Impara a collegarti a fonti dati live e a preparare serie temporali per il forecasting. Recupererai i dati orari della domanda di elettricità dall’API EIA degli Stati Uniti e creerai la tua prima previsione.

Mettere in produzione il tuo modello di forecasting

Architettura di un progetto di forecasting

Vantaggi dei framework di sperimentazione

Revisione dei dati di input

Effettuare una richiesta API

Preparare e visualizzare i dati

Interpretare le visualizzazioni di serie temporali

Lavorare con un oggetto di previsione

Previsione con modelli ML

Valutare le prestazioni del forecast

Visualizzare le prestazioni del forecast

Architettura generale

Scopri le basi della sperimentazione, inclusi backtesting, valutazione e registrazione dei modelli con 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

Impara a costruire pipeline di forecasting automatizzate che aggiornano dati e previsioni ogni giorno. Imposterai processi ETL, registrerai i modelli con MLflow e orchestrerai tutto con Airflow. Crea un sistema pronto per la produzione con convalida dei dati e logging per monitorare lo stato della pipeline.

Architettura della pipeline

Definire la pipeline di forecasting

Addestrare il modello

Registrare il modello

Ingestione dei dati

Controlli di parità dei dati

Definire lo schema

Eseguire la validazione dei dati

Airflow

Configurare il DAG

Creare il DAG

Definire l'ordine di esecuzione della pipeline

Monitorare i log ETL

Monitorare i log di forecasting

Impostare l’automazione

Scopri gli elementi essenziali del deployment in produzione, dal monitoraggio dello stato della pipeline al rilevamento del model drift. Imparerai le best practice per la riproducibilità, la scalabilità e la manutenzione di sistemi di forecasting in ambienti reali.

Distribuzione della pipeline in produzione

Cosa potrebbe andare storto?

Monitoring vs Observability

Monitoraggio della pipeline

Classificare i rischi dell'API

Creare un piano di mitigazione

Model Drift

Calcolo di una soglia e delle medie mobili

Identificare il model drift

Best practice

Best practice di sviluppo

Scalare le pipeline di forecasting

Congratulazioni!

Dal deployment alla produzione

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. 

Workflow della sperimentazione

Progettare pipeline di forecasting per la produzione

esercizio interattivo pratico