Мы обсуждали, как завершить рабочий процесс Data Science в предыдущих главах. В этом процессе есть определенные аспекты, которые, как правило, подробно не обсуждаются, но могут повлиять на выполнение и успех вашего проекта по науке о данных. Конфиденциальность - В проекте по науке о данных мы работаем с наборами данных из различных источников и систем. Некоторые из этих данных будут конфиденциальными с точки зрения PII (личной идентифицируемой информации) или корпоративных данных...

За последние 10 лет я опросил многих специалистов по данным, и методы объяснения моделей - моя любимая тема, чтобы отличать лучших специалистов по данным от среднего. Некоторые люди думают, что модели машинного обучения - это черные ящики, полезные для прогнозирования, но в остальном непонятные; но лучшие специалисты в области данных знают методы извлечения реальной информации из любой модели. Для любой конкретной модели эти специалисты по данным могут легко ответить на такие вопросы,..

Поиск и объяснение изменений Модели машинного обучения (ML), развернутые в производственной среде, обычно сочетаются с системами для отслеживания возможного дрейфа набора данных. Системы MLOps предназначены для запуска предупреждений при обнаружении дрейфа, но для того, чтобы принять решение о стратегии, которой мы будем следовать дальше, нам также необходимо понимать, что на самом деле меняется в наших данных и с какими отклонениями сталкивается модель. В этом сообщении описывается, как..