Μετάβαση στο κύριο περιεχόμενο
🔒 Λειτουργία προεπισκόπησης. Τα πρώτα δεκαπέντε μαθήματα Foundations είναι δωρεάν· αυτό είναι Pro. Ξεκινήστε ένα 7ήμερο trial για να ξεκλειδώσετε τον επεξεργαστή, τις υποδείξεις AI και το υπόλοιπο του προγράμματος. Απαιτείται κάρτα, ακυρώνετε οποιαδήποτε στιγμή από το Dashboard.Ξεκινήστε 7ήμερο trial →
← ΜαθήματαData Science AppliedΕνότητα 6 · Deep Learning + MLOps🏆 Τελικό ορόσημο: Σχέδιο παραγωγής MLmission104 / 104
+250 XP
Εργασία
📝 **Εργασία:** Εφαρμόστε δύο λειτουργίες: 1. `register_model(model_id, metric)` → επιστρέφει τον νέο αριθμό έκδοσης (1, 2, 3, ...). Αποθηκεύει κάθε εγγραφή σε ένα εντολό "ΜΗΤΡΩΟ" σε επίπεδο ενότητας με κλειδί "model_id". 2. "detect_drift(train_mean, train_std, live_values)" → επιστρέφει "True" εάν ο μέσος όρος των "live_values" απέχει περισσότερο από 2 σ από το "train_mean". Στη συνέχεια, εκτελέστε τους ελέγχους που φαίνονται παρακάτω. Αναμενόμενη έξοδος (5 γραμμές): ``` 1 2 {'έκδοση': 2, 'μετρική': 0,87} Λάθος Αλήθεια ``` 📋 Υλοποιήστε την παραπάνω λειτουργία. Οι δοκιμές εκτελούνται αυτόματα. 💡 **Υπόδειξη:** Ξαναδιάβασε τη θεωρία αν κολλήσεις.
✏️ Γράψε τον κώδικά σου εδώ
🐍
Φόρτωση Python...
Λήψη μία φορά (~1 MB). Μετά τρέχει αμέσως.
📊 Αποτέλεσμα
Πάτα Εκτέλεση για να δεις το αποτέλεσμα...

💬 Συζήτηση

Γίνε ο πρώτος — κάνε μια ερώτηση ή μοιράσου μια συμβουλή.
Σύνδεση για να συμμετάσχεις στη συζήτηση. Η ανάγνωση είναι δωρεάν.
Φόρτωση συζήτησης…