Leer hoe je verbinding maakt met live databronnen en tijdreeksdata voorbereidt voor forecasting. Je haalt uurlijkse elektriciteitsvraagdata op uit de U.S. EIA API en bouwt je eerste voorspelling.

Je voorspellingsmodel naar productie brengen

Architectuur van een forecastingproject

Voordelen van experimentatieframeworks

De invoergegevens bekijken

Een API-verzoek doen

De gegevens voorbereiden en visualiseren

Tijdreeksvisualisaties interpreteren

Werken met een forecast-object

Voorspellen met ML-modellen

De voorspellingsprestatie evalueren

De voorspellingsprestatie visualiseren

Algemene architectuur

Ontdek de basis van experimenteren, inclusief backtesting, evaluatie en modelregistratie met MLflow!

Experimenteren

Evaluatie van voorspellingen & experimenteren

De experimentatieprocedure verkennen

Workflow van experimenteren

Backtesten

De voorspellingsmodellen definiëren

Modellen trainen met backtesting

Visualisaties van voorspellingen

Modelscore

Backtesting-uitvoer transformeren

Een leaderboard voor modellen bouwen

Modelregistratie met MLflow

Getunede modellen loggen

Zoeken in experimenteerresultaten

Leer hoe je geautomatiseerde forecasting-pijplijnen bouwt die dagelijks data en voorspellingen verversen. Je richt ETL-processen in, registreert modellen met MLflow en orkestreert alles met Airflow. Maak een productierijp systeem met datavalidatie en logging om de gezondheid van de pijplijn te monitoren.

Pipeline-architectuur

De forecasting-pijplijn definiëren

Het model fitten

Het model registreren

Data-inname

Data parity-checks

Het schema definiëren

Gegevens valideren

Airflow

De DAG instellen

De DAG maken

Volgorde van pipeline-uitvoering definiëren

Logs

ETL-logs monitoren

Voorspellogs monitoren

Automatisering instellen

Ontdek de essentials van deployment naar productie, van het monitoren van de pijplijngezondheid tot het detecteren van model drift. Je leert best practices voor reproduceerbaarheid, opschalen en het onderhouden van forecasting-systemen in echte omgevingen.

Pipeline-deployment naar productie

Wat kan er misgaan?

Monitoring vs Observability

Pipelinebewaking

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!

Van deployment naar productie

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. 

Tijdreeksvisualisaties interpreteren

Forecasting-pijplijnen ontwerpen voor productie

Interactieve oefening met praktijkervaring