After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Impara a progettare, automatizzare e monitorare pipeline di previsione scalabili in Python. Questo corso avanzato ti guida attraverso tutto il processo di produzione, dalla raccolta dei dati e l'addestramento dei modelli fino alla distribuzione e al monitoraggio, usando strumenti come MLflow e Airflow.Inizierai collegandoti a fonti di dati in tempo reale e creando la tua prima previsione con i dati sulla domanda di energia elettrica negli Stati Uniti. Poi, scoprirai le basi della sperimentazione, come il backtesting, la valutazione e la registrazione dei modelli usando MLflow.Poi creerai pipeline di previsione automatizzate con processi ETL, registrazione dei modelli e orchestrazione Airflow. Infine, imparerai le basi dell'implementazione della produzione, come controllare lo stato della pipeline, individuare eventuali scostamenti dei modelli e gestire i sistemi di previsione in contesti reali.
Prerequisiti
Curriculum
Programma del corso
1
Architettura generale
Impara a collegarti a fonti dati live e a preparare serie temporali per il forecasting. Recupererai i dati orari della domanda di elettricità dall’API EIA degli Stati Uniti e creerai la tua prima previsione.
- Mettere in produzione il tuo modello di forecasting50 XP
- Architettura di un progetto di forecasting50 XP
- Vantaggi dei framework di sperimentazione50 XP
- Revisione dei dati di input50 XP
- Effettuare una richiesta API100 XP
- Preparare e visualizzare i dati100 XP
- Interpretare le visualizzazioni di serie temporali50 XP
- Lavorare con un oggetto di previsione50 XP
- Previsione con modelli ML100 XP
- Valutare le prestazioni del forecast100 XP
- Visualizzare le prestazioni del forecast100 XP
2
Sperimentazione
Scopri le basi della sperimentazione, inclusi backtesting, valutazione e registrazione dei modelli con MLflow!
3
Impostare l’automazione
Impara a costruire pipeline di forecasting automatizzate che aggiornano dati e previsioni ogni giorno. Imposterai processi ETL, registrerai i modelli con MLflow e orchestrerai tutto con Airflow. Crea un sistema pronto per la produzione con convalida dei dati e logging per monitorare lo stato della pipeline.
4
Dal deployment alla produzione
Scopri gli elementi essenziali del deployment in produzione, dal monitoraggio dello stato della pipeline al rilevamento del model drift. Imparerai le best practice per la riproducibilità, la scalabilità e la manutenzione di sistemi di forecasting in ambienti reali.
Progettare pipeline di forecasting per la produzione
Corso
completato
