Auditerò il tuo modello di machine learning per perdita di dati e overfitting
ML Engineer, Trasformare i dati in soluzioni intelligenti
Informazioni su questo servizio
La precisione del tuo modello al 99% è troppo bella per essere vera? Spesso lo è. Perdita di dati, suddivisioni di validazione errate e probabilità non calibrate fanno brillare i modelli in un notebook e fallire in produzione.
Esamino la tua pipeline di machine learning, mostro esattamente cosa sta gonfiando i tuoi risultati e ti aiuto a sistemarlo.
Controllo:
- Perdita di dati del target, temporale e di gruppo
- Progettazione di train, validazione e test split
- Overfitting e scelta delle metriche per il tuo problema
- Calibrazione delle probabilità e squilibrio di classe
- Robustezza con test placebo e out-of-time
Sono un ingegnere AI e primo autore di diversi articoli peer‑reviewed IEEE. Uso questi controlli come standard nel mio lavoro, ad esempio un modello di mortalità ICU validato su un set di dati ospedaliero separato.
Otterrai un rapporto scritto chiaro ordinato per impatto, e nei pacchetti superiori un notebook corretto con i risultati prima/dopo.
Linguaggio di programmazione:
Python
•
R
•
SQL
•
Colab
Tecnologia:
Python
•
R
•
tensorflow
•
PyTorch
•
scikit-learn
•
Pandas
Il mio portfolio
FAQ
Traduzione automatica.
1. Cosa devo inviare?
Il tuo notebook o script, il dataset o un campione rappresentativo, e una breve nota su cosa predice il modello e come verrà usato.
1. Cosa succede se l'audit mostra che la mia accuratezza cala?
Questo è lo scopo dell'audit: una cifra più bassa e onesta ora è molto meno costosa di un modello che falla dopo il lancio. Spiego ogni causa e come risolverla.
1. Quali modelli copri?
ML tabellare (scikit-learn, XGBoost, LightGBM), serie temporali e deep learning in PyTorch, per classificazione, regressione e forecasting.
1. Puoi firmare un NDA o mantenere privati i miei dati?
I tuoi file sono usati solo per l'ordine e possono essere eliminati su richiesta. I termini di Fiverr coprono la riservatezza; posso anche seguire le tue regole di gestione dei dati.
1. Lavori su grandi dataset?
Sì. Per dataset molto grandi di solito basta un campione rappresentativo per l'audit.

