Bir izleme iş akışı uygulama

Kurs boyunca izleme iş akışını öğrendin. İlk adım performans izlemedir. Olumsuz değişimler varsa, sonraki adımlar, performans düşüşüne sapmanın yol açıp açmadığını anlamak için çok değişkenli sapma tespiti ve ardından tek değişkenli sapma tespitiyle tek tek özelliklerdeki nedeni belirlemektir. İnceleme sonuçları geldiğinde, sorunu çözmek için adımlar atabilirsin.

Bu bilgiyi pekiştirmek için, bu egzersizde bu süreci US Consensus veri kümesine uygulayacaksın. Başvuru ve analiz veri kümeleri önceden yüklüdür ve CBPE estimator, tek değişkenli hesaplayıcı uv_calc ve özellik sapması sıralaması için bir alert_count_rankera erişimin var.

Bu egzersiz

Python ile Machine Learning İzleme

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile Machine Learning İzleme

kursunun bir parçasıdır

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

In this chapter, you will be introduced to the NannyML library and its fundamental functions. Initially, you will learn the process of preparing raw data to create reference and analysis sets ready for production monitoring. As a practical example, you will investigate predicting the tip amount for taxi rides in New York. Toward the end of the chapter, you will also discover how to estimate the performance of the tip prediction model using NannyML.

Exercise 1: What is NannyML?Exercise 2: Key features of NannyML Exercise 3: Load the dataset Exercise 4: Data preparation for NannyML Exercise 5: Reference or analysis period?Exercise 6: Loading and splitting the data Exercise 7: Creating reference and analysis set Exercise 8: Performance estimation Exercise 9: Specify the algorithm and problem type Exercise 10: Interpreting results Exercise 11: CBPE and DLE workflow Exercise 12: Performance estimation for tip prediction

In this chapter, you will be introduced to realized performance calculators used when ground truth becomes available. You will learn about the more advanced methods for handling results, including filtering, plotting, converting them to data frames, chunking, and establishing custom thresholds. Lastly, you'll apply this knowledge to calculate the business value of a model trained on the hotel booking dataset.

Exercise 1: When labels are available Exercise 2: When performance estimation is off Exercise 3: Comparing estimated and realized performance Exercise 4: Working with calculated and estimated results Exercise 5: Different chunking methods Exercise 6: Modifying the thresholds Exercise 7: Interacting with results Exercise 8: Business value calculation and estimation Exercise 9: Business value calculation Exercise 10: Drop in monetary value Exercise 11: Business calculation for hotel booking dataset

Having detected the performance degradation in the hotel booking model, you will now learn how to identify the underlying issue causing it. In this chapter, you will be introduced to multivariate and univariate drift detection methods. You will also learn how to identify data quality issues and how to address the underlying problems you detect.

Exercise 1: Çok değişkenli sürüklenme tespiti Exercise 2: İlgili kaymaları belirleme Exercise 3: Otel rezervasyonu veri kümesinde kayma (drift)Exercise 4: Tek değişkenli kayma tespiti Exercise 5: Otel rezervasyonu veri kümesi için tek değişkenli kayma tespiti Exercise 6: Tek değişkenli sonuçları sıralama Exercise 7: Drift eden özellikleri görselleştirme Exercise 8: Veri kalitesi ve istatistik kontrolleri Exercise 9: Veri kalitesi kontrolleri Exercise 10: Özet istatistikleri Exercise 11: Sorun çözümü Exercise 12: Çözüm nedir?Exercise 13: Hiçbir şey yapmalı mısın, yapmamalı mısın?Exercise 14: Bir izleme iş akışı uygulama

Geçerli Egzersiz

Exercise 15: Tebrikler