Тестирование для машинного обучения

Многие модели машинного обучения терпят неудачу в производстве не из-за плохой математики, а из- за хрупкого, непроверенного программного кода. Преобразование экспериментов с машинным обучением в надежные, развертываемые приложения требует систематического подхода к качеству программного обеспечения. В этом курсе вы узнаете, как применять принципы разработки, основанной на тестировании (TDD), специально к рабочим процессам машинного обучения. Вы перейдете от написания экспериментальных блокнотов к созданию чистых, модульных и полностью протестированных конвейеров машинного обучения, которые надежно работают в производственных средах. Что вы узнаете: основные принципы разработки на основе тестирования и их применение в науке о данных; написание надежных модульных тестов для предварительной обработки данных и разработки функций с помощью pytest; внедрение проверок подтверждения данных для раннего обнаружения изменений схемы и дрейфа данных. Моделирование внешних зависимостей для обеспечения быстрого, изолированного и повторяемого тестирования Настройте основные автоматизированные рабочие процессы тестирования для непрерывной проверки моделей; Разработайте модульный код машинного обучения, который легко обслуживать и рефакторировать. Этот курс начинается с основных концепций тестирования программного обеспечения и терминологии TDD, а затем пошагово знакомит вас с конвейерами данных тестирования, функциями обучения моделей и кодом развертывания. Он предназначен для начинающих инженеров машинного обучения, ученых данных и разработчиков, желающих улучшить свои навыки программирования, без предварительного опыта тестирования. Начните писать надежный код машинного обучения уже сегодня.