Rozwiązywanie problemów

Monitorowanie uczenia maszynowego w Pythonie

Hakim Elakhrass

Co-founder and CEO of NannyML

Brak działania

• Sprawdza się przy dobrze działającym systemie monitorowania
• Wymaga analizy kosztów alternatywnych i dobrego zrozumienia przypadku użycia
• Przykład: przecenianie liczby połączeń w call center

Ponowne trenowanie modelu

• Trenowanie na starych i nowych danych
  • Zwiększa odporność modelu
  • Uczy model jak największej liczby rozkładów
• Dostrajanie starego modelu na nowych danych
  • Proste dopasowanie modelu do nowych danych
  • Skuteczniejsze niż trenowanie nowego modelu od zera za każdym razem
• Ważenie danych
  • Nadawanie większej wagi najnowszym danym

Powrót do poprzedniego modelu

Zmiana procesu biznesowego

• Zmiana reguł biznesowych
• Ręczna analiza prognoz

Czas na ćwiczenia!

Monitorowanie uczenia maszynowego w Pythonie