- 00:00 Знакомство
- 2:20 Программа
- 2:54 С чего начинается проект
- 3:13 Подготовка данных
- 3:55 Исключение рядов или столбцов с большим количеством пропусков
- 4:33 Замена особенным значением
- 5:17 Использование методов аналитики
- 6:07 Выделение аномалий
- 8:20 Преобразование данных
- 9:20 Приведение данных к числовым
- 12:44 Приведение данных к категориям
- 13:48 Инженирование признаков
- 17:58 Нормализация и регуляция
- 19:15 Почему важно понимать бизнес, в котором вы работаете
- 22:10 Коррекционный анализ
- 23:38 Выбор признаков и выделение признаков
- 26:20 Развертывание модели
- 27:30 Развертывание офлайн
- 28:11 Развертывание онлайн
- 29:29 Облачные платформы (инструменты)
- 31:28 On-premise tools
- 33:09 Версионизация модели
- 38:42 Мониторинг решения в рабочей среде
- 44:44 Data drift
- 46:41 Concept drift
- 50:50 Мониторинг ценовой функции и уверенности
- 52:30 Сравнение с опорной моделью
- 54:11 Оценка по размеченным данным
- 56:12 Интерпретация решения
- 1:02:55 Методы анализа данных
- 1:06:42 Использование легко объясняемых моделей
- 1:07:40 Техники интерпретации
- 1:20:50 Выводы
В рамках мастер-класса Андрей Латыш, инженер по машинному обучению анализу данных в Provectus и Преподаватель курса Machine Learning в Одессе, рассказывает об этапах жизненного цикла проекта машинного обучения, которые часто остаются без внимания младших специалистов.
Программа:
- Подготовка данных
- Deployment модели
- Версионизация модели
- Мониторинг модели
- Интерпретация решения
