Learn how to connect to live data sources and prepare time series data for forecasting. You’ll pull hourly electricity demand data from the U.S. EIA API and build your first forecast.

Productionizing your forecast model

Forecasting project architecture

Benefits of experimentation frameworks

Reviewing the input data

Making an API request

Preparing and visualizing the data

Interpreting time series visualizations

Working with a forecast object

Forecasting with ML Models

Evaluating forecast performance

Visualizing forecast performance

General Architecture

Discover the fundamentals of experimentation, including backtesting, evaluation, and model registration using MLflow!

Experimentation

Forecast evaluation & experimentation

Exploring experimentation process

Workflow of experimentation

Backtesting

Defining the forecasting models

Training models with backtesting

Visualizing forecast results

Model Scoring

Transforming backtesting output

Building a model leaderboard

Model Registration with MLflow

Logging tuned models

Searching experiment results

Learn how to build automated forecasting pipelines that refresh data and predictions daily. You'll set up ETL processes, register models with MLflow, and orchestrate everything with Airflow. Create a production-ready system with data validation and logging to monitor pipeline health.

Pipeline-Architektur

Die Forecasting-Pipeline definieren

Das Modell fitten

Modell registrieren

Datenaufnahme

Data-Parity-Checks

Das Schema definieren

Datenvalidierung durchführen

Airflow

Den DAG einrichten

Den DAG erstellen

Ausführungsreihenfolge der Pipeline festlegen

Logs

ETL-Logs überwachen

Forecasting-Logs überwachen

Setting Automation

Discover the essentials of production deployment, from monitoring the pipeline health to detecting model drift. You'll learn best practices for reproducibility, scaling, and maintaining forecasting systems in real-world environments.

Pipeline Deployment to Production

What could go wrong?

Monitoring vs Observability

Pipeline Monitoring

Categorizing API risks

Building a mitigation plan

Model Drift

Calculating a threshold and moving averages

Identifying model drift

Best practices

Development best practices

Scaling forecasting pipelines

Congratulations!

From Deployment to Production

Lerne, wie du skalierbare Forecasting-Pipelines in Python entwirfst, automatisierst und überwachst. Dieser fortgeschrittene Kurs führt dich durch den gesamten Produktions-Workflow – von der Datenbeschaffung und dem Trainieren von Modellen bis hin zu Deployment und Monitoring – mit Tools wie MLflow und Airflow.

Du startest mit der Anbindung an Live-Datenquellen und erstellst deine erste Prognose mit US-Stromnachfragedaten. Danach lernst du die Grundlagen der Experimentation kennen, darunter Backtesting, Evaluation und die Modellregistrierung mit MLflow.

Anschließend baust du automatisierte Forecasting-Pipelines mit ETL-Prozessen, Modellregistrierung und Airflow-Orchestrierung. Zum Schluss lernst du die Essentials des Produktions-Deployments, einschließlich der Überwachung der Pipeline-Gesundheit, dem Erkennen von Model Drift und der Wartung von Forecasting-Systemen in realen Umgebungen.

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.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Lerne, skalierbare Prognose-Pipelines in Python zu entwerfen, zu automatisieren und zu überwachen.

Forecasting-Pipelines für die Produktion entwerfen

Im Fokus dieses Kurses stehen skalierbare Prognosepipelines in Python und wie du sie entwirfst, automatisierst und überwachst. 

ETL-Logs überwachen

Interaktive praktische Übung