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!

Sperimentazione

Valutazione delle previsioni ed esperimentazione

Esplorare il processo di sperimentazione

Data ingestion

Workflow della sperimentazione

Backtesting

Definire i modelli di forecasting

Addestrare modelli con il backtesting

Visualizzare i risultati delle previsioni

Valutazione del modello

Trasformare l'output del backtesting

Creare una classifica dei modelli

Registrazione dei modelli con MLflow

Registrare i modelli ottimizzati

Cercare i risultati degli esperimenti

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 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

Impara a progettare, automatizzare e monitorare pipeline di forecasting scalabili in Python. Questo corso avanzato ti guida attraverso l’intero workflow di produzione: dall’acquisizione dei dati e l’addestramento dei modelli fino al deployment e al monitoraggio — usando strumenti come MLflow e Airflow.

Inizierai collegandoti a fonti dati live e costruendo la tua prima previsione con i dati sulla domanda di elettricità negli Stati Uniti. Poi scoprirai le basi della sperimentazione, tra cui backtesting, valutazione e registrazione dei modelli con MLflow.

Quindi costruirai pipeline di forecasting automatizzate con processi ETL, registrazione dei modelli e orchestrazione con Airflow. Infine, imparerai gli elementi essenziali del deployment in produzione, tra cui monitorare lo stato della pipeline, rilevare il model drift e mantenere sistemi di forecasting in ambienti reali.

Impara a progettare, automatizzare e monitorare pipeline di previsione scalabili in Python. Questo corso avanzato ti guida attraverso tutto il processo di produzione, dalla raccolta dei dati e l'addestramento dei modelli fino alla distribuzione e al monitoraggio, usando strumenti come MLflow e Airflow.

Inizierai collegandoti a fonti di dati in tempo reale e creando la tua prima previsione con i dati sulla domanda di energia elettrica negli Stati Uniti. Poi, scoprirai le basi della sperimentazione, come il backtesting, la valutazione e la registrazione dei modelli usando MLflow.

Poi creerai pipeline di previsione automatizzate con processi ETL, registrazione dei modelli e orchestrazione Airflow. Infine, imparerai le basi dell'implementazione della produzione, come controllare lo stato della pipeline, individuare eventuali scostamenti dei modelli e gestire i sistemi di previsione in contesti reali.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Impara a progettare, automatizzare e monitorare pipeline di previsione scalabili in Python.

Progettare pipeline di forecasting per la produzione

Impara a progettare, automatizzare e monitorare pipeline di previsione scalabili in Python. 

Trasformare l'output del backtesting

Progettare pipeline di forecasting per la produzione

Esercizio pratico interattivo