Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
La plupart des contenus actuels liés à l'apprentissage automatique se concentrent sur la formation des modèles et le réglage des paramètres, mais 90 % des modèles expérimentaux ne sont jamais mis en production, principalement parce qu'ils n'ont pas été conçus pour durer. Dans ce cours, vous découvrirez comment passer d'une approche axée sur l'ingénierie du machine learning à une approche axée sur les MLOps (Machine Learning Operations) vous permettra de former, documenter, maintenir et adapter vos modèles afin d'exploiter pleinement leur potentiel.
Expérimentez et documentez avec facilité
L'expérimentation de modèles d'apprentissage automatique est souvent enrichissante, mais peut s'avérer chronophage. Ici, vous apprendrez à concevoir des expériences reproductibles afin d'accélérer ce processus tout en rédigeant de la documentation pour vous-même et vos collègues, ce qui facilitera considérablement le travail futur sur le pipeline.Développer des modèles MLOps pour la production
Vous découvrirez les meilleures pratiques en matière de packaging et de sérialisation des modèles et des environnements de production afin de garantir la pérennité des modèles.Développez et automatisez vos pipelines ML
En tenant compte de la complexité des modèles et des données ainsi que de l'automatisation continue, vous pouvez garantir que vos modèles seront adaptés à une utilisation en production et pourront être surveillés et déployés en un clin d'œil.Une fois ce cours terminé, vous serez en mesure de concevoir et de développer des modèles d'apprentissage automatique prêts à être mis en production et de les améliorer continuellement au fil du temps.
Prérequis
Programme de formation
Plan du cours
1
Passer de la recherche à la production
Ce chapitre vous apportera les compétences et connaissances nécessaires pour faire passer vos modèles de Machine Learning de la phase de recherche et développement à un environnement de production. Vous apprendrez à transformer un prototype de recherche en un système fiable, évolutif et maintenable.
- Adopter une mentalité MLOps50 XP
- Quel est un aspect clé des MLOps ?50 XP
- Qu’est-ce que la dette technique ?50 XP
- Écrire du code ML maintenable50 XP
- Contrôle de version50 XP
- Organisation du code50 XP
- Rédiger une documentation ML efficace50 XP
- Pourquoi documenter les méthodes d’étiquetage ?50 XP
- Bonnes pratiques MLOps100 XP
2
Assurer la reproductibilité
Dans ce chapitre, vous verrez l’importance de la reproductibilité en Machine Learning et comment garantir que vos modèles restent reproductibles et fiables dans le temps. Vous explorerez différentes techniques et bonnes pratiques pour assurer la reproductibilité de vos modèles.
3
Le ML en environnement de production
Dans le chapitre 3, vous examinerez les défis liés au déploiement de modèles de Machine Learning en production. Vous découvrirez différentes approches de déploiement de modèles de ML en production ainsi que des stratégies pour surveiller et maintenir des modèles de ML en production.
4
Tester des pipelines de ML
Dans le chapitre final, vous apprendrez les différentes manières de tester des pipelines de Machine Learning et de vérifier qu’ils se comportent comme prévu. Vous verrez pourquoi il est essentiel de tester les pipelines de ML et découvrirez des techniques pour les tester et les valider.
R
Développer des modèles de Machine Learning pour la production
Cours
terminé
