Capítulo 6. Depurar tus problemas de ML
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
En el capítulo anterior, entrenamos y evaluamos nuestro primer modelo.
Conseguir que una tubería alcance un nivel satisfactorio de rendimiento es difícil y requiere múltiples iteraciones. El objetivo de este capítulo es guiarte a través de uno de esos ciclos de iteración. En este capítulo, cubriré herramientas para depurar canalizaciones de modelado y formas de escribir pruebas para asegurarnos de que siguen funcionando una vez que empezamos a cambiarlas.
Las buenas prácticas de software animan a los profesionales a probar, validar e inspeccionar regularmente su código, especialmente en pasos delicados como la seguridad o el análisis sintáctico de entradas. Esto no debería ser diferente para el ML, donde los errores en un modelo pueden ser mucho más difíciles de detectar que en el software tradicional.
Trataremos algunos consejos que te ayudarán a asegurarte de que tu canalización es robusta y de que puedes probarla sin que falle todo el sistema, ¡pero primero vamos a profundizar en las buenas prácticas de software!
Buenas prácticas de software
Para la mayoría de los proyectos de ML, repetirás varias veces el proceso de construir un modelo, analizar sus deficiencias y abordarlas. También es probable que cambies cada parte de tu infraestructura más de una vez, por lo que es crucial encontrar métodos para aumentar la velocidad ...
Get Creación de aplicaciones basadas en el aprendizaje automático now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
