Description
Industrialiser le cycle de vie des modèles ML avec MLflow, DVC, CI/CD et monitoring
Learning Objectives
- Décrire le cycle de vie MLOps et positionner chaque outil dans la chaîne de valeur
- Configurer un serveur MLflow pour le suivi d'expériences, la gestion de modèles et le registre
- Versionner des données et des pipelines ML avec DVC en lien avec Git
- Construire un pipeline ML reproductible et paramétrable avec DVC Pipelines
- Exposer un modèle en production via une API REST avec FastAPI et Docker
- Automatiser l'entraînement, les tests et le déploiement via GitHub Actions (CI/CD/CT)
- Détecter le data drift et le concept drift en production avec Evidently AI
- Superviser les performances d'un modèle en production avec Prometheus et Grafana
- Appliquer les bonnes pratiques de gouvernance et de reproductibilité sur un projet ML réel
Target Audience
Data scientists, ML engineers, data engineers et développeurs Python souhaitant industrialiser leurs modèles et maîtriser les pratiques MLOps en environnement professionnel.
Prerequisites
Maîtrise de Python (fonctions, classes, environnements virtuels). Notions de Machine Learning (entraînement, évaluation, scikit-learn). Utilisation de base de Git et Docker.
Program Outline
Informations
Duration
3 jours
21 heures
Tarif
Sur demande
Similar Trainings
IA & Data
Elasticsearch, administration et exploitation (4-084)
3 jours
2200€
IA & Data
Intelligence artificielle - Deep Learning par la pratique (4-024)
3 jours
2200€
IA & Data
Architectures Data modernes — Data Mesh, Lakehouse et Data Fabric
2 jours
Sur demande
IA & Data
MLOps — Avancé : pipelines, monitoring et scaling
3 jours
Sur demande