Gratulacje

Monitorowanie uczenia maszynowego w Pythonie

Hakim Elakhrass

Co-founder and CEO of NannyML

Podsumowanie rozdziału 1

• Podstawy biblioteki NannyML
• Przygotowanie danych dla zbioru NYC Green Taxi
• Szacowanie wydajności za pomocą CBPE i DLE

Podsumowanie rozdziału 2

• Pomiar wydajności przy dostępnych danych rzeczywistych
• Filtrowanie, wizualizacja i konwersja formatu ramki wyników
• Zrozumienie podziału na fragmenty i progów
• Obliczanie i szacowanie wartości biznesowej modelu

Podsumowanie rozdziału 3

• Wielowymiarowe wykrywanie dryfu
• Testowanie różnych metod jednowymiarowego wykrywania dryfu
• Korzystanie z kalkulatorów kontroli jakości danych
• Poznanie metod rozwiązywania problemów

Co dalej?

• Zapoznanie się z blogiem NannyML w poszukiwaniu samouczków
• Dokumentacja NannyML jako źródło dodatkowych informacji
• Dodatkowe kursy z zakresu cyklu życia modeli ML i MLOps
• Eksperymenty z projektami praktycznymi z wykorzystaniem NannyML

Dziękujemy!

Monitorowanie uczenia maszynowego w Pythonie