Makine Öğrenimi Sistemlerini Test Etme: Yeni Başlayanlar İçin Kılavuz

Makine öğrenimi modelleri, yalnızca onları destekleyen kod, veri ve işlem hatları (pipeline) kadar iyidir. Geleneksel yazılımların aksine, ML sistemleri sessizce başarısız olabilir, bu da maliyetli üretim hatalarını önlemek için titiz testleri zorunlu kılar. Bu metin tabanlı kurs, makine öğrenimi iş akışlarınız için bir test stratejisi tasarlamayı ve uygulamayı öğretir. Kırılgan betikler yazmaktan, zaman içinde yüksek performansı koruyan istikrarlı, öngörülebilir ML işlem hatları geliştirmeye geçiş yapacaksınız. Ne öğreneceksiniz: * Geleneksel yazılım testi ile makine öğrenimi testi arasındaki temel farkları anlayın; * Şema değişikliklerini ve veri kaymasını (data drift) erken tespit etmek için ham veri girişlerini doğrulayın; * pytest kullanarak veri ön işleme ve özellik mühendisliği (feature engineering) adımları için birim testleri (unit tests) yazın; * Temel metrikleri kullanarak model performansını değerlendirin ve yanlılık (bias) ve aşırı uyum (overfitting) için test yapın; * Güvenilir eğitim ve dağıtım iş akışlarını sağlamak için işlem hattı (pipeline) istikrarını izleyin; * ML yaşam döngüsü boyunca kalite kontrollerini otomatikleştirmek için modern test kalıplarını uygulayın. Temel ML test kavramlarını ve terminolojisini keşfederek başlayacaksınız. Buradan hareketle, verilerin, işlem hattı kodunun ve nihai modelin nasıl test edileceğini gösteren yazılı açıklamalar ve pratik kod parçacıkları aracılığıyla ilerleyeceksiniz. Bu kurs, temiz, güvenilir ML kodu yazmak isteyen gelecek vadeden veri bilimcileri (data scientists), yazılım mühendisleri (software engineers) ve makine öğrenimi yeni başlayanları için tasarlanmıştır. İleri düzey matematik bilgisi veya daha önceki test deneyimi gerekmemektedir. Güvenilir makine öğrenimi sistemleri oluşturmaya bugün başlayın.