minority drift: От методов детекции до стабильного прода
2 часа вместе с Team Lead Yandex на практике учимся распознавать виды Minority Drift, делать модели устойчивыми к дрейфу, оценивать деградацию и финансовые риски. От PSI и KL-дивергенции до Fairness Metrics
6 октября ПН, 19:00 МСК
Minority Drift — скрытая угроза деградации моделей
Слепая зона, которую не видят стандартные метрики
Вроде бы все стабильно, но есть отток клиентов, падение конверсий или провалы важных транзакций. Мониторинг молчит, в алертах тишина, а финансовые потери растут. Как и вопросы к тебе
Незаметное смещение данных деградирует модель там, где это больнее всего. Как обнаружить самый незаметный дрейф, устранить его и не допустить снова — разберем в этом уроке
Что будет на уроке
/1
Виды Minority Drift в продакшен данных: Class-wise, Conditional, Subpopulation, Hidden Drift
/2
Оценка деградации моделей и финансовых потерь на практике
/3
Методы стабилизации признаков и моделей: PSI и KL-дивергенция
/4
Контроль качества — построение Fairness Metrics
преподает Дмитрий Сафонов, Data Science Team Lead в Яндекс
разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой
Яндекс
cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов
Quantum Brains
преподавал анализ данных на Python
СПБГЭУ
запишись на бесплатный урок по Minority Drift
{
ффф"public_lesson": {
ффффф"price": free
ффф}
}
ффф"public_lesson": {
ффффф"price": free
ффф}
}
Жми на кнопку и заполняй форму регистрации — добавим тебя в Telegram-чат урока, где будет ссылка на прямой эфир
6 октября ПН, 19:00
Урок начнется через:
23
14
дней
часов
минут
секунд
14
07
:
:
:
теория и практика в прямом эфире
запись урока для зарегистрировавшихся
Частые вопросы
Урок для Data Scientists, Classic ML и NLP-инженеров. Нужны базовые знания основ машинного обучения, математики и программирования. Ограничений по грейду нет
На практике научимся:
- выявлять виды Minority Drift в продакшен данных: Class-wise, Conditional, Subpopulation, Hidden Drift
- бороться с дрифтом, делать модель стабильнее
- оценивать деградацию моделей и финансовых потерь
- использовать PSI и KL-дивергенцию для стабилизации признаков и модели
- строить Fairness Metrics
В понедельник 6 октября в 19:00 по МСК. Запись будет для всех, кто зарегистрировался на урок
Остались вопросы?
Если у тебя срочный вопрос, можешь написать нам в Telegram-бот
Если ты готов немного подождать, оставляй вопрос на сайте — мы свяжемся с тобой в ближайшее время