📊 Data Science [udemy] Тестирование и мониторинг развертываний моделей машинного обучения (2022)

[Ho Lee Fuk]

Автор: udemy

Название: Тестирование и мониторинг развертываний моделей машинного обучения (2022)

Описание:

Testing and Monitoring Machine Learning Model Deployments

udemy

Узнайте, как тестировать и отслеживать производственные модели машинного обучения.

Что такое модельное тестирование?

Вы взяли свою модель из блокнота Jupyter и переписали ее в своей производственной системе. Вы уверены, что не было ошибок при переходе из исследовательской среды в производственную систему? Как вы можете контролировать риск перед развертыванием? Модульные, интеграционные и дифференциальные тесты, специфичные для машинного обучения, помогут минимизировать риск.

Что такое мониторинг моделей?

Вы развернули свою модель в рабочей среде. Хорошо, что теперь? Это работает, как вы ожидаете? Откуда вы знаете? Отслеживая модели, мы можем проверить наличие неожиданных изменений в:

- Входящие данные
- Качество модели
- Системные операции

Когда мы думаем о науке о данных, мы думаем о том, как создавать модели машинного обучения, какой алгоритм будет более предсказательным, как спроектировать наши функции и какие переменные использовать, чтобы сделать модели более точными. Однако то, как мы собираемся на самом деле тестировать и контролировать эти модели в производственной системе, часто игнорируется. Только тогда, когда мы сможем эффективно контролировать наши производственные модели, мы сможем определить, работают ли они так, как мы ожидаем.

Зачем проходить этот курс?

Это первый и единственный онлайн-курс, на котором вы можете научиться тестировать и отслеживать модели машинного обучения. Курс всеобъемлющий, но в то же время простой для понимания. На протяжении этого курса вы изучите все шаги и методы, необходимые для эффективного профессионального тестирования и мониторинга моделей машинного обучения.

В этом курсе у вас будет под рукой последовательность шагов, которые необходимо выполнить для тестирования и мониторинга модели машинного обучения, а также шаблон проекта с полным кодом, который вы сможете адаптировать к своим моделям.

Какова структура курса?

Часть 1: Тестирование

Курс начинается с самой распространенной отправной точки для большинства специалистов по данным: ноутбука Jupyter с обученной в нем моделью машинного обучения. Мы постепенно наращиваем сложность, тестируя модель сначала в блокноте Juyter, а затем в реальной производственной кодовой базе. Практические упражнения чередуются с актуальной и действенной теорией.

Часть 2: Теневой режим

Мы объясним теорию и цель развертывания модели в теневом режиме, чтобы свести к минимуму ваш риск, и проведем вас через пример настройки проекта.

Часть 3: Мониторинг

Мы познакомим вас с теорией и практическим применением показателей и журналов мониторинга для систем машинного обучения.

Важный:

- Этот курс не охватывает развертывание модели (у нас есть отдельный курс, посвященный этой теме).

Кто инструкторы?

Мы собрали фантастическую команду, чтобы преподавать этот курс. Соле — ведущий специалист по данным в области финансов и страхования, с более чем 3-летним опытом создания и внедрения моделей машинного обучения в полевых условиях, а также множеством наград и номинаций в области ИТ. Крис — технический руководитель и инженер-программист машинного обучения с огромным опытом в создании API и развертывании моделей машинного обучения, что позволяет бизнесу извлекать максимальную выгоду из их внедрения и решений.

Для кого этот курс?

- Специалисты по данным, которые хотят знать, как тестировать и контролировать свои модели за пределами производства.
- Инженеры-программисты, которые хотят узнать о машинном обучении
- Инженеры по машинному обучению, которые хотят улучшить свои навыки тестирования и мониторинга
- Инженеры данных, желающие перейти на машинное обучение
- Любители технологий с открытым исходным кодом

Насколько продвинут этот курс?

Это курс продвинутого уровня, и он требует от вас опыта программирования на Python и git. Сколько опыта? Это зависит от того, сколько времени вы хотели бы выделить, чтобы двигаться дальше и изучать новые для вас понятия. Чтобы дать вам пример, мы будем работать со средами Python, мы будем работать с объектно-ориентированным программированием, мы будем работать с командной строкой для запуска наших скриптов и мы будем проверять код на разных этапах с помощью git. Вам не нужно быть экспертом во всех этих темах, но вам нужны разумные практические знания. Мы также много работаем с Docker, хотя мы кратко расскажем об этом инструменте.

Для тех, кто относительно плохо знаком с разработкой программного обеспечения, курс будет сложным. Мы добавили подробные конспекты лекций и ссылки, поэтому мы считаем, что те, кому не хватает некоторых предварительных требований, могут пройти курс, но имейте в виду, что вам нужно будет потратить несколько часов, чтобы прочитать незнакомые понятия. На этом этапе курс постепенно усложняется, так что вы можете видеть, как мы постепенно переходим от знакомого блокнота Jupyter к менее знакомому производственному коду, используя проектный подход, который мы считаем оптимальным для обучения. Важно, чтобы вы следовали коду, так как мы постепенно его создаем.

Все еще не уверены, подходит ли вам этот курс?

Вот несколько приблизительных рекомендаций:

Никогда раньше не писал ни строчки кода : этот курс не подходит

Никогда раньше не писал ни строчки на Python : этот курс не подходит

Никогда раньше не обучал модель машинного обучения : этот курс не подходит. В идеале вы уже построили несколько моделей машинного обучения либо на работе, либо для соревнований, либо в качестве хобби.

Никогда раньше не использовал докер . Вторая часть курса будет очень сложной. Вы должны быть готовы читать конспекты лекций и ссылки.

Вы когда-либо работали только в исследовательской среде : этот курс будет сложным, но если вы готовы прочитать о некоторых концепциях, которые мы вам покажем, курс принесет вам большую пользу.

Имейте небольшой опыт написания производственного кода : могут быть некоторые незнакомые инструменты, которые мы вам покажем, но в целом вы должны многое усвоить из курса.

Нетехнический : вы можете многому научиться только на теоретических лекциях, чтобы понять проблемы тестирования и мониторинга машинного обучения, а также жизненный цикл моделей машинного обучения. Остальная часть курса будет растягиваться.

Подводить итоги:

Этот всеобъемлющий курс, включающий более 70 лекций и 8 часов видео, охватывает все аспекты тестирования и мониторинга моделей. На протяжении всего курса вы будете использовать Python в качестве основного языка и другие технологии с открытым исходным кодом, которые позволят вам размещать и выполнять вызовы ваших моделей машинного обучения.

Мы надеемся, что вам понравится, и мы с нетерпением ждем встречи с вами на борту!

Для кого этот курс:

- Специалисты по данным, которые хотят знать, как тестировать и контролировать свои модели за пределами производства.
- Инженеры-программисты, которые хотят узнать о машинном обучении
- Инженеры по машинному обучению, которые хотят улучшить свои навыки тестирования и мониторинга
- Инженеры данных, желающие перейти на машинное обучение
- Любители технологий с открытым исходным кодом

Требования

- Удобно с Python
- Знание Scikit-Learn, Pandas, Numpy.
- Знаком с основами науки о данных
- Может использовать контроль версий Git
- Базовые знания Докера
- это продвинутый курс

Материал на английском языке

Подробнее:

Скачать:

🔒

Доступ ограничен

Авторизуйтесь, чтобы увидеть цену и получить доступ к материалам

Вход Регистрация