Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lerne, wie du skalierbare Prognosepipelines in Python entwirfst, automatisierst und überwachst. Dieser Kurs für Fortgeschrittene zeigt dir den ganzen Produktionsablauf – von der Datenbeschaffung und dem Training von Modellen bis hin zur Bereitstellung und Überwachung – mit Tools wie MLflow und Airflow.Du fängst damit an, dich mit Live-Datenquellen zu verbinden und deine erste Prognose mit Daten zum Strombedarf in den USA zu erstellen. Als Nächstes lernst du die Grundlagen des Experimentierens kennen, darunter Backtesting, Auswertung und Modellregistrierung mit MLflow.Dann baust du automatisierte Prognosepipelines mit ETL-Prozessen, Modellregistrierung und Airflow-Orchestrierung auf. Zum Schluss lernst du die Grundlagen der Produktionsbereitstellung kennen, darunter die Überwachung des Pipeline-Zustands, die Erkennung von Modellabweichungen und die Wartung von Prognosesystemen in realen Umgebungen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Allgemeine Architektur
Lerne, wie du dich mit Live-Datenquellen verbindest und Zeitreihendaten für Prognosen vorbereitest. Du ziehst stündliche Daten zur Stromnachfrage aus der U.S. EIA API und erstellst deine erste Prognose.
- Dein Prognosemodell für den produktiven Einsatz vorbereiten50 XP
- Architektur eines Forecasting-Projekts50 XP
- Vorteile von Experimentier-Frameworks50 XP
- Eingabedaten überprüfen50 XP
- Eine API-Anfrage stellen100 XP
- Daten vorbereiten und visualisieren100 XP
- Zeitreihenvisualisierungen interpretieren50 XP
- Mit einem Forecast-Objekt arbeiten50 XP
- Forecasting mit ML-Modellen100 XP
- Prognoseleistung bewerten100 XP
- Prognoseleistung visualisieren100 XP
2
Experimentation
Entdecke die Grundlagen der Experimentation, einschließlich Backtesting, Evaluation und Modellregistrierung mit MLflow!
3
Automatisierung einrichten
Lerne, wie du automatisierte Forecasting-Pipelines erstellst, die Daten und Vorhersagen täglich aktualisieren. Du richtest ETL-Prozesse ein, registrierst Modelle mit MLflow und orchestrierst alles mit Airflow. Erstelle ein produktionsreifes System mit Datenvalidierung und Logging, um die Pipeline-Gesundheit zu überwachen.
4
Vom Deployment zur Produktion
Entdecke die wichtigsten Grundlagen für das Deployment in der Produktion – von der Überwachung der Pipeline-Gesundheit bis zum Erkennen von Model Drift. Du lernst Best Practices für Reproduzierbarkeit, Skalierung und die Wartung von Forecasting-Systemen in realen Umgebungen.
Forecasting-Pipelines für die Produktion entwerfen
Kurs
abgeschlossen
