Los algoritmos de árboles de decisión como LightGBM y XGBoost han mostrado ser altamente efectivos para series de tiempo. Sin embargo, implementar pipelines de machine learning listos escalables y listos para producción no es una tarea trivial.
En este tutorial exploraremos como utilizar tecnologías open source para crear pipelines para manejar series de tiempo que sean escalables y listos para producción. Mostraremos cómo utilizar herramientas como Dask Numba y ML Forecast para tareas de feature engineering, forecasting y evaluación.
Temario:
- Introducción a series de tiempo
- Feature engineering con ML Forecast
- Cómo entrenar modelos de ML a escala con ML Forecast
- Evaluación de modelos para series de tiempo
- Mejores prácticas
Fecha de sesión