Інжиніринг ознак

Концепції MLOps

Folkert Stijnman

ML Engineer

Етапи MLOps: інжиніринг ознак

... це процес відбору, обробки та перетворення сирих даних на ознаки.

Дані про клієнтів

Приклад даних про клієнтів

Приклад даних про клієнтів з новою ознакою

Мета — підвищити якість моделі
Інструменти й техніки для обробки, відбору та підтримки ознак:
- Відбір ознак
- Сховище ознак (feature store)
- Контроль версій даних

Галузеві знання
Кореляція
Важливість ознак
Інші методи: уніваріантний відбір, Principal Component Analysis (PCA), Recursive Feature Elimination (RFE)

графік кореляції

¹ https://www.datacamp.com/tutorial/tutorial-datails-on-correlation

Актуально лише для великих команд, що працюють над кількома проєктами з однаковими ознаками

схема контролю версій даних і git

¹ https://www.datacamp.com/courses/cicd-for-machine-learning

Концепції MLOps