IA & Data

MLOPS - Niveau intermédiaire

3 jours • 21 heures

Description

Industrialiser le cycle de vie des modèles ML avec MLflow, DVC, CI/CD et monitoring

Objectifs pédagogiques

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

Public concerné

Data scientists, ML engineers, data engineers et développeurs Python souhaitant industrialiser leurs modèles et maîtriser les pratiques MLOps en environnement professionnel.

Prérequis

Maîtrise de Python (fonctions, classes, environnements virtuels). Notions de Machine Learning (entraînement, évaluation, scikit-learn). Utilisation de base de Git et Docker.