Formation - Python et MLflow - Concevoir, déployer et surveiller un pipeline MLOps

Intra-entreprise

Référence : dY0HrL0bg9uX

Durée : 35 h sur 5 j

Tarif

17 250 €

M2i Formation

Mougins

Intra-Entreprise

Une formation intra-entreprise réunit dans une même session les salariés d'une seule entreprise. Elle se déroule généralement dans les locaux de l'entreprise. Le tarif est convenu pour la formation d'un groupe de salarié.

Détails de la formation

Méthodes et outils pédagogiques

Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance). Le formateur alterne entre méthode démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont : - Ordinateurs Mac ou PC (sauf pour certains cours de l’offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel) - Environnements de formation installés sur les postes de travail ou en ligne - Supports de cours et exercices En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué. nous consulter pour la faisabilité en distanciel * ratio variable selon le cours suivi

Objectifs de la formation

A l’issue de cette formation, vous serez capable de :

Concevoir et tester un modèle de ML (Machine Learning) avec MLflow
Concevoir et tester un pipeline MLOps robuste avec MLflow
Déployer votre modèle en production
Surveiller votre modèle de production et corriger les écarts.

Méthodes d'évaluation

En cours de formation, par des études de cas ou des travaux pratiques - Et, en fin de formation, par un questionnaire d'auto-évaluation

Pré-requis

Avoir des connaissances en bases de données et/ou analytiques.

Public cible

Managers
Collaborateurs

Programme

Fondamentaux

-Qu'est-ce qu'une donnée ?-Cycle de vie d'une donnée-Cycle de vie de la Data Science-Evolution des analytiques-Apports des analytiques et du Cloud-Qu'est-ce qu'une organisation Data Driven ?-Business Intelligence vs Business Analytics-Du Data Warehouse au Data Lake et au Lakehouse-Gouvernance et qualité des données-Lean, Agilité et DevOps, MLOps appliqués aux données-Conteneurisation et architectures micro-services-Apports de MLOps-Workflow de MLOps-DevOps vs DataOps vs MLOps-Machine Learning et opérations : briser le mur de la confusion-Constituer et former une équipe MLOps-Plateformes et outils de MLOps-Qu'est-ce que MLflow ?-Exemple de travaux pratiques (à titre indicatif)
-Mise en pratique : développer un premier modèle avec MLflowJour 2

Démarrer avec MLflow

-MLflow Projects-MLflow Tracking-MLflow Models-MLflow Model Registry-Exemple de travaux pratiques (à titre indicatif)
-Création d'un premier pipeline avec MLflow

Développement du modèle et expérimentations

-Définir l'expérimentation : explorer le jeu de données-Ajouter des expérimentations : étapes pour concevoir un classificateur logistique-Comparer différents modèles-Affiner le modèle en optimisant les hyperparamètres-Gérer les signatures et schémas des modèles-Ajouter le meilleur modèle au Model Registry-Gérer le cycle de vie de développement du modèleJour 3

Le Machine Learning en production

-Comprendre les challenges des systèmes et projets de ML-Plateformes de ML : Michelangelo, Kubeflow-Spécifier l'architecture d'une plateforme de ML-Architecture des systèmes de haut niveau-MLflow et les autres outils de l'écosystèmeJour 4

Préparer les données et entraîner le modèle

-Structurer le pipeline de données du projet-Sourcer les données-Vérifier la qualité des données-Générer l'ensemble des attributs et des données d'apprentissage-Exécuter le pipeline de bout-à-bout-Utiliser les feature stores-Créer le projet d'apprentissage avec MLflow-Implémenter le job d'apprentissage-Evaluer le modèle-Déployer le modèle dans le Model Registry-Créer une image Docker pour le job d'apprentissageJour 5