Deneyler

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Rami Krispin

Senior Manager, Data Science and Engineering

Deneyler

Tahmin Hattı

Kısaca deneyler

Problem tanımı

Kısaca deneyler

Hipotez belirleme

Kısaca deneyler

Hipotez testi

Kısaca deneyler

Ek hipotezler için süreci tekrarlama

Kısaca deneyler

Bir sonuca varma

Tahminde deneyler

Deneyler, her soru için en uygun (tahmin) modelleme yaklaşımını belirler.

Veri
Modeller
Eğitim çerçevesi
Performans KPI’ları
Model kayıt süreci
Model seçimi

Veri > modelleme > model kaydı > model seçimi aşamalarını kapsayan tipik iş akışı

Tahminde deneyler

MAPE, RMSE ve Kapsama metrikleri olan çeşitli tahmin modellerini içeren DataFrame

Tahminde deneyler

AutoARIMA modeli vurgulanmış DataFrame

AutoARIMA dokümanında model örneklenirken kullanılabilecek çeşitli argümanlar gösteriliyor

Tahminde deneyler

MSTL_ARIMA_trend modeli vurgulanmış DataFrame

MSTL_ARIMA_trend dokümanında farklı bir trend tahminleyicisi ayarlanabileceği vurgulanıyor

İş akışı

Eğit > test et > değerlendir > dağıt > izle > yeniden ayarla > tekrarla iş akışı

İş akışı

Mimari: veri > veri işleme > geri test > puanlama > günlükleme ve metaveri

İş akışı

Veri işleme

İş akışı

Geri test

İş akışı

Puanlama

İş akışı

Günlükleme

İş akışı

Ayarları bir JSON dosyasında tanımlanmış model

İş akışı

Mimaride kullanılan teknolojiler: veri işleme için pandas, geri test ve puanlama için nixtla, günlükleme için MLflow

Haydi pratik yapalım!

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Preparing Video For Download...