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!

Experimentation

Forecast evaluation & experimentation

Exploring experimentation process

Workflow of experimentation

Backtesting

Defining the forecasting models

Training models with backtesting

Visualizing forecast results

Model Scoring

Transforming backtesting output

Building a model leaderboard

Model Registration with MLflow

Logging tuned models

Searching experiment results

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.

Penerapan Pipeline ke Produksi

Opsi

Masalah Integritas Data

Kegagalan Operasional

Kegagalan Infrastruktur

Apa saja yang bisa salah?

Options

Observability

Monitoring

Monitoring vs Observability

Pemantauan Pipeline

Integritas Data

Ketersediaan

Pernyataan Ulang

Mengategorikan risiko API

Menyusun rencana mitigasi

Perubahan Model

Menghitung ambang batas dan rata-rata bergerak

Mengidentifikasi model drift

Praktik terbaik

Praktik terbaik pengembangan

Menskalakan pipeline peramalan

Selamat!

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. 

Weather API mengubah satuan suhu dari Celsius ke Fahrenheit tanpa pemberitahuan.

Pembacaan sensor panel surya berhenti masuk setelah jendela pemeliharaan.

Pipeline gagal karena versi pandas tidak kompatibel setelah pembaruan.

Perhitungan peramalan gagal dengan kesalahan "division by zero".

Pipeline timeout setelah pemadaman jaringan penyedia cloud berlangsung 3 jam.

Alokasi memori GPU gagal selama pelatihan model pada klaster bersama.

Apa saja yang bisa salah?

Merancang Pipeline Peramalan untuk Produksi

Latihan interaktif praktis