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!

Eksperimen

Evaluasi peramalan & eksperimen

Menjelajahi proses eksperimen

Pemasukan data

Alur kerja eksperimen

Backtesting

Mendefinisikan model peramalan

Melatih model dengan backtesting

Memvisualisasikan hasil peramalan

Penilaian Model

Mentransformasi keluaran backtesting

Membangun papan peringkat model

Pendaftaran Model dengan MLflow

Mencatat model yang dituning

Mencari hasil eksperimen

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

Pelajari cara merancang, mengotomatisasi, dan memantau pipeline peramalan yang dapat diskalakan di Python. Kursus lanjutan ini memandu Anda melalui seluruh alur kerja produksi — mulai dari memperoleh data dan melatih model hingga deployment dan pemantauan — menggunakan alat seperti MLflow dan Airflow.

Anda akan mulai dengan terhubung ke sumber data langsung dan membangun peramalan pertama Anda menggunakan data permintaan listrik AS. Selanjutnya, Anda akan mempelajari dasar-dasar eksperimen, termasuk backtesting, evaluasi, dan pendaftaran model menggunakan MLflow.

Kemudian Anda akan membangun pipeline peramalan terotomatisasi dengan proses ETL, pendaftaran model, dan orkestrasi Airflow. Terakhir, Anda akan mempelajari hal-hal penting untuk deployment produksi, termasuk memantau kesehatan pipeline, mendeteksi model drift, dan memelihara sistem peramalan di lingkungan nyata.

Pelajari cara merancang, mengotomatisasi, dan memantau pipeline peramalan yang skalabel menggunakan Python. Kursus lanjutan ini akan membimbing Anda melalui seluruh alur kerja produksi - mulai dari pengumpulan data dan pelatihan model hingga deployment dan pemantauan - menggunakan alat seperti MLflow dan Airflow.

Anda akan memulai dengan menghubungkan ke sumber data langsung dan membangun perkiraan pertama Anda menggunakan data permintaan listrik AS. Selanjutnya, Anda akan mempelajari dasar-dasar eksperimen, termasuk backtesting, evaluasi, dan pendaftaran model menggunakan MLflow.

Kemudian Anda akan membangun pipeline peramalan otomatis dengan proses ETL, pendaftaran model, dan orkestrasi Airflow. Akhirnya, Anda akan mempelajari dasar-dasar deployment produksi, termasuk memantau kesehatan pipeline, mendeteksi pergeseran model, dan memelihara sistem peramalan dalam lingkungan dunia nyata.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Pelajari cara merancang, mengotomatisasi, dan memantau pipeline peramalan skala besar di Python.

Merancang Pipeline Peramalan untuk Produksi

Pelajari cara merancang, mengotomatisasi, dan memantau pipeline peramalan yang skalabel menggunakan Python. 

Alur kerja eksperimen

Merancang Pipeline Peramalan untuk Produksi

Latihan interaktif langsung