Lerne, wie du dich mit Live-Datenquellen verbindest und Zeitreihendaten für Prognosen vorbereitest. Du ziehst stündliche Daten zur Stromnachfrage aus der U.S. EIA API und erstellst deine erste Prognose.

Dein Prognosemodell für den produktiven Einsatz vorbereiten

Architektur eines Forecasting-Projekts

Vorteile von Experimentier-Frameworks

Eingabedaten überprüfen

Eine API-Anfrage stellen

Daten vorbereiten und visualisieren

Zeitreihenvisualisierungen interpretieren

Mit einem Forecast-Objekt arbeiten

Forecasting mit ML-Modellen

Prognoseleistung bewerten

Prognoseleistung visualisieren

Allgemeine Architektur

Entdecke die Grundlagen der Experimentation, einschließlich Backtesting, Evaluation und Modellregistrierung mit MLflow!

Experimente

Prognosebewertung & Experimentieren

Den Experimentierprozess erkunden

Workflow der Experimentierung

Backtesting

Forecasting-Modelle definieren

Modelle mit Backtesting trainieren

Prognoseergebnisse visualisieren

Modellbewertung

Backtesting-Ausgaben transformieren

Eine Modell-Bestenliste erstellen

Modellregistrierung mit MLflow

Getunte Modelle protokollieren

Experimentergebnisse durchsuchen

Experimentation

Lerne, wie du automatisierte Forecasting-Pipelines erstellst, die Daten und Vorhersagen täglich aktualisieren. Du richtest ETL-Prozesse ein, registrierst Modelle mit MLflow und orchestrierst alles mit Airflow. Erstelle ein produktionsreifes System mit Datenvalidierung und Logging, um die Pipeline-Gesundheit zu überwachen.

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

Automatisierung einrichten

Entdecke die wichtigsten Grundlagen für das Deployment in der Produktion – von der Überwachung der Pipeline-Gesundheit bis zum Erkennen von Model Drift. Du lernst Best Practices für Reproduzierbarkeit, Skalierung und die Wartung von Forecasting-Systemen in realen Umgebungen.

Pipeline-Bereitstellung für die Produktion

Optionen

Probleme mit der Datenintegrität

Betriebsfehler

Infrastrukturfehler

Was könnte schiefgehen?

Options

Observability

Monitoring

Monitoring vs. Observability

Pipeline-Monitoring

Datenintegrität

Verfügbarkeit

Datenkorrekturen

API-Risiken kategorisieren

Einen Mitigationsplan erstellen

Modelldrift

Schwellenwert und gleitende Durchschnitte berechnen

Model-Drift erkennen

Best Practices

Best Practices in der Entwicklung

Forecasting-Pipelines skalieren

Glückwunsch!

Vom Deployment zur Produktion

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. 

Feld für Transaktionsbetrag liefert Null-Werte.

Datumsformate unterscheiden sich zwischen verschiedenen API-Endpunkten.

API-Anfragen laufen zu Stoßzeiten nach 60 Sekunden in ein Timeout.

Die API hat wöchentlich 15-minütige Dienstunterbrechungen.

Die Transaktionssummen der letzten Woche wurden drei Tage später revidiert.

API-Risiken kategorisieren

Forecasting-Pipelines für die Produktion entwerfen

Interaktive Übung