Вебинары

Автоматизация и версионирование ML-экспериментов. Почему это важно и как легко этого добиться?

Автоматизация и версионирование ML-экспериментов. Почему это важно и как легко этого добиться?
Автоматизация и версионирование ML-экспериментов. Почему это важно и как легко этого добиться?
Автоматизация и версионирование ML-экспериментов. Почему это важно и как легко этого добиться?

Прежде чем внедрить модель машинного обучения, Data Scientist проводит много времени за экспериментами и тестированием гипотез. Типичные эксперименты включают в себя определение того, какой класс моделей использовать, какие признаки следует включить в модель, сколько данных требуется для обучения модели.

Такие эксперименты на выходе порождают большое количество артефактов. Без стандартизированного способа управления полученными артефактами Data-Scientist’ам, сложно воспроизводить результаты своей работы и сравнивать результаты разных экспериментов. Чтобы достичь воспроизводимости и сопоставимости экспериментов в машинном обучении, DS необходимо хранить экспериментальные метаданные.

В этом вебинаре пойдет речь о таком инструменте планирования ML-экспериментов, как Sacred. Также обсудим, какие артефакты существуют, какие артефакты требуется сохранять и почему это важно.

Мы рассмотрим исходный код и артефакты, сгенерированные в процессе. Это даст нам шаблон, который участники вебинара смогут адаптировать к своим экспериментам в области машинного обучения.

Вебинар рассчитан на DS, имеющих опыт разработки ML-моделей.

Ссылка на трансляцию: https://mailru.zoom.us/j/93480848050

О ведущем
Thumb
Никита Варганов

Senior Data Scientist, руководитель направления по исследованию данных в «Сбербанке», kaggle competitions master. Решает задачи машинного обучения, специализируется на выводе моделей в эксплуатацию. Анализировал внешние данные в МТС и «МТС-Банк» для построения uplift-, скоринговых и моделей оттока.

  • 1096
  • 5
  • 6

Бесплатная регистрация

Пароль должен содержать не менее восьми знаков, включать буквы, цифры.