Pelajari cara terhubung ke sumber data langsung dan menyiapkan data deret waktu untuk peramalan. Anda akan menarik data permintaan listrik per jam dari API EIA AS dan membangun peramalan pertama Anda.

Memproduksikan model peramalan Anda

Arsitektur proyek peramalan

Manfaat kerangka kerja eksperimen

Meninjau data masukan

Mengirim permintaan API

Menyiapkan dan memvisualisasikan data

Menafsirkan visualisasi deret waktu

Bekerja dengan objek peramalan

Peramalan dengan Model ML

Mengevaluasi kinerja peramalan

Memvisualisasikan kinerja peramalan

Arsitektur Umum

Pelajari dasar-dasar eksperimen, termasuk backtesting, evaluasi, dan pendaftaran model menggunakan MLflow!

Eksperimen

Evaluasi peramalan & eksperimen

Menjelajahi proses eksperimen

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

Pelajari cara membangun pipeline peramalan terotomatisasi yang menyegarkan data dan prediksi setiap hari. Anda akan menyiapkan proses ETL, mendaftarkan model dengan MLflow, dan mengorkestrasikannya dengan Airflow. Buat sistem siap produksi dengan validasi data dan pencatatan untuk memantau kesehatan pipeline.

Arsitektur pipeline

Mendefinisikan pipeline peramalan

Melatih model

Mendaftarkan model

Pemasukan data

Pemeriksaan paritas data

Mendefinisikan skema

Melakukan validasi data

Airflow

Menyiapkan DAG

Membuat DAG

Menetapkan urutan eksekusi pipeline

Memantau log ETL

Memantau log peramalan

Menyiapkan Otomatisasi

Pelajari hal-hal penting untuk deployment produksi, mulai dari memantau kesehatan pipeline hingga mendeteksi model drift. Anda akan mempelajari praktik terbaik untuk reprodusibilitas, penskalaan, dan pemeliharaan sistem peramalan di lingkungan nyata.

Penerapan Pipeline ke Produksi

Apa saja yang bisa salah?

Monitoring vs Observability

Pemantauan Pipeline

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!

Dari Deployment ke Produksi

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. 

Manfaat kerangka kerja eksperimen

Merancang Pipeline Peramalan untuk Produksi

Latihan interaktif langsung