Bu bölümde NannyML kütüphanesi ve temel işlevleriyle tanışacaksın. Önce, ham veriyi üretim izlemeye hazır başvuru ve analiz setlerine dönüştürme sürecini öğreneceksin. Uygulamalı bir örnek olarak, New York’taki taksi yolculuklarında bahşiş tutarını tahmin etmeyi inceleyeceksin. Bölümün sonunda, NannyML kullanarak bahşiş tahmin modeli performansını nasıl tahmin edeceğini de keşfedeceksin.

NannyML nedir?

NannyML'in temel özellikleri

Veri kümesini yükle

NannyML için veri hazırlama

Seçenekler

Referans dönemi

Analiz dönemi

Referans mı analiz dönemi mi?

Veriyi yükleme ve bölme

Referans ve analiz kümesi oluşturma

Performans tahmini

Algoritmayı ve problem türünü belirt

Sonuçları yorumlama

CBPE ve DLE iş akışı

Bahşiş tahmini için performans kestirimi

Veri Hazırlama ve Performans Tahmini

Bu bölümde, gerçek etiketler elde edildiğinde kullanılan gerçekleşen performans hesaplayıcılarıyla tanışacaksın. Sonuçları ele almak için filtreleme, görselleştirme, veri çerçevelerine dönüştürme, parçalara ayırma (chunking) ve özel eşikler belirleme gibi daha ileri yöntemleri öğreneceksin. Son olarak, bu bilgiyi otel rezervasyonu veri kümesi üzerinde eğitilmiş bir modelin iş değerini hesaplamak için uygulayacaksın.

Etiketler mevcut olduğunda

Performans tahmini şaştığında

Tahmini ve gerçekleşen performansı karşılaştırma

Hesaplanmış ve tahmini sonuçlarla çalışmak

Farklı parçalara ayırma (chunking) yöntemleri

Eşikleri değiştirme

Sonuçlarla etkileşim

İş değeri hesaplama ve tahmin

İş değeri hesaplama

Parasal değerde düşüş

Otel rezervasyonu veri kümesi için iş değeri hesabı

Performans ve İş Değerinin İzlenmesi

Otel rezervasyonu modelindeki performans düşüşünü tespit ettikten sonra, şimdi buna neden olan temel sorunu nasıl belirleyeceğini öğreneceksin. Bu bölümde çok değişkenli ve tek değişkenli sürüklenme (drift) tespit yöntemlerine giriş yapacaksın. Ayrıca veri kalitesi sorunlarını nasıl belirleyeceğini ve saptadığın temel problemleri nasıl ele alacağını öğreneceksin.

Çok değişkenli sürüklenme tespiti

İlgili kaymaları belirleme

Otel rezervasyonu veri kümesinde kayma (drift)

Tek değişkenli kayma tespiti

Otel rezervasyonu veri kümesi için tek değişkenli kayma tespiti

Tek değişkenli sonuçları sıralama

Drift eden özellikleri görselleştirme

Veri kalitesi ve istatistik kontrolleri

Veri kalitesi kontrolleri

Özet istatistikleri

Sorun çözümü

Çözüm nedir?

Hiçbir şey yapmalı mısın, yapmamalı mısın?

Bir izleme iş akışı uygulama

Tebrikler

Kök Neden Analizi ve Sorun Giderme

Hotel Booking Reference Dataset

Hotel Booking Analysis Dataset

Green Taxi Dataset

Machine Learning modellerini izlemek, projelerinin uzun vadeli başarısını garanti eder. İzleme oldukça karmaşık olabilir. Ancak, modellerimizin nasıl performans gösterdiğini anlamamıza, performans düşüşüne yol açmış olabilecek veri değişimlerini saptamamıza ve modellerimizi yeniden doğru yola sokmak için neler yapmamız gerektiğine dair ipuçları sunan Python paketleri var. Bu kurs, popüler izleme paketi nannyml’yi kullanarak Python’da temel bir izleme sistemi kurmak için bilmen gereken her şeyi kapsar.


<h2>Python'da ML modellerinizi nasıl izleyeceğinizi öğrenin</h2>

Makine öğrenimi modellerini izlemek, makine öğrenimi projelerinizin uzun vadeli başarısını garanti eder. İzleme çok karmaşık olabilir, ancak modellerimizin nasıl çalıştığını, performans düşüşüne neden olabilecek hangi verilerin değiştiğini anlamamıza yardımcı olan ve modellerimizi tekrar rayına oturtmak için ne yapmamız gerektiğine dair ipuçları veren Python paketleri mevcuttur. Bu kurs, popüler monitör paketi nannyml kullanarak Python'da temel bir izleme sistemi oluşturmak için bilmeniz gereken her şeyi kapsar.

<h2>Optimum izleme iş akışını anlayın</h2>

Model izleme, sadece üretimdeki model performansını hesaplamakla sınırlı değildir. Maalesef, bu o kadar kolay değil. Özellikle etiketleri bulmak zor olduğunda. Bu kurs size en uygun izleme iş akışını öğretecektir. Bu, model hatalarını her zaman yakalamanızı, uyarı yorgunluğunu önlemenizi ve sorunun kaynağına hızlı bir şekilde ulaşmanızı sağlayacaktır.

<h2>Model performans sorunlarının temel nedenini bulmayı öğrenin</h2>

Modelleme izlemede bir diğer önemli bileşen ise kök neden analizidir. Bu kurs, model performans sorunlarının temel nedenini bulmak için veri sapma algılama tekniklerinin nasıl kullanılacağını ele alacaktır. Model sorunlarının olası temel nedenlerini ortaya çıkarmak için tek değişkenli ve çok değişkenli veri sapma algılama tekniklerini nasıl kullanacağınızı öğreneceksiniz.




Monitoring Machine Learning Concepts

Bu kurs, Python'da temel bir makine öğrenimi izleme sistemi oluşturmayı öğretir.

Python ile Machine Learning İzleme

Bu kurs, Python'da temel bir makine öğrenimi izleme sistemi oluşturmak için bilmeniz gereken her şeyi kapsar.

Makine Öğrenimi Mühendisi

Üretimde makine öğrenmesi Python'da

CBPE ve DLE iş akışı

Python ile Machine Learning İzleme

Uygulamalı etkileşimli egzersiz