Aquests articles se centren en els aspectes que determinen si un model continua sent útil en producció: validació temporal, disseny de variables, detecció d’anomalies, qualitat de probabilitats, explicabilitat, desplegament i enginyeria al voltant del model.
Per què Payrithm no ordena simplement les factures per probabilitat de pagament tardà i com combino el risc calibrat de ML amb el valor, la urgència i l'activitat de cobrament.
Per què predir pagaments tardans requereix més que una divisió cronològica train/test i com reconstrueixo què es podia saber realment quan s'hauria fet cada predicció de Payrithm.
Com vaig dissenyar el pipeline de machine learning de Payrithm per predir pagaments tardans sense fuga de dades, avaluar la qualitat de les probabilitats i convertir les prediccions en prioritats de cobrament accionables.
Com els models probabilístics de difusió amb denoising aprenen a generar imatges invertint un procés gradual d'addició de soroll, explicat des de zero.
Com construir un pipeline robust de detecció d'anomalies per a dades multivariants de sensors amb autoencoders LSTM en PyTorch, incloent selecció de llindars i desplegament.
Una explicació des de zero de les CNN: convolució, pooling, camps receptius i les decisions arquitectòniques que van fer funcionar el deep learning per a imatges.
Una immersió en el mecanisme d'autoatenció i en com els Transformers van substituir les xarxes recurrents per convertir-se en la base dels models de llenguatge moderns.
Utilitzo Google Analytics per entendre com s’utilitza aquest portfoli i millorar-lo. Les cookies d’analítica i el seguiment de pàgines romanen desactivats fins que ho acceptis. Pots canviar la tria més endavant des del peu de pàgina.