MLOps и прикладное машинное обучение: от baseline до production-моделиШаг 13 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
Serving, monitoring и governance
Практика: production ML
Шаг 13 из 1313 минПрактика
Цель
Перевести тему «Практика: production ML» 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
Data drift означает...
2
Model registry нужен, чтобы...
3
Запуск модели для получения предсказания называют
Обсуждение
Войдите, чтобы участвовать в обсуждении.
Пока нет сообщений.