

首页  思维导图  详情



机器学习分享SESSION1

2023-07-25 10:21:01   0  举报





仅支持查看

AI智能生成

机器学习分享SESSION1(内部)

模版推荐

作者其他创作

大纲/内容

业务场景

风控

业务流程

评分卡(Application Card、Behavior Card、Collection Card)

静态评分卡

动态评分卡

信用模型的特征类型

个人基本信息

金融信息

多头信息

历史平台表现

埋点数据

外部征信数据

模型类型

A卡：解决首次贷款的用户信用评估问题

B卡：根据贷款期间产生的数据动态调整用户的额度，主要目的是预测客户的动态风险

C卡：用于贷后管理

EKYC

证件识别/人证比对：从客户证件图片上提取文本信息、人脸等关键信息，在系统中做比对

人脸识别：识别是否是本人操作及是否为黑名单人员

机器人/自动驾驶

业务流程

模块

感知

模型

检测

物体检测

异常检测

分割/边缘检测

可行驶区域识别

车道线识别

分类

场景识别

物体分类

Corner Case识别

数据闭环

数据驱动模型

云平台和大数据

智能标注

交互式标注

预标注

模型测试和验证(Benchmark)

其他：定位、预测、决策规划、控制、模拟仿真

AI所使用场景：推荐、广告、风控、NLP、CV

基础

机器学习与深度学习

范围: ML>DL

复杂度:DL >> ML

推理: ML >DL

感知：DL > ML

一些对齐的概念

特征与模型：工业界两种主流建模思路是复杂特征+简单算法和简单特征+复杂算法，整体来看两者没有优劣之分，但是算法越简单，可解释性越强。深度学本身就觉有自动提取特征的能力，建立一个优秀的模型并不一定要求大量的业务经验支撑，对新手更友好，但复杂算法对数据量和计算资源的要求也更高。

MLOps: 从业务的视角，从研发、运营到持续升级去关注AI平台工具的建设，是AI标准化、流程化的最佳实践。 是一种机器学习工程文化和做法，统一机器学习系统开发（Dev）和机器学习系统运营(Ops)。实施MLOps意味着在机器学习系统构建流程的所有步骤（包括特征处理、训练、集成、测试、发布、部署、监控）中实现自动化和智能化。

训练过程

模型训练原理

损失函数

分类

回归

评价函数

分类

类别均衡:Recall、Precision、F1

类别不均衡：AUC、KS

回归

模型生命周期

模型的设计与开发

<b>模型生命周期</b>

Refit：在原有模型基础上，对变量重新进行系数拟合或者变量调整(特征不变)

Rebuild：当前模型性能明显下降，且无法通过拟合系数或调整变量来提高模型性能，需开发新模型(需重复之前的建模流程，周期较长)

模型设计

因变量设计

账龄(VIntage)分析

分析变化规律

确定账户成熟期

分析影响因素：策略变化、客群变化、市场环境、政策变化

时间窗口：分为表现窗口和观测窗口。如果表现窗口设计过小，则用户的风险暴露不充分，但观察期够长，有更丰富的变量信息用于建模；表现窗口过大，观察窗口过小，变量的效果下降。

数据集切分

数据集划分：Train、Val、Test(Out of Time, OOT)

关注重点：预测模型的本质是使用历史数据对未来的数据做预测，在实际应用中，应该更关注模型对未来样本的预测能力，以及模型的跨时间稳定性

激进模式：为了获取较新的样本，也可以使用早期的时间切片数据作为测试集合。模型上线前，需要将三份数据集合并重新训练

样本选择

代表性

充分性

时效性

排除性

采样

欠采样

随机

分层

过采样

SMOTE(插值过采样)

GAN(对抗学习)

模型组件设计

模型开发(SESSION 3)

数据(SESSION 2)

训练

分布式训练

K8S

调度

批调度：Kubernetes默认开启的资源调度策略是LeastRequestedPriority，消耗的资源最少的节点会优先被调度，使得整体集群的资源使用在所有节点之间分配地相对均匀。但是这种调度策略往往也会在单个节点上产生较多资源碎片。

Gang Scheduling：:pod都需要调度起来。观察Job下的Pod已调度数量是否满足了最小运行数量，当Job的最小运行数量得到满足时，为Job下的所有Pod执行调度动作，否则，不执行。避免Pod的任意调度导致集群资源的浪费甚至死锁。

调度策略

Binpack：使用Binpack调度策略可以优先将节点资源填满，在给各个可以投递的节点打分，假如放在当前节点后，谁更满，谁的分数就高。因为这样可以尽量将应用负载靠拢至部分节点，非常有利于K8S集群节点的自动扩缩容功能，可以有效解决资源碎片的问题。

存储

分布式策略

数据并行：不同GPU有模型的多个副本，每个GPU分配不同的数据，将所有GPU计算结果按照某种方式合并

Ring Allreduce

模型并行：不同GPU负责网络模型的不同部分。例如，不同网络层被分配到不同的GPU，或者同一层不同参数被分配到不同GPU

网络

TCP/IP 架构瓶颈

RDMA TCP/IP 对比

RDMA三种实现

Infiniband（IB）：专为 RDMA 设计的网络，从硬件层面保证可靠传输，同时由于这是一种新的网络技术，需要支持该技术的 NIC 和交换机。

RoCE(RDMA over Converged Ethernet)：RoCE 是一种允许通过以太网进行 RDMA 的网络协议。RoCE 有 2 个版本：RoCE v1 和 RoCE v2。RoCE v1 是一种链路层协议，允许在同一个广播域下的任意两台主机直接访问；RoCE v2 基于 UDP 层协议，实现了路由功能，RoCE v2 针对 RoCE v1 进行了一些改进，如引入 IP 解决扩展性问题，可以跨二层组网等。

iWARP（internet Wide Area RDMA Protocol：允许在 TCP 上执行 RDMA 的网络协议。在大型组网的情况下，iWARP 的大量 TCP 连接会占用大量的额外内存资源，对系统规格要求较高。

优化/搜索

管道优化搜索

超参数搜索

Grid Search

Bayesian optimiazation

NAS(神经网络架构搜索)

部署与上线

部署场景

云端

边缘端

模型一致性