans izleme

Performans kestirimi

CBPE ile ilgili dikkat noktaları

Üretimde performans tahmini

Performans tahmini için algoritmalar

İzlemenin Kuramsal Kavramları

Artık üretimdeki covariate shift ve concept drift'in temellerini bildiğine göre, biraz daha derine inelim. Bu bölümün sonunda, bunları gerçek dünya senaryolarında tespit etmenin ve ele almanın farklı yollarını bileceksin.

Covariate shift nedir?

Değiştirilen özellikler

Drift tespit yöntemi

Değişken kaymasını nasıl tespit edersin

Hafif değişiklikler

Seçenekler

Doğru

Yanlış

Farklı yöntemler

Concept drift nedir?

Concept drift türü

Concept drift ve covariate shift etkileşimi

Concept drift ile nasıl başa çıkılır?

Gerçek zamanlı uyum

Options

True

False

Concept drift tespiti ve çözümü

Kapanış

Covariate Shift ve Concept Drift Tespiti

Machine Learning modellerinin uzun vadeli başarısını sağlamak için, üretimde onları etkili bir şekilde nasıl izleyeceğini anlamak çok önemlidir. Machine Learning iş dünyasında daha yaygın benimsendikçe, dağıtım sonrası veri bilimi önemli bir alan olarak öne çıkıyor. Bu kurs, iş değerini korumak, başarısızlık riskini azaltmak ve görünürlüğü artırmak için üretimde machine learning sistemlerini izlemeyle ilgili tüm temel kavramları kapsar.

<h2> Makine Öğrenmesi İzleme Kavramları</h2>
Makine öğrenmesi modelleri, gerçek dünyadaki kararları giderek daha fazla etkilemektedir. Bu modellerin izlenmesi, başarısızlıkların önlenmesi ve şirketiniz için iş değeri sağlamaya devam etmeleri açısından gereklidir. Bu kurs, modellerinizi üretimde izlemek için sağlam bir izleme sistemi oluşturmanın temel kavramlarını size tanıtacaktır.
<br><br>
<h2>Mükemmel İzleme İş Akışını Keşfedin</h2>
Kurs, üretimde izlemeye nereden başlanacağına ve süreçlerin bunun etrafında nasıl yapılandırılacağına dair bir yol haritası ile başlar. Temel iş akışını, sorunları nasıl tespit edeceğinizi, temel nedenleri nasıl belirleyeceğinizi ve bunları gerçek dünya örnekleriyle nasıl çözeceğinizi göstererek ele alacağız.
<br><br>
<h2>Üretimde Modellerin İzlenmesindeki Zorlukları Keşfedin</h2>
Bir modeli üretime almak, model yaşam döngüsünün yalnızca başlangıcıdır. Geliştirme aşamasında iyi sonuç verse bile, sürekli değişen üretim verileri nedeniyle başarısız olabilir. Bu kurs kapsamında, özellikle gerçek veri olmadığında bir modelin performansını izlemenin zorluklarını keşfedeceksiniz.
<br><br>
<h2> Kovaryat Kayması ve Kavramsal Sürüklenmeyi Ayrıntılı Olarak Anlayın</h2>
Bu kursun son bölümünde, sessiz model hatasının iki türüne odaklanılacaktır. Farklı türdeki kovaryat kaymalarını ve kavram kaymasını, bunların model performansı üzerindeki etkilerini ve bunları nasıl tespit edip önleyebileceğinizi ayrıntılı olarak anlayacaksınız.

MLOps Concepts

Supervised Learning with scikit-learn

Üretimdeki makine öğrenimi modellerini izleme zorluklarını ve model bozulmasını ele alma yöntemlerini öğrenin.

Machine Learning İzleme Kavramları

Discover challenges in monitoring makine öğrenmesi modelleri üretimde: veri ve kavram kayması, model bozulmasını önleme yöntemleri.

Makine Öğrenimi Mühendisi

Üretimde Makine Öğrenimi Python'da

Çok değişkenli kayma tespit yöntemi, covariate shift'i belirlemek için ortak dağılımdaki değişimleri ölçer

Jensen–Shannon uzaklığı, benzerliği KL ayrışımı kullanarak ölçer

Kolmogorov–Smirnov yöntemi yanlış pozitif uyarılar üretebilir

Ki-kare testi ve L-infinity yöntemi hem sürekli hem de kategorik özellikler için çalışır

Çok değişkenli kayma tespitinde kullanılan PCA algoritması, daha iyi analiz için veriyi daha yüksek boyuta genişletir

Farklı yöntemler

Machine Learning İzleme Kavramları

Uygulamalı etkileşimli egzersiz