MLOps и прикладное машинное обучение: от baseline до production-моделиШаг 10 из 13 · 0% пройдено
1. Как учиться на этом курсе
2. Профессиональный практикум: кейс, модель и итоговый артефакт
3. Атлас моделей: схема, пример, критерий и проект
4. ML pipeline и качество данных
5. Serving, monitoring и governance
ML pipeline и качество данных
Практика: pipeline
Шаг 10 из 1314 минПрактика
Цель
Перевести тему «Практика: pipeline» в самостоятельное действие.
Как работать
Решайте задания письменно: фиксируйте не только ответ, но и основание выбора.
Критерий
Проверенные ответы, исправленные ошибки и короткий вывод для следующего шага.
Закрепите тему: решите задания и проверьте себя. Можно перерешивать сколько угодно раз.
1
Зачем нужен baseline?
2
Training-serving skew — это...
3
Система учета версий и статусов моделей называется model...
Обсуждение
Войдите, чтобы участвовать в обсуждении.
Пока нет сообщений.