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.

Pipeline-deployment naar productie

Opties

Problemen met gegevensintegriteit

Operationele storingen

Infrastructuurstoringen

Wat kan er misgaan?

Options

Observability

Monitoring

Monitoring vs Observability

Pipelinebewaking

Dataintegriteit

Beschikbaarheid

Herzieningen

API-risico's categoriseren

Een mitigatieplan opstellen

Modeldrift

Een drempel en voortschrijdende gemiddelden berekenen

Model drift identificeren

Best practices

Best practices voor development

Forecasting-pijplijnen opschalen

Gefeliciteerd!

From Deployment to Production

Leer hoe je schaalbare forecasting-pijplijnen ontwerpt, automatiseert en monitort in Python. Deze gevorderde cursus neemt je mee door de volledige productie-workflow — van data verzamelen en modellen trainen tot deployment en monitoring — met tools zoals MLflow en Airflow.

Je begint met verbinden met live databronnen en bouwt je eerste voorspelling met Amerikaanse elektriciteitsvraagdata. Daarna ontdek je de basis van experimenteren, inclusief backtesting, evaluatie en modelregistratie met MLflow.

Vervolgens bouw je geautomatiseerde forecasting-pijplijnen met ETL-processen, modelregistratie en orkestratie met Airflow. Tot slot leer je de essentials van deployment naar productie, waaronder het monitoren van de gezondheid van de pijplijn, het detecteren van model drift en het onderhouden van forecasts in echte omgevingen.

Leer hoe je schaalbare prognosepijplijnen in Python kunt ontwerpen, automatiseren en monitoren. Deze cursus voor gevorderden laat je de hele productieworkflow zien – van het verzamelen van gegevens en het trainen van modellen tot implementatie en monitoring – met tools als MLflow en Airflow.

Je begint met het verbinden met live gegevensbronnen en het maken van je eerste prognose met gegevens over de elektriciteitsvraag in de VS. Vervolgens leer je de basisprincipes van experimenteren, zoals backtesting, evaluatie en modelregistratie met MLflow.

Dan ga je geautomatiseerde prognosepijplijnen bouwen met ETL-processen, modelregistratie en Airflow-orkestratie. Tot slot leer je de basis van productie-implementatie, zoals het checken of de pipeline goed werkt, het opsporen van modelafwijkingen en het onderhouden van voorspellingssystemen in echte omgevingen.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Leer hoe je schaalbare voorspellingspijplijnen in Python ontwerpt, automatiseert en monitort.

Forecasting-pijplijnen ontwerpen voor productie

Leer hoe je schaalbare prognosepijplijnen in Python kunt ontwerpen, automatiseren en monitoren. 

Applicatie schrijft gedetailleerde uitvoeringslogs met tijdstempels naar een gecentraliseerd logbestand.

API volgt en registreert responstijden voor elke forecast-aanvraag.

Slack-notificatie gaat af wanneer de dagelijkse data-ingestietaak faalt.

Geautomatiseerd systeem stuurt een sms wanneer de pijplijn 24 uur niet heeft gedraaid.

Prometheus alarmeert wanneer de nauwkeurigheid van het forecastmodel onder de 85% zakt.

Monitoring vs Observability

Forecasting-pijplijnen ontwerpen voor productie

Interactieve oefening met praktijkervaring