Canlı veri kaynaklarına bağlanmayı ve zaman serisi verisini tahmin için hazırlamayı öğren. ABD EIA API’sinden saatlik elektrik talebi verisini çekecek ve ilk tahminini oluşturacaksın.

Tahmin modelini üretime almak

Tahmin projesi mimarisi

Deney çerçevelerinin faydaları

Girdi verilerini gözden geçirme

Bir API isteği yapmak

Veriyi hazırlama ve görselleştirme

Zaman serisi görselleştirmelerini yorumlama

Bir forecast nesnesiyle çalışmak

ML Modelleri ile Tahmin

Tahmin performansını değerlendirme

Tahmin performansını görselleştirme

Genel Mimari

Backtesting, değerlendirme ve MLflow ile model kaydı dahil olmak üzere deneyselliğin temellerini keşfet!

Deneyler

Tahmin değerlendirme ve deneysellik

Deney sürecini keşfetme

Deney yapma iş akışı

Geriye Dönük Test (Backtesting)

Tahmin modellerini tanımlama

Backtesting ile modelleri eğitme

Tahmin sonuçlarını görselleştirme

Model Puanlama

Backtesting çıktısını dönüştürme

Bir model liderlik tablosu oluşturma

MLflow ile Model Kaydı

Ayarı yapılmış modelleri loglama

Deney sonuçlarını arama

Deneysellik

Veri ve tahminleri günlük yenileyen otomatik tahmin hatlarını nasıl kuracağını öğren. ETL süreçlerini ayarlayacak, modelleri MLflow ile kaydedecek ve her şeyi Airflow ile orkestre edeceksin. Hat sağlığını izlemek için veri doğrulama ve günlük kaydıyla üretime hazır bir sistem oluştur.

Pipeline mimarisi

Tahminleme pipeline'ını tanımlama

Modeli eğitme

Modeli kaydetme

Veri alımı

Veri eşitliği kontrolleri

Şemayı tanımlama

Veri doğrulama gerçekleştirme

Airflow

DAG'i ayarlama

DAG oluşturma

Pipeline yürütme sırasını tanımlama

Günlükler

ETL günlüklerini izleme

Tahmin loglarını izleme

Otomasyonu Ayarlama

Hat sağlığını izlemekten model sürüklenmesini tespit etmeye kadar üretim dağıtımının temel gerekliliklerini keşfet. Yeniden üretilebilirlik, ölçekleme ve gerçek dünyadaki ortamlarda tahmin sistemlerini sürdürmeye yönelik en iyi uygulamaları öğreneceksin.

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!

Dağıtımdan Üretime

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 etkileşimli egzersiz