Prenez contact avec nous

Plan du cours

Introduction

  • Modèles de Machine Learning vs logiciels traditionnels

Aperçu du flux de travail DevOps

Aperçu du flux de travail du Machine Learning

Le ML en tant que code et 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

Test 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

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension du cycle de développement logiciel.
  • Une expérience dans la conception ou l'utilisation de modèles de Machine Learning.
  • Une familiarité avec la programmation Python.

Public visé

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

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires