Прогнозування довічної цінності клієнта

Багато компаній витрачають час на побудову моделей для прогнозування довічної цінності клієнта (CLV) у бізнесі з підпискою. Вони роблять це, тому що це допомагає прогнозувати попит, дохід та багато іншого. Ця модель має бути достатньо точною, і команда хоче переконатися, що вона не ставиться несправедливо до окремих груп клієнтів.

Запитання: Яку з наведених нижче процедур тестування команда може використати, щоб перевірити, чи модель ставиться до всіх клієнтів справедливо, незалежно від їхнього походження чи характеристик?

Ця вправа є частиною курсу

Розроблення моделей машинного навчання для продакшну

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Розроблення моделей машинного навчання для продакшну

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ви отримаєте навички та знання, потрібні, щоб перевести моделі машинного навчання зі стадії досліджень і розробки до продакшн-середовища. Ви дізнаєтеся, як перейти від дослідницького прототипу до надійної, масштабованої та зручної в підтримці системи.

Exercise 1: Перехід до мислення MLOps Exercise 2: Що є ключовим аспектом MLOps?Exercise 3: Що таке технічний борг?Exercise 4: Написання підтримуваного коду ML Exercise 5: Контроль версій Exercise 6: Організація коду Exercise 7: Як писати ефективну документацію для ML Exercise 8: Навіщо документувати методи розмітки?Exercise 9: Найкращі практики MLOps

У цьому розділі ви дізнаєтеся про важливість відтворюваності в машинному навчанні та як забезпечити, щоб ваші моделі залишалися відтворюваними й надійними з часом. Ви розглянете різні методи та найкращі практики, які допоможуть гарантувати відтворюваність ваших моделей.

Exercise 1: Проєктування відтворюваних експериментів Exercise 2: Відтворюваність у ML Exercise 3: Визначення ключових аспектів відтворюваності та надійності Exercise 4: Сортування елементів надійності Exercise 5: Класифікація аспектів відтворюваності та практик документування Exercise 6: Інженерія ознак Exercise 7: Класифікація цілей і технік створення ознак Exercise 8: Визначення методів обробки та трансформації даних Exercise 9: Відбір ознак Exercise 10: Керування версіями даних і моделей Exercise 11: Сховище моделей Exercise 12: Версіонування тренувальних даних Exercise 13: Забезпечення відтворюваності

У розділі 3 ви розглянете різні виклики, пов'язані з розгортанням моделей машинного навчання в продакшн-середовищах. Ви дізнаєтеся про підходи до розгортання ML-моделей у продакшні та стратегії моніторингу й підтримки ML-моделей у продакшні.

Exercise 1: Пакування ML‑моделей Exercise 2: Мета серіалізації та контейнеризації Exercise 3: Порядок пакування моделі Exercise 4: Масштабованість Exercise 5: Масштабування Exercise 6: Складність моделі Exercise 7: Категоризація технік масштабування Exercise 8: Автоматизація Exercise 9: Переваги безперервного доставляння Exercise 10: Кроки CI/CD Exercise 11: Виведення ML-моделей у продакшен

У фінальному розділі ви вивчите різні способи тестування пайплайнів машинного навчання та перевірки, що вони працюють як очікується. Ви з'ясуєте важливість тестування ML-пайплайнів і ознайомитеся з методами тестування та валідації ML-пайплайнів.

Exercise 1: Надійність моделі Exercise 2: Класифікація стратегій тестування для готовності ML-конвеєра та його застарівання Exercise 3: Боротьба із застаріванням моделей у конвеєрах машинного навчання Exercise 4: Тестування даних Exercise 5: Вибір правильного тесту Exercise 6: Перевірка на узгодженість Exercise 7: Тестування моделей Exercise 8: Прогнозування довічної цінності клієнта

Поточна вправа

Exercise 9: Класифікація справедливості Exercise 10: Тестування конвеєрів машинного навчання Exercise 11: Вітаємо!