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