Kurs
Monitorowanie uczenia maszynowego w Pythonie
ZaawansowanyPoziom umiejętności
Zaktualizowano 05.2025
PythonMachine Learning3 godz.11 filmów38 Ćwiczeń2,800 XP3,999Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności i fakt, że twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Dowiedz się, jak monitorować swoje modele ML w Pythonie
Monitorowanie modeli uczenia maszynowego zapewnia długoterminowy sukces Twoich projektów z zakresu uczenia maszynowego. Monitorowanie może być bardzo złożone, jednak istnieją pakiety Pythona, które pomagają nam zrozumieć, jak działają nasze modele, jakie dane uległy zmianie i mogły doprowadzić do spadku wydajności, a także dają nam wskazówki, co musimy zrobić, aby przywrócić nasze modele na właściwe tory. Ten kurs obejmuje wszystko, co musisz wiedzieć, aby zbudować podstawowy system monitorowania w Pythonie, korzystając z popularnego pakietu monitor, nannyml.Poznaj optymalny proces monitorowania
Monitorowanie modeli to nie tylko proste obliczanie wydajności modelu w środowisku produkcyjnym. Niestety, to nie jest takie proste. Zwłaszcza gdy etykiety trudno zdobyć. Ten kurs nauczy Cię optymalnego procesu monitorowania. Zapewni to, że zawsze wychwycisz awarie modeli, unikniesz zmęczenia alertami i szybko dotrzesz do źródła problemu.Dowiedz się, jak znaleźć przyczynę problemów z wydajnością modelu
Kolejnym ważnym elementem monitorowania modeli jest analiza przyczyn źródłowych. Ten kurs pokaże, jak wykorzystywać techniki wykrywania driftu danych, aby dotrzeć do źródłowej przyczyny problemów z wydajnością modelu. Nauczysz się, jak wykorzystywać zarówno jednowymiarowe, jak i wielowymiarowe techniki wykrywania dryfu danych, aby odkrywać potencjalne przyczyny problemów z modelem.Wymagania wstępne
Monitoring Machine Learning Concepts1
Przygotowanie danych i estymacja wydajności
W tym rozdziale poznasz bibliotekę NannyML i jej podstawowe funkcje. Dowiesz się, jak przygotować surowe dane, tworząc zbiory referencyjne i analityczne gotowe do monitorowania produkcyjnego. Jako praktyczny przykład przyjrzysz się przewidywaniu napiwku za przejazd taksówką w Nowym Jorku. Pod koniec rozdziału nauczysz się też, jak szacować wydajność modelu przewidywania napiwków za pomocą NannyML.
2
Monitorowanie wydajności i wartości biznesowej
W tym rozdziale poznasz kalkulatory rzeczywistej wydajności, używane gdy dostępne są etykiety docelowe. Nauczysz się bardziej zaawansowanych metod pracy z wynikami: filtrowania, tworzenia wykresów, konwersji do ramek danych, podziału na fragmenty oraz definiowania własnych progów. Na koniec zastosujesz zdobytą wiedzę do obliczenia wartości biznesowej modelu wytrenowanego na zbiorze danych dotyczącym rezerwacji hotelowych.
3
Analiza przyczyn źródłowych i rozwiązywanie problemów
Po wykryciu pogorszenia wydajności modelu rezerwacji hotelowych nauczysz się teraz identyfikować przyczyny źródłowe tego problemu. W tym rozdziale poznasz metody wykrywania dryftu wielowymiarowego i jednowymiarowego. Dowiesz się również, jak wykrywać problemy z jakością danych i jak je rozwiązywać.
Monitorowanie uczenia maszynowego w Pythonie
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Monitorowanie uczenia maszynowego w Pythonie już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności i fakt, że twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.