Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. Este curso avançado mostra todo o fluxo de trabalho de produção — desde a obtenção de dados e treinamento de modelos até a implantação e monitoramento — usando ferramentas como MLflow e Airflow.Você vai começar conectando-se a fontes de dados em tempo real e criando sua primeira previsão com dados sobre a demanda de eletricidade nos Estados Unidos. Depois, você vai conhecer os fundamentos da experimentação, incluindo backtesting, avaliação e registro de modelos usando o MLflow.Então você vai criar pipelines de previsão automatizados com processos ETL, registro de modelos e orquestração Airflow. Por fim, você vai aprender o básico sobre implantação de produção, incluindo monitorar a saúde do pipeline, detectar desvios no modelo e manter sistemas de previsão em ambientes reais.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Arquitetura Geral
Aprenda a se conectar a fontes de dados em tempo real e a preparar dados de séries temporais para previsão. Você vai buscar dados horários de demanda de eletricidade pela API da EIA dos EUA e construir sua primeira previsão.
- Colocando seu modelo de previsão em produção50 XP
- Arquitetura de um projeto de forecast50 XP
- Benefícios dos frameworks de experimentação50 XP
- Revisando os dados de entrada50 XP
- Fazendo uma requisição à API100 XP
- Preparando e visualizando os dados100 XP
- Interpretando visualizações de séries temporais50 XP
- Trabalhando com um objeto de previsão50 XP
- Previsão com Modelos de ML100 XP
- Avaliando o desempenho do forecast100 XP
- Visualizando o desempenho do forecast100 XP
2
Experimentação
Descubra os fundamentos de experimentação, incluindo backtesting, avaliação e registro de modelos usando MLflow!
3
Configurando a Automação
Aprenda a construir pipelines de previsão automatizados que atualizam dados e previsões diariamente. Você vai configurar processos de ETL, registrar modelos com MLflow e orquestrar tudo com Airflow. Crie um sistema pronto para produção com validação de dados e logging para monitorar a saúde do pipeline.
4
Do Deployment à Produção
Descubra os essenciais de deployment em produção, do monitoramento da saúde do pipeline à detecção de drift do modelo. Você vai aprender boas práticas para reprodutibilidade, escalabilidade e manutenção de sistemas de previsão em ambientes reais.
Projetando Pipelines de Previsão para Produção
Curso
concluído
