Prenez contact avec nous

Plan du cours

Introduction

  • Modèles d'apprentissage automatique vs logiciels traditionnels

Aperçu du flux de travail DevOps

Aperçu du flux de travail d'apprentissage automatique

Le ML en tant que Code plus Données

Composants d'un système ML

Étude de cas : Une application de prévision des ventes

Accès aux données

Validation des données

Transformation des données

Du pipeline de données au pipeline ML

Construction du modèle de données

Entraînement du modèle

Validation du modèle

Reproduction de l'entraînement du modèle

Déploiement d'un modèle

Mise en production d'un modèle entraîné (Serving)

Tests d'un système ML

Orchestration de la livraison continue

Surveillance du modèle

Versionnement des données

Adaptation, mise à l'échelle et maintenance d'une plateforme MLOps

Résolution des problèmes (Troubleshooting)

Résumé et conclusion

Pré requis

  • Une compréhension du cycle de développement logiciel
  • De l'expérience dans la construction ou le travail avec des modèles d'apprentissage automatique
  • Familiarité avec la programmation en Python

Audience cible

  • Ingénieurs en apprentissage automatique (ML engineers)
  • Ingénieurs DevOps
  • Ingénieurs des données
  • Ingénieurs en infrastructure
  • Développeurs logiciels
 35 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires