Aprenda a se conectar a fontes de dados em tempo real e a preparar dados de séries temporais para previsão. Você vai buscar dados horários de demanda de eletricidade pela API da EIA dos EUA e construir sua primeira previsão.

Colocando seu modelo de previsão em produção

Arquitetura de um projeto de forecast

Benefícios dos frameworks de experimentação

Revisando os dados de entrada

Fazendo uma requisição à API

Preparando e visualizando os dados

Interpretando visualizações de séries temporais

Trabalhando com um objeto de previsão

Previsão com Modelos de ML

Avaliando o desempenho do forecast

Visualizando o desempenho do forecast

Arquitetura Geral

Descubra os fundamentos de experimentação, incluindo backtesting, avaliação e registro de modelos usando MLflow!

Experimentação

Avaliação de previsões e experimentação

Explorando o processo de experimentação

Fluxo de trabalho da experimentação

Backtesting

Definindo os modelos de previsão

Treinando modelos com backtesting

Visualizando resultados de previsão

Pontuação do modelo

Transformando a saída do backtesting

Criando um ranking de modelos

Registro de modelos com MLflow

Registrando modelos ajustados

Pesquisando resultados de experimentos

Aprenda a construir pipelines de previsão automatizados que atualizam dados e previsões diariamente. Você vai configurar processos de ETL, registrar modelos com MLflow e orquestrar tudo com Airflow. Crie um sistema pronto para produção com validação de dados e logging para monitorar a saúde do pipeline.

Arquitetura de pipeline

Definindo o pipeline de previsão

Ajustando o modelo

Registrando o modelo

Ingestão de dados

Verificações de paridade de dados

Definindo o esquema

Realizando validação de dados

Airflow

Configurando a DAG

Criando a DAG

Definindo a ordem de execução da pipeline

Logs

Monitorando logs de ETL

Monitorando logs de previsão

Configurando a Automação

Descubra os essenciais de deployment em produção, do monitoramento da saúde do pipeline à detecção de drift do modelo. Você vai aprender boas práticas para reprodutibilidade, escalabilidade e manutenção de sistemas de previsão em ambientes reais.

Implantação do pipeline em produção

O que pode dar errado?

Monitoramento vs Observabilidade

Monitoramento de pipeline

Categorizando riscos de API

Criando um plano de mitigação

Model Drift

Calculando um limite e médias móveis

Identificando model drift

Boas práticas

Boas práticas de desenvolvimento

Escalando pipelines de previsão

Parabéns!

Do Deployment à Produção

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. Este curso avançado percorre todo o fluxo de trabalho de produção — da obtenção de dados e treinamento de modelos ao deployment e monitoramento — usando ferramentas como MLflow e Airflow.

Você vai começar conectando-se a fontes de dados em tempo real e construindo sua primeira previsão com dados de demanda de eletricidade dos EUA. Em seguida, vai explorar os fundamentos de experimentação, incluindo backtesting, avaliação e registro de modelos usando MLflow.

Depois, você vai criar pipelines de previsão automatizados com processos de ETL, registro de modelos e orquestração com Airflow. Por fim, você aprenderá os essenciais de deployment em produção, incluindo monitoramento da saúde do pipeline, detecção de drift do modelo e manutenção de sistemas de previsão em ambientes reais.

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. Este curso avançado mostra todo o fluxo de trabalho de produção — desde a obtenção de dados e treinamento de modelos até a implantação e monitoramento — usando ferramentas como MLflow e Airflow.

Você vai começar conectando-se a fontes de dados em tempo real e criando sua primeira previsão com dados sobre a demanda de eletricidade nos Estados Unidos. Depois, você vai conhecer os fundamentos da experimentação, incluindo backtesting, avaliação e registro de modelos usando o MLflow.

Então você vai criar pipelines de previsão automatizados com processos ETL, registro de modelos e orquestração Airflow. Por fim, você vai aprender o básico sobre implantação de produção, incluindo monitorar a saúde do pipeline, detectar desvios no modelo e manter sistemas de previsão em ambientes reais.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python.

Projetando Pipelines de Previsão para Produção

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. 

Verificações de paridade de dados

Projetando Pipelines de Previsão para Produção

Exercício interativo prático