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!

Experimentación

Evaluación del pronóstico y experimentación

Explorar el proceso de experimentación

Ingesta de datos

Flujo de trabajo de la experimentación

Backtesting

Definir los modelos de forecasting

Entrenamiento de modelos con backtesting

Visualización de resultados de pronóstico

Puntuación del modelo

Transformar el resultado del backtesting

Creando un ranking de modelos

Registro de modelos con MLflow

Registro de modelos ajustados

Buscar resultados de experimentos

Experimentation

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 architecture

Defining the forecasting pipeline

Fitting the model

Registering the model

Data ingestion

Data parity checks

Defining the schema

Performing data validation

Airflow

Setting up the DAG

Creating the DAG

Defining pipeline execution order

Logs

Monitoring ETL logs

Monitoring forecasting logs

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

Aprende a diseñar, automatizar y supervisar canalizaciones de predicción escalables en Python. Este curso avanzado te guía por todo el flujo de trabajo de producción —desde la obtención de datos y el entrenamiento de modelos hasta el despliegue y la monitorización— usando herramientas como MLflow y Airflow.

Empezarás conectándote a fuentes de datos en tiempo real y creando tu primera predicción con datos de demanda eléctrica de EE. UU. A continuación, verás los fundamentos de la experimentación, incluido backtesting, evaluación y registro de modelos con MLflow.

Después, construirás canalizaciones de predicción automatizadas con procesos ETL, registro de modelos y orquestación con Airflow. Por último, aprenderás lo esencial del despliegue en producción, incluida la monitorización del estado de la canalización, la detección de drift del modelo y el mantenimiento de sistemas de predicción en entornos reales.

Aprende a diseñar, automatizar y supervisar procesos de previsión escalables en Python. Este curso avanzado te guía a través de todo el flujo de trabajo de producción, desde la obtención de datos y el entrenamiento de modelos hasta la implementación y la supervisión, utilizando herramientas como MLflow y Airflow.

Comenzarás conectándote a fuentes de datos en tiempo real y creando tu primera previsión con datos sobre la demanda eléctrica en Estados Unidos. A continuación, descubrirás los fundamentos de la experimentación, incluyendo el backtesting, la evaluación y el registro de modelos utilizando MLflow.

A continuación, crearás procesos de previsión automatizados con procesos ETL, registro de modelos y coordinación de Airflow. Por último, aprenderás los fundamentos de la implementación de la producción, incluyendo la supervisión del estado del proceso, la detección de desviaciones en los modelos y el mantenimiento de los sistemas de previsión en entornos reales.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Aprende a diseñar, automatizar y supervisar flujos de previsión escalables en Python.

Diseño de canalizaciones de predicción para producción

Aprende a diseñar, automatizar y supervisar canalizaciones de previsión escalables en Python. 

Transformar el resultado del backtesting

Diseño de canalizaciones de predicción para producción

ejercicio interactivo práctico