Monitoramento de conceitos de machine learning
Conheça os desafios de monitorar modelos de ML em produção, como deriva de dados e conceito, e métodos para resolver.
Comece O Curso Gratuitamente2 horas11 vídeos33 exercícios2.108 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Conceitos de monitoramento de machine learning
Os modelos de machine learning influenciam cada vez mais decisões no mundo real. Esses modelos precisam ser monitorados para evitar falhas e garantir que forneçam valor comercial à sua empresa. Este curso apresentará a você os conceitos fundamentais da criação de um sistema de monitoramento robusto para seus modelos em produção.Descubra o fluxo de trabalho de monitoramento ideal
O curso começa com o plano de onde começar o monitoramento na produção e como estruturar os processos em torno dele. Cobriremos o fluxo de trabalho básico, mostrando a você como detectar os problemas, identificar as causas principais e resolvê-los com exemplos do mundo real.Explore os desafios de monitorar modelos na produção
A implantação de um modelo em produção é apenas o início do ciclo de vida do modelo. Mesmo que tenha um bom desempenho durante o desenvolvimento, ele pode falhar devido à mudança contínua dos dados de produção. Neste curso, você explorará as dificuldades de monitorar o desempenho de um modelo, especialmente quando não há verdade fundamental.Entenda em detalhes a mudança de covariável e o desvio de conceito
A última parte deste curso se concentrará em dois tipos de falha de modelo silencioso. Você entenderá detalhadamente os diferentes tipos de mudanças de covariáveis e desvios de conceito, sua influência no desempenho do modelo e como detectá-los e evitá-los.Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para cientistas de dados
Ir para a trilhaEngenheiro de aprendizado de máquina
Ir para a trilhaAprendizado de máquina na produção em Python
Ir para a trilha- 1
O que é o monitoramento ML
GratuitoO primeiro capítulo explicará por que as empresas precisam monitorar seus modelos de machine learning na produção. Você aprenderá sobre o fluxo de trabalho de monitoramento ideal e as etapas envolvidas, bem como alguns dos desafios que os sistemas de monitoramento podem enfrentar na produção.
Por que você precisa monitorar seu modelo50 xpPor que os modelos falham?50 xpOs benefícios dos sistemas de monitoramento50 xpO fluxo de trabalho de monitoramento ideal50 xpA importância de monitorar KPIs50 xpFluxo de trabalho de monitoramento ideal100 xpMonitoramento do fluxo de trabalho em um cenário real100 xpDesafios do monitoramento dos modelos ML50 xpVerdade terrestre atrasada100 xpMudança de covariável vs. mudança de conceito100 xp - 2
Conceitos teóricos de monitoramento
No Capítulo 2, você descobrirá a importância fundamental do monitoramento de desempenho em um sistema de monitoramento confiável. Exploraremos os desafios comuns enfrentados em ambientes de produção do mundo real, como a disponibilidade da verdade terrestre. Ao final do capítulo, você saberá como lidar com situações em que os dados da verdade terrestre estão atrasados ou ausentes, usando algoritmos de estimativa de desempenho.
Monitoramento direto do desempenho técnico50 xpPor que o desempenho em primeiro lugar?50 xpDiferentes mudanças de covariáveis50 xpDisponibilidade da verdade básica50 xpÉ necessária uma estimativa de desempenho?50 xpMonitoramento de desempenho na produção100 xpEstimativa de desempenho50 xpCBPE considerações50 xpEstimativa de desempenho na produção50 xpAlgoritmos para estimativa de desempenho100 xp - 3
Mudança de covariável e detecção de desvio de conceito
Agora que você conhece os conceitos básicos de mudança de covariável e desvio de conceito na produção, vamos nos aprofundar um pouco mais. Ao final deste capítulo, você conhecerá as diferentes maneiras de detectar e lidar com eles em cenários reais.
O que é mudança de covariável?50 xpRecursos trocados50 xpMétodo de detecção de desvio50 xpComo detectar a mudança de covariável50 xpMudanças sutis50 xpMétodos diferentes100 xpO que é mudança de conceito?50 xpTipo de desvio de conceito50 xpDesvio de conceito e interação de mudança de covariável50 xpComo lidar com a mudança de conceito?50 xpAdaptação em tempo real50 xpDetecção e resolução de desvios de conceito100 xpResumo50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para cientistas de dados
Ir para a trilhaEngenheiro de aprendizado de máquina
Ir para a trilhaAprendizado de máquina na produção em Python
Ir para a trilhacolaboradores
Hakim Elakhrass
Ver MaisCo-founder and CEO of NannyML
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Monitoramento de conceitos de machine learning hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.