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.

Distribuzione della pipeline in produzione

Opzioni

Problemi di integrità dei dati

Guasti operativi

Guasti di infrastruttura

Cosa potrebbe andare storto?

Observability

Monitoring

Monitoring vs Observability

Monitoraggio della pipeline

Integrità dei dati

Disponibilità

Rettifiche dei dati

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!

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. 

L'applicazione scrive log di esecuzione dettagliati con timestamp in un file di log centralizzato.

L'API traccia e registra i tempi di risposta per ogni richiesta di previsione.

Parte una notifica Slack quando il job giornaliero di ingestion dei dati fallisce.

Un sistema automatico invia un SMS quando la pipeline non è stata eseguita per 24 ore.

Prometheus invia un alert quando l'accuratezza del modello di previsione scende sotto l'85%.

Monitoring vs Observability

Progettare pipeline di forecasting per la produzione

Esercizio pratico interattivo