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.

Üretime Pipeline Dağıtımı

Seçenekler

Veri Bütünlüğü Sorunları

Operasyonel Hatalar

Altyapı Hataları

Neler ters gidebilir?

Options

Observability

Monitoring

Monitoring vs Observability

Pipeline İzleme

Veri Bütünlüğü

Erişilebilirlik

Yeniden Beyanlar

API risklerini kategorize etme

Azaltma planı oluşturma

Model Kayması

Eşik ve hareketli ortalamaları hesaplama

Model drift'ü belirleme

En iyi uygulamalar

Geliştirme için en iyi uygulamalar

Tahminleme veri boru hatlarını ölçeklendirme

Tebrikler!

From Deployment to Production

Python ile ölçeklenebilir tahmin hatlarını nasıl tasarlayacağını, otomatikleştireceğini ve izleyeceğini öğren. Bu ileri seviye kurs, MLflow ve Airflow gibi araçları kullanarak veriyi kaynaklamadan model eğitmeye, dağıtımdan izlemeye kadar tüm üretim iş akışını adım adım gösterir.

Canlı veri kaynaklarına bağlanarak başlayacak ve ABD elektrik talebi verisiyle ilk tahminini oluşturacaksın. Ardından, geriye dönük test (backtesting), değerlendirme ve MLflow kullanarak model kaydı gibi deneysellik temellerini keşfedeceksin.

Sonra ETL süreçleri, model kaydı ve Airflow orkestrasyonu ile otomatik tahmin hatları kuracaksın. Son olarak, üretim dağıtımı temellerini; hat sağlığını izleme, model sürüklenmesini (model drift) tespit etme ve gerçek dünyadaki ortamlarda tahmin sistemlerini sürdürmeyi öğreneceksin.

Python'da ölçeklenebilir tahmin boru hatlarını tasarlama, otomatikleştirme ve izlemeyi öğrenin. Bu ileri düzey kurs, MLflow ve Airflow gibi araçları kullanarak veri kaynakları ve eğitim modellerinden dağıtım ve izlemeye kadar tüm üretim iş akışını adım adım anlatır.

Canlı veri kaynaklarına bağlanarak ve ABD elektrik talebi verilerini kullanarak ilk tahmininizi oluşturarak başlayacaksınız. Ardından, MLflow kullanarak geriye dönük test, değerlendirme ve model kaydı dahil olmak üzere deneme temelini keşfedeceksiniz.

Ardından, ETL süreçleri, model kaydı ve Airflow düzenlemesi ile otomatik tahmin boru hatları oluşturacaksınız. Son olarak, gerçek dünya ortamlarında boru hattının durumunu izleme, model sapmasını tespit etme ve tahmin sistemlerini sürdürme gibi üretim dağıtımının temel unsurlarını öğreneceksiniz.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Python'da ölçeklenebilir tahmin hatlarını tasarlamayı, otomatikleştirmeyi ve izlemeyi öğrenin.

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Python'da ölçeklenebilir tahmin boru hatlarını tasarlama, otomatikleştirme ve izlemeyi öğrenin. 

Uygulama, zaman damgalı ayrıntılı çalıştırma günlüklerini (logs) merkezi bir günlük dosyasına yazar.

API, her tahmin isteği için yanıt sürelerini izleyip kaydeder.

Günlük veri alma işi başarısız olduğunda bir Slack bildirimi tetiklenir.

Boru hattı 24 saat boyunca çalışmadığında otomatik sistem bir SMS gönderir.

Prometheus, tahmin modelinin doğruluğu %85'in altına düştüğünde uyarı verir.

Monitoring vs Observability

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Uygulamalı interaktif egzersiz