Plan du cours

Introduction

  • Modèles d'apprentissage automatique vs logiciels traditionnels

Aperçu du workflow DevOps

Aperçu du workflow d'Apprentissage Automatique

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

Formation du modèle

Validation du modèle

Reproduction de la formation du modèle

Déploiement d'un modèle

Mise en production d'un modèle formé

Test d'un système ML

Orchestration de la livraison continue

Surveillance du modèle

Versionnement des données

Adaptation, évolution et maintenance d'une plateforme MLOps

Dépannage

Synthèse et conclusion

Pré requis

  • Une compréhension du cycle de développement logiciel
  • Une expérience dans la construction ou l'utilisation de modèles d'apprentissage automatique
  • Une familiarité avec le langage de programmation Python

Audience

  • Ingénieurs ML
  • Ingénieurs DevOps
  • Ingénieurs données
  • Ingénieurs infrastructure
  • Développeurs logiciels
 35 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (4)

Cours à venir

Catégories Similaires