Поздравляем!

Мониторинг машинного обучения на Python

Hakim Elakhrass

Co-founder and CEO of NannyML

Итоги главы 1

  • Основы библиотеки NannyML
  • Подготовка данных на основе набора NYC Green Taxi
  • Оценка производительности с помощью CBPE и DLE
Мониторинг машинного обучения на Python

Итоги главы 2

  • Измерение производительности при наличии истинных меток
  • Фильтрация, визуализация и преобразование формата результирующего датафрейма
  • Понятие чанкинга и пороговых значений
  • Расчёт и оценка бизнес-ценности модели

На изображении показан процесс мониторинга с выделенным блоком мониторинга производительности.

Мониторинг машинного обучения на Python

Итоги главы 3

  • Многомерное обнаружение дрейфа данных
  • Применение различных одномерных методов обнаружения дрейфа
  • Использование калькуляторов проверки качества данных
  • Методы устранения выявленных проблем

На изображении показан процесс мониторинга с выделенными блоками автоматического анализа первопричин и устранения проблем.

Мониторинг машинного обучения на Python

Что дальше?

  • Изучите блог NannyML с обучающими материалами
  • Обратитесь к документации NannyML за подробной информацией
  • Рассмотрите дополнительные курсы по жизненному циклу ML-моделей и MLOps
  • Экспериментируйте с практическими проектами и применяйте NannyML
Мониторинг машинного обучения на Python

Спасибо!

Мониторинг машинного обучения на Python

Preparing Video For Download...