首页
›
热销单品
›
AI大模型与智能应用
›
《大规模时序预测与MLOps部署》
所属分类:AI大模型与智能应用
当前为单品课程,可返回上一级继续浏览同方向资料。
← 返回上一级
← 返回所属目录
咨询 / 购买
📘
大规模时序预测与MLOps部署
共计 30 章节
点击此处阅读海量试读课程:100+行业、1000+细分领域
01
课程导入
学习目标 · 课程结构 · 适用人群
课程导入
学习目标
02
时序数据基础
时间序列定义 · 成分(趋势 · 季节
时序数据基础
时间序列定义
03
时序数据预处理
缺失值处理 · 异常值检测 · 重采样
时序数据预处理
缺失值处理
04
经典统计模型
AR · MA · ARMA
经典统计模型
AR
05
指数平滑与状态空间模型
Holt-Winters · ETS · 状态空间表示
指数平滑
状态空间模型
06
机器学习方法
特征工程(滞后特征 · 滚动统计 · 日历特征)
机器学习方法
特征工程
07
深度学习基础
RNN · LSTM · GRU的原理
深度学习基础
RNN
08
现代深度时序模型
TCN · Transformer · Informer
现代深度时序模型
TCN
09
概率预测与不确定性量化
分位数回归 · 区间预测 · 贝叶斯方法
概率预测
不确定性量化
10
多步预测策略
递归预测 · 直接预测 · 多输出预测
多步预测策略
递归预测
11
多变量与多序列预测
外生变量处理 · 全局模型(Global Model) · 局部模型(Local Model)
多变量
多序列预测
12
大规模数据挑战
数据存储 · 分布式计算(Spark · Dask)
大规模数据挑战
数据存储
13
模型训练与调优
超参数优化(网格搜索 · 贝叶斯优化) · 早停
模型训练
调优
14
模型评估与验证
时序交叉验证(TimeSeriesS… · 滚动窗口评估 · 误差指标(MAE
模型评估
验证
15
MLOps基础
MLOps定义 · 生命周期 · 与传统软件工程的区别
MLOps
定义
16
实验管理
实验跟踪(MLflow · Weights & Biases) · 配置管理
实验管理
MLflow
17
模型注册与版本管理
模型仓库 · 模型版本控制 · 模型血缘
模型注册
版本管理
18
模型部署模式
在线推理(REST/gRPC) · 批量推理 · 流式推理
模型部署模式
REST/gRPC
19
模型服务化
使用FastAPI · Flask · TensorFlow Serving
模型服务化
FastAPI
20
模型监控与漂移检测
数据漂移 · 概念漂移 · 预测漂移
模型监控
漂移检测
21
模型再训练与自动重训
定期重训 · 触发式重训 · 增量学习
模型再训练
自动重训
22
端到端MLOps流水线
使用Airflow · Kubeflow · Prefect
MLOps
端到端
23
云平台与容器化
Docker · Kubernetes · AWS SageMaker
云平台
容器化
24
案例实战
电商销量预测——从数据探索 · 特征工程 · 模型选择到部署上线的完整流程
案例实战
电商销量预测
25
案例实战
云资源监控指标预测——大规模多指标时… · 以及自动扩缩容场景
案例实战
云资源监控指标预…
26
案例实战
金融时序预测——股票/汇率/风险指标… · 处理非平稳性与高噪声 · 以及合规要求
案例实战
金融时序预测
27
常见问题与解决方案
数据泄露 · 过拟合 · 滞后性
常见问题
解决方案
28
性能优化与成本控制
模型压缩 · 量化 · 剪枝
性能优化
成本控制
29
综合项目
从零构建一个大规模时序预测系统 · 包含数据管道 · 模型训练
综合项目
从零构建一个大规…
30
前沿趋势与进阶方向
大模型在时序预测中的应用 · 基础时序模型 · 自动化机器学习(AutoML)
前沿趋势
进阶方向
所属VIP或分类
同VIP:AI-Agent-Harness系统开发
同VIP:AI-Agent原理与自主代理架构
同VIP:AI-Agent性能评估与优化