Aprende a conectarte a fuentes de datos en tiempo real y a preparar datos de series temporales para la predicción. Obtendrás datos horarios de demanda eléctrica de la API de la EIA de EE. UU. y crearás tu primera predicción.

Llevar tu modelo de pronóstico a producción

Arquitectura de un proyecto de forecasting

Beneficios de los frameworks de experimentación

Revisar los datos de entrada

Hacer una solicitud a una API

Preparar y visualizar los datos

Interpretar visualizaciones de series temporales

Trabajar con un objeto de pronóstico

Previsión con modelos de ML

Evaluar el rendimiento del pronóstico

Visualizar el rendimiento del pronóstico

Arquitectura general

Descubre los fundamentos de la experimentación, incluido backtesting, evaluación y registro de modelos con MLflow.

Experimentación

Evaluación del pronóstico y experimentación

Explorar el proceso de experimentación

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

Aprende a construir canalizaciones de predicción automatizadas que actualicen los datos y las predicciones a diario. Configurarás procesos ETL, registrarás modelos con MLflow y orquestarás todo con Airflow. Crea un sistema listo para producción con validación de datos y registro de eventos para monitorizar el estado de la canalización.

Arquitectura de la pipeline

Definir la canalización de predicción

Ajustar el modelo

Registrar el modelo

Ingesta de datos

Comprobaciones de paridad de datos

Definir el esquema

Validación de datos

Airflow

Configurar el DAG

Crear el DAG

Definir el orden de ejecución del pipeline

Registros

Supervisar registros de ETL

Supervisión de registros de forecasting

Configuración de la automatización

Descubre lo esencial del despliegue en producción, desde monitorizar el estado de la canalización hasta detectar el drift del modelo. Aprenderás buenas prácticas para la reproducibilidad, el escalado y el mantenimiento de sistemas de predicción en entornos reales.

Despliegue del pipeline en producción

¿Qué podría salir mal?

Monitoring vs Observability

Monitorización del pipeline

Clasificar riesgos de API

Crear un plan de mitigación

Deriva del modelo

Calcular un umbral y medias móviles

Identificar el model drift

Buenas prácticas

Buenas prácticas de desarrollo

Escalar pipelines de forecasting

¡Enhorabuena!

Del despliegue a producción

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 procesos de previsión escalables en Python. 

Comprobaciones de paridad de datos

Diseño de canalizaciones de predicción para producción

Ejercicio interactivo práctico