Objectifs
Maîtrisez l'approche MLOps (Machine Learning Operations) pour concevoir des modèles d'apprentissage machine adaptés à leur déploiement en production puis les maintenir tout au long de leur cycle de vie.
Compétences visées
- Connaître les différentes étapes de vie du modèle et de la donnée après le Proof Of Concept (POC)
- Connaître les méthodes de réduction de dimensions d’un modèle pour le passage à l’échelle
- Connaître les différentes plateformes de production
- Savoir mettre en place des algorithmes d’explicabilité d’un modèle
- Avoir des notions sur l’embarquabilité
- Avoir des notions sur l’entrainement de larges modèles de façon distribuée
- Connaître les méthodes de réduction de dimensions d’un modèle pour le passage à l’échelle
- Connaître les différentes plateformes de production
- Savoir mettre en place des algorithmes d’explicabilité d’un modèle
- Avoir des notions sur l’embarquabilité
- Avoir des notions sur l’entrainement de larges modèles de façon distribuée
Public
Data scientist, data analyst , data engineer, chercheur, ...
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Machine Learning et Deep Learning avec Python ou d'avoir atteint par la pratique un niveau équivalent
Méthode pédagogique
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel Python.
Programme
- La vie après le Proof Of Concept (POC) - 1 jour
- Qu’est ce que le MLOps ?
- Cycle de vie de la data
- Tour d’horizon des différentes plateformes de production
- La malédiction de la dimensionnalité
- Choix techniques de la mise en production
- Présentation de plateformes d’embarquabilité
- Les étapes de mise en production de modèles de Deep Learning - 1 jour
- Algorithmes de réduction de dimension
- Pruning
- Quantization
- Evaluation des performances du modèle après réduction
- Explicabilité du modèle avec les algorithmes LIME et SHAP
- Présentation d’architectures pour l’entrainement de larges modèles en distribué
- Prise en main de Docker - 1 jour
- Présentation de Docker
- Mise en pratique avec le déploiement d’un modèle avec FastAPI et Docker
- Prise en main de Kubernetes - 1 jour
- Présentation de Kubernetes
- Présentation de KubeFlow
- Mise en pratique de déploiement d’un modèle
Modalités d'évaluation
Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.
Solutions de financement
Cette formation peut être financée :
- dans le cadre du plan de développement des compétences de votre Entreprise
- par l’OPCO (opérateur de compétences) de votre Entreprise ou le FAF (Fonds d’Assurance Formation) pour les professionnels libéraux
- par France Travail dans le cadre du dispositif de l'Aide Individuelle à la Formation (soumis à accord de votre Agence)
- à titre personnel
Accessibilité
Vous souhaitez suivre notre formation MLOps et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
