Setelah mengikuti kursus-kursus ini, saya merasa percaya diri membuat visualisasi dan dasbor profesional
Shoebur RahmanSpesialis Pengadaan, Giz Bangladesh
Deskripsi Kursus
Pelajari cara merancang, mengotomatisasi, dan memantau pipeline peramalan yang skalabel menggunakan Python. Kursus lanjutan ini akan membimbing Anda melalui seluruh alur kerja produksi - mulai dari pengumpulan data dan pelatihan model hingga deployment dan pemantauan - menggunakan alat seperti MLflow dan Airflow.Anda akan memulai dengan menghubungkan ke sumber data langsung dan membangun perkiraan pertama Anda menggunakan data permintaan listrik AS. Selanjutnya, Anda akan mempelajari dasar-dasar eksperimen, termasuk backtesting, evaluasi, dan pendaftaran model menggunakan MLflow.Kemudian Anda akan membangun pipeline peramalan otomatis dengan proses ETL, pendaftaran model, dan orkestrasi Airflow. Akhirnya, Anda akan mempelajari dasar-dasar deployment produksi, termasuk memantau kesehatan pipeline, mendeteksi pergeseran model, dan memelihara sistem peramalan dalam lingkungan dunia nyata.
Prasyarat
Kurikulum
Ringkasan kursus
1
Arsitektur Umum
Pelajari cara terhubung ke sumber data langsung dan menyiapkan data deret waktu untuk peramalan. Anda akan menarik data permintaan listrik per jam dari API EIA AS dan membangun peramalan pertama Anda.
- Memproduksikan model peramalan Anda50 XP
- Arsitektur proyek peramalan50 XP
- Manfaat kerangka kerja eksperimen50 XP
- Meninjau data masukan50 XP
- Mengirim permintaan API100 XP
- Menyiapkan dan memvisualisasikan data100 XP
- Menafsirkan visualisasi deret waktu50 XP
- Bekerja dengan objek peramalan50 XP
- Peramalan dengan Model ML100 XP
- Mengevaluasi kinerja peramalan100 XP
- Memvisualisasikan kinerja peramalan100 XP
2
Eksperimen
Pelajari dasar-dasar eksperimen, termasuk backtesting, evaluasi, dan pendaftaran model menggunakan MLflow!
3
Menyiapkan Otomatisasi
Pelajari cara membangun pipeline peramalan terotomatisasi yang menyegarkan data dan prediksi setiap hari. Anda akan menyiapkan proses ETL, mendaftarkan model dengan MLflow, dan mengorkestrasikannya dengan Airflow. Buat sistem siap produksi dengan validasi data dan pencatatan untuk memantau kesehatan pipeline.
4
Dari Deployment ke Produksi
Pelajari hal-hal penting untuk deployment produksi, mulai dari memantau kesehatan pipeline hingga mendeteksi model drift. Anda akan mempelajari praktik terbaik untuk reprodusibilitas, penskalaan, dan pemeliharaan sistem peramalan di lingkungan nyata.
Merancang Pipeline Peramalan untuk Produksi
Kursus
Selesai
