Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Leer hoe je schaalbare prognosepijplijnen in Python kunt ontwerpen, automatiseren en monitoren. Deze cursus voor gevorderden laat je de hele productieworkflow zien – van het verzamelen van gegevens en het trainen van modellen tot implementatie en monitoring – met tools als MLflow en Airflow.Je begint met het verbinden met live gegevensbronnen en het maken van je eerste prognose met gegevens over de elektriciteitsvraag in de VS. Vervolgens leer je de basisprincipes van experimenteren, zoals backtesting, evaluatie en modelregistratie met MLflow.Dan ga je geautomatiseerde prognosepijplijnen bouwen met ETL-processen, modelregistratie en Airflow-orkestratie. Tot slot leer je de basis van productie-implementatie, zoals het checken of de pipeline goed werkt, het opsporen van modelafwijkingen en het onderhouden van voorspellingssystemen in echte omgevingen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Algemene architectuur
Leer hoe je verbinding maakt met live databronnen en tijdreeksdata voorbereidt voor forecasting. Je haalt uurlijkse elektriciteitsvraagdata op uit de U.S. EIA API en bouwt je eerste voorspelling.
- Je voorspellingsmodel naar productie brengen50 XP
- Architectuur van een forecastingproject50 XP
- Voordelen van experimentatieframeworks50 XP
- De invoergegevens bekijken50 XP
- Een API-verzoek doen100 XP
- De gegevens voorbereiden en visualiseren100 XP
- Tijdreeksvisualisaties interpreteren50 XP
- Werken met een forecast-object50 XP
- Voorspellen met ML-modellen100 XP
- De voorspellingsprestatie evalueren100 XP
- De voorspellingsprestatie visualiseren100 XP
2
Experimenteren
Ontdek de basis van experimenteren, inclusief backtesting, evaluatie en modelregistratie met MLflow!
3
Automatisering instellen
Leer hoe je geautomatiseerde forecasting-pijplijnen bouwt die dagelijks data en voorspellingen verversen. Je richt ETL-processen in, registreert modellen met MLflow en orkestreert alles met Airflow. Maak een productierijp systeem met datavalidatie en logging om de gezondheid van de pijplijn te monitoren.
4
Van deployment naar productie
Ontdek de essentials van deployment naar productie, van het monitoren van de pijplijngezondheid tot het detecteren van model drift. Je leert best practices voor reproduceerbaarheid, opschalen en het onderhouden van forecasting-systemen in echte omgevingen.
Forecasting-pijplijnen ontwerpen voor productie
Cursus
voltooid
