Cours
Concepts de monitoring en Machine Learning
IntermédiaireNiveau de compétence
Actualisé 05/2026
TheoryMachine Learning2 h11 vidéos33 Exercices2,050 XP5,018Certificat de formation
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprécié par des utilisateurs provenant de milliers d'entreprises
Former une équipe ?
Essayez pour les entreprisesDescription du cours
Surveillance du machine learning
Les modèles d'apprentissage automatique influencent de plus en plus les décisions dans le monde réel. Ces modèles nécessitent une surveillance afin de prévenir les défaillances et de garantir qu'ils apportent une valeur ajoutée à votre entreprise. Ce cours vous présentera les concepts fondamentaux de la création d'un système de surveillance robuste pour vos modèles en production.Découvrez le processus de surveillance idéal
Le cours commence par présenter un plan d'action indiquant par où commencer la surveillance en production et comment structurer les processus autour de celle-ci. Nous aborderons le processus de travail de base en vous montrant comment détecter les problèmes, identifier leurs causes profondes et les résoudre à l'aide d'exemples concrets.Découvrez les défis liés à la surveillance des modèles en production
Le déploiement d'un modèle en production n'est que le début du cycle de vie du modèle. Même s'il fonctionne correctement pendant le développement, il peut échouer en raison de l'évolution constante des données de production. Dans ce cours, vous explorerez les difficultés liées au suivi des performances d'un modèle, en particulier lorsqu'il n'existe aucune vérité terrain.Comprendre en détail le décalage des covariables et la dérive conceptuelle
La dernière partie de ce cours se concentrera sur deux types de défaillance silencieuse des modèles. Vous comprendrez en détail les différents types de changements de covariables et de dérive conceptuelle, leur influence sur les performances du modèle, ainsi que la manière de les détecter et de les prévenir.Prérequis
MLOps ConceptsSupervised Learning with scikit-learn1
Qu’est-ce que le monitoring en ML
Ce premier chapitre explique pourquoi les entreprises doivent monitorer vos modèles de Machine Learning en production. Vous découvrirez le flux de travail idéal de monitoring et ses étapes, ainsi que certains défis auxquels les systèmes de monitoring font face en production.
2
Concepts théoriques du monitoring
Dans le chapitre 2, vous verrez l’importance fondamentale du suivi des performances dans un système de monitoring fiable. Nous explorerons les défis courants rencontrés en production réelle, comme la disponibilité de la vérité terrain. À la fin du chapitre, vous saurez gérer les situations où ces données de vérité terrain sont retardées ou absentes, grâce à des algorithmes d’estimation des performances.
3
Détection du covariate shift et du concept drift
Maintenant que vous connaissez les bases du covariate shift et du concept drift en production, allons un peu plus loin. À la fin de ce chapitre, vous connaîtrez les différentes façons de les détecter et de les gérer dans des scénarios réels.
Concepts de monitoring en Machine Learning
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant
Rejoignez plus de 19 millions d'utilisateurs et commencez Concepts de monitoring en Machine Learning dès aujourd'hui !
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprenez où que vous soyez avec l'application DataCamp
Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.