Quan sát mô hình Machine Learning
Các kỹ năng nhận được
- Model Evaluation
- Performance Metrics Tracking
- Model Explainability
- Data Quality Management
- Data Drift Detection
Nội dung
1️⃣ Giới thiệu về Model Evaluation
2️⃣ Giới thiệu về Model Explainability
3️⃣ Giới thiệu về Drift Detection
4️⃣ Giới thiệu về Data Quality Management
5️⃣ Giới thiệu về Fairness and Bias Tracing
6️⃣ Sử dụng các thư viện để Quan sát mô hình
Đối tượng
🤚🤚 Là những bạn chưa biết gì về các loại Quan sát mô hình
👩💻🧑💻 Là những bạn đang làm DA, DS từng học Quan sát mô hình nhưng muốn tìm hiểu sâu thêm kiến thức sử dụng các model dạng Tree hay Deep Learning
Lợi ích
✅️ Được giải đáp thắc mắc trong quá trình học
✅️ Được nhận chia sẻ nội dung mới có liên quan đến Quan sát mô hình
✅️ Nhận được sách về Quan sát mô hình được viết bởi mình
✅️ Được ưu đãi những khóa học tiếp theo
Thông tin đăng kí
📝 Liên hệ Facebook
Nội dung chi tiết
Nội dung 1: Model Evaluation
- Basic metrics
- classification
- regression
- ranking
- timeseries
- Domain specific metrics
- nlp
- computer vision
- audio
- Model Selection
- Cross Validation(Kfold, Stratified Kfold, Leave One Out)
- Boostrap
- Timesplit
- Model selection
Nội dung 2: Model Explanation
- Model agnostic (Phương pháp giải thích độc lập với mô hình)
- Model Specific (Phương pháp giải thích theo từng loại mô hình)
- Local Method(Theo từng instance)
- Global Method(Theo toàn bộ dữ liệu)
Nội dung 3: Drift Detection
- Drift Detection là gì
- Phát hiện Drift sử dụng phương pháp thống kê
- Phát hiện Drift dựa vào phương pháp máy học
- Monitor drift như thế nào
- Handle drift như thế nào
Nội dung 4: Data Quality Management
- Tại sao cần quản lý chất lượng dữ liệu?
- Các chiều chất lượng dữ liệu
- Phát hiện Anomaly sử dụng phương pháp thống kê / Máy học
- Data lineage và tracking
- Data testing
- Noise và Bias Detection
Nội dung 5: Fairness and Bias Tracing
- Tại sao cần phát hiện và xử lý bias?
- Fairness metrics
- Bias detection sử dùng SHAP, LIME
- Bias Mitigation