Lielākā problēma ar dziļās mācīšanās modeļiem cenu prognozēšanā nav to apmācīšana — bet gan uzturēšana pēc pusgada, kad dati mainās un modelis sāk kļūdīties vairāk.
Par ko šis kurss
Kurss adresē tieši šo posmu: ko darīt pēc tam, kad modelis ir apmācīts un uzsācis darbu. Kā pamanīt, ka tas sāk deģenerēties. Kā to atjaunināt bez pilnas pārapmācīšanas.
MLOps laika rindu prognozēšanai
Aplūkojam MLOps rīku kopu — MLflow eksperimentu uzskaite, Prefect vai Airflow plānošanai, Evidently drifta noteikšanai. Visi rīki ir atvērtā pirmkoda.
Strādājam ar Docker konteinerizāciju un vienkāršu REST API prognožu sniegšanai — bez mākoņa pakalpojumu piespiedu izmantošanas.
Reāli scenāriji
Kurss izmanto scenārijus no pārtikas rūpniecības un loģistikas nozarēm, kur cenu svārstības tieši ietekmē plānošanu. Dati ir anonimizēti, bet struktūra ir reāla.
Dalībnieks Rūdolfs Krūmiņš atzīmēja, ka pirmo reizi saprata, ko nozīmē drifts praksē — viņa gadījumā tas bija sezonāls, nevis strukturāls, un risinājums bija vienkāršāks nekā gaidīts.
Kursa dalībnieks, 2024
Kursa formāts
Astoņas nedēļas, divas tiešsaistes sesijas nedēļā. Katrai sesijai ir sagatavošanās materiāls, ko lasa iepriekš — nodarbībā risinām jautājumus un strādājam pie koda.