rhachemi / formation-mlops

Formation en ligne au MLFlow : du développement à la production

Formation au MLOps avec MLFlow

Cette formation vise à vous fournir les connaissances et les compétences nécessaires pour mettre en œuvre des pratiques MLOps, en utilisant des outils tels que MLFlow. À travers cinq chapitres, nous explorerons divers aspects de la gestion du cycle de vie des modèles de machine learning, du développement à la production.

1️⃣ Introduction à MLFlow

Dans ce premier chapitre, nous plongerons dans le monde de MLFlow, une plateforme open-source pour la gestion du cycle de vie des modèles machine learning. Vous apprendrez à configurer un environnement MLFlow, à suivre et à gérer les expériences, ainsi qu'à versionner vos modèles.

2️⃣ Un exemple concret: Prédiction du code APE pour les entreprises

Le deuxième chapitre se concentrera sur l'application pratique des concepts appris dans le premier chapitre. Nous prendrons un exemple concret de prédiction du code APE (Activité Principale Exercée) pour les entreprises en utilisant MLFlow. Vous découvrirez comment structurer votre projet, préparer les données, construire et enregistrer un modèle ML, puis suivre ses performances.

3️⃣ Déployer un modèle ML via une API

Dans ce chapitre, nous explorerons les différentes étapes du déploiement d'un modèle ML en production via une API. Vous apprendrez à exposer votre modèle entraîné en tant que service web, permettant ainsi à d'autres systèmes d'interagir avec votre modèle de manière transparente.

4️⃣ Décentraliser l’optimisation des hyperparamètres

L'optimisation des hyperparamètres est cruciale pour maximiser les performances des modèles. Ce chapitre se penchera sur la décentralisation de ce processus, vous montrant comment tirer parti de MLFlow et ArgoCD pour optimiser les hyperparamètres de manière efficace et reproductible.

5️⃣ Maintenance d'un modèle en production

La dernière étape de notre formation se concentre sur la maintenance continue des modèles en production. Vous apprendrez les meilleures pratiques pour surveiller les performances du modèle, gérer les mises à jour, et assurer la stabilité et la fiabilité dans un environnement de production.