Formation Ingénieur Machine Learning DevOps

Développez vos compétences. Zéro euro à payer. Grâce à nos formations payées par l’Etat

Ce que vous apprendrez

PROGRAMME

Ingénieur Machine Learning DevOps

Dans ce programme, vous développerez les compétences DevOps nécessaires pour automatiser les différents aspects et étapes de la création et de la surveillance de modèles d’apprentissage automatique.

CONNAISSANCES PRÉALABLES

Expérience préalable avec Python et Machine Learning. Voir les exigences détaillées.

  • Principes du code propreDéveloppez des compétences essentielles au déploiement de modèles de machine learning de production. Tout d’abord, vous mettrez vos meilleures pratiques de codage sur le pilote automatique en apprenant à utiliser PyLint et AutoPEP8. Ensuite, vous développerez davantage vos compétences git et Github pour travailler avec des équipes. Enfin, vous apprendrez les meilleures pratiques associées aux tests et à la journalisation utilisés dans les paramètres de production afin de vous assurer que vos modèles peuvent résister à l’épreuve du temps.PRÉDIRE LE TAUX DE DÉSABONNEMENT DES CLIENTS AVEC UN CODE PROPRE
  • Création d’un workflow de modèle reproductibleCe cours permet aux étudiants d’être plus efficients, efficaces et productifs dans des projets de ML modernes et réels en adoptant les meilleures pratiques autour de flux de travail reproductibles. En particulier, il enseigne les principes fondamentaux de MLops et comment : a) créer un pipeline d’apprentissage automatique propre, organisé, reproductible et de bout en bout à l’aide de MLflow b) nettoyer et valider les données à l’aide de pytest c) suivre les expériences, le code , et les résultats à l’aide de GitHub et de Weights & Biases d) sélectionner le modèle le plus performant pour la production et e) déployer un modèle à l’aide de MLflow. En cours de route, il aborde également d’autres technologies telles que Kubernetes, Kubeflow et Great Expectations et leur lien avec le contenu de la classe.CONSTRUISEZ UN PIPELINE ML POUR LES PRIX DE LOCATION À COURT TERME À NEW YORK
  • Déployer un pipeline de ML évolutif en productionCe cours enseigne aux étudiants comment déployer de manière robuste un modèle d’apprentissage automatique en production. En route vers cet objectif, les étudiants apprendront à mettre la touche finale à un modèle en adoptant une approche fine des performances du modèle, en vérifiant les biais et en écrivant finalement une carte de modèle. Les étudiants apprendront également à contrôler les versions de leurs données et modèles à l’aide du contrôle de version des données (DVC). La dernière étape de la préparation du déploiement sera l’apprentissage de l’intégration continue et du déploiement continu qui seront accomplis à l’aide des actions GitHub et Heroku, respectivement. Enfin, les étudiants apprendront à écrire une API rapide, vérifiée et auto-documentée à l’aide de FastAPI.DÉPLOIEMENT D’UN MODÈLE D’APPRENTISSAGE AUTOMATIQUE SUR HEROKU AVEC FASTAPI
  • Scoring et suivi automatisés des modèlesCe cours aidera les étudiants à automatiser les processus devops nécessaires pour évaluer et redéployer les modèles de ML. Les étudiants automatiseront la formation et le déploiement du modèle. Ils mettront en place des processus de notation réguliers à effectuer après le déploiement du modèle, et apprendront également à raisonner soigneusement sur la dérive du modèle et à déterminer si les modèles doivent être recyclés et redéployés. Les étudiants apprendront à diagnostiquer les problèmes opérationnels avec les modèles, y compris les problèmes d’intégrité et de stabilité des données, les problèmes de synchronisation et les problèmes de dépendance. Enfin, les étudiants apprendront à configurer des rapports automatisés avec des API.

Début des cours tous les jours