- 00:00 Знайомство
- 2:20 Програма
- 2:54 З чого починається проект
- 3:13 Підготовка даних
- 3:55 Виняток рядів або стовбців з великою кількістю пропусків
- 4:33 Заміна особливим значенням
- 5:17 Використання методів аналітики
- 6:07 Виділення аномалій
- 8:20 Перетворення даних
- 9:20 Приведення даних до числових
- 12:44 Приведення даних до категорій
- 13:48 Інженерування ознак
- 17:58 Нормалізація і регуляція
- 19:15 Чому важливо розуміти бізнес, в якому ви працюєте
- 22:10 Корекційний аналіз
- 23:38 Вибір ознак і виділення ознак
- 26:20 Розгортання моделі
- 27:30 Розгортання офлайн
- 28:11 Розгортання онлайн
- 29:29 Хмарні платформи (інструменти)
- 31:28 On-premise tools
- 33:09 Версіонізація моделі
- 38:42 Моніторинг рішення в робочому середовищі
- 44:44 Data drift
- 46:41 Concept drift
- 50:50 Моніторинг цінової функції і впевненості
- 52:30 Порівняння з опорної моделлю
- 54:11 Оцінка по розміченим даним
- 56:12 Інтерпретація рішення
- 1:02:55 Методи аналізу даних
- 1:06:42 Використання легко пояснювальних моделей
- 1:07:40 Техніки інтерпретації
- 1:20:50 Висновки
В рамках майстер-класу Андрій Латиш, інженер по машинному навчанню аналізу даних в Provectus і Викладач курсу Machine Learning в Одесі, розповідає про етапи життєвого циклу проекту машинного навчання, які часто залишаються поза увагою молодших спеціалістів.
Програма:
- Підготовка даних
- Deployment моделі
- Версіонізація моделі
- Моніторинг моделі
- Інтерпретація рішення
