Production-Grade ML Project Tutorial – Build & Deploy

Пересказ

Тезисы

• Проект представляет собой комплексное сквозное решение машинного обучения для прогнозирования цен на акции и оптимизации распределения портфеля. 0:00
• Прогнозы хранятся в базе данных реального времени Supabase (backend-as-a-service), а результаты визуализируются через веб-приложение Streamlit на переднем плане. 0:34
• Для прогнозирования временных рядов используется модель Prophet от Facebook, а для ребалансировки портфеля на основе прогнозов — оптимизация портфеля Марковица (современная теория портфеля). 4:40
• Непрерывная интеграция (CI) реализована с помощью CircleCI для автоматического тестирования кода, а GitHub Actions автоматизируют ежедневное выполнение модели и развертывание на сервере. 20:54
• В проекте демонстрируются лучшие практики написания производственного кода на Python, включая управление версиями Python с помощью Pyenv и зависимостями пакетов с помощью Poetry. 22:09
• Рабочий процесс включает извлечение исторических данных из YFinance, обучение отдельных моделей Prophet для каждой акции, прогнозирование на один день вперед и последующую оптимизацию весов портфеля. 65:45
• Вся система, включая веб-приложение Streamlit и ежедневные запуски модели, размещена на виртуальном частном сервере (VPS) Hostinger. 72:40
• Особое внимание уделяется принципам разработки программного обеспечения, таким как модульная структура кода (исходный код, тесты, конфигурация), юнит-тестирование и использование Make-файлов для автоматизации рутинных задач. 75:36
• GitHub Actions обеспечивают автоматическое развертывание изменений кода на VPS при слиянии с основной веткой, гарантируя актуальность работающего приложения. 84:41