CommencerCommencez gratuitement

Accueil
Cours
Concevoir des pipelines de prévision pour la production

Journaux

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

<cours>Concevoir des pipelines de prévision pour la production</cours>

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

Apprenez à vous connecter à des sources de données en direct et à préparer des séries temporelles pour la prévision. Vous récupérerez des données horaires de demande d’électricité via l’API de l’EIA américaine et réaliserez votre première prévision.

Exercise 1: Mettre votre modèle de prévision en production Exercise 2: Architecture d’un projet de prévision Exercise 3: Atouts des frameworks d’expérimentation Exercise 4: Passer en revue les données d’entrée Exercise 5: Effectuer une requête API Exercise 6: Préparer et visualiser les données Exercise 7: Interpréter des visualisations de séries temporelles Exercise 8: Manipuler un objet de prévision Exercise 9: Prévisions avec des modèles de ML Exercise 10: Évaluer les performances du modèle de prévision Exercise 11: Visualiser les performances du modèle de prévision

Découvrez les fondamentaux de l’expérimentation, notamment le backtesting, l’évaluation et l’enregistrement de modèles avec MLflow !

Exercise 1: Expérimentation Exercise 2: Évaluation des prévisions et expérimentation Exercise 3: Explorer le processus d’expérimentation Exercise 4: Flux de travail de l’expérimentation Exercise 5: Rétrotesting Exercise 6: Définir les modèles de prévision Exercise 7: Entraîner des modèles avec backtesting Exercise 8: Visualiser les résultats de prévision Exercise 9: Évaluation du modèle Exercise 10: Transformer la sortie du backtesting Exercise 11: Créer un tableau de classement des modèles Exercise 12: Enregistrement de modèle avec MLflow Exercise 13: Journaliser des modèles optimisés Exercise 14: Rechercher des résultats d’expériences

Apprenez à construire des pipelines de prévision automatisés qui actualisent quotidiennement les données et les prédictions. Vous mettrez en place des processus ETL, enregistrerez des modèles avec MLflow et orchestrerez l’ensemble avec Airflow. Créez un système prêt pour la production avec validation des données et journalisation pour surveiller la santé du pipeline.

Exercise 1: Architecture de pipeline Exercise 2: Définir le pipeline de prévision Exercise 3: Ajuster le modèle Exercise 4: Enregistrer le modèle Exercise 5: Ingestion des données Exercise 6: Contrôles de parité des données Exercise 7: Définir le schéma Exercise 8: Effectuer une validation des données Exercise 9: Airflow Exercise 10: Configuration du DAG Exercise 11: Créer le DAG Exercise 12: Définir l’ordre d’exécution du pipeline Exercise 13: Journaux

Exercice actuel

Exercise 14: Surveiller les logs ETL Exercise 15: Surveiller les journaux de prévision

Découvrez l’essentiel du déploiement en production, du suivi de la santé du pipeline à la détection du drift de modèle. Vous apprendrez les bonnes pratiques pour la reproductibilité, la mise à l’échelle et la maintenance de systèmes de prévision en environnement réel.

Exercise 1: Déploiement du pipeline en production Exercise 2: Que pourrait-il se passer ?Exercise 3: Monitoring vs Observability Exercise 4: Surveillance du pipeline Exercise 5: Catégoriser les risques liés à une API Exercise 6: Élaborer un plan d’atténuation Exercise 7: Dérive du modèle Exercise 8: Calcul d’un seuil et de moyennes mobiles Exercise 9: Identifier le model drift Exercise 10: Bonnes pratiques Exercise 11: Bonnes pratiques de développement Exercise 12: Faire évoluer des pipelines de prévision Exercise 13: Félicitations !