> Toutes nos certifications > MLOps, déploiement de Machine Learning en production

Formation : MLOps, déploiement de Machine Learning en production

MLOps, déploiement de Machine Learning en production

Télécharger le programme Partager cette formation


Devops : pratique de développement logiciel continu pour déployer avec efficacité et fiabilité les nouveautés. Machine Learning : création et maintien des modèles pour améliorer l’avenir. Association des deux : MLOps pour gérer le cycle de vie des projets de data science, s'appuyant sur la conteneurisation.


Inter
Intra
Sur mesure

Cours pratique en présentiel ou en classe à distance

Réf. MLW
Prix : 1870 € H.T.
  3j - 21h00
Pauses-café et
déjeuners offerts




Devops : pratique de développement logiciel continu pour déployer avec efficacité et fiabilité les nouveautés. Machine Learning : création et maintien des modèles pour améliorer l’avenir. Association des deux : MLOps pour gérer le cycle de vie des projets de data science, s'appuyant sur la conteneurisation.

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Connaître les différentes étapes de vie du modèle et de la donnée après le 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

Public concerné
Ingénieur, développeur, chercheur, data scientist, data-analyst et toute personne désireuse de mettre en pratique le MLOps.

Prérequis
Bonne pratique du langage Python. Connaissances en Machine learning / Deep learning. Utilisation de Docker.
Vous recevrez par mail des informations permettant de valider vos prérequis avant la formation.

Programme de la formation

La vie après le PoC (Proof of Concept)

  • 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.
  • Intégration continue, déploiement et maintenance de modèles.
Travaux pratiques
Mise en place d'un environnement cloud pour le déploiement de modèle. Test d’APIs sur étagère. Gestion des clés d’authentification et des points d’entrée d’API.

Les étapes de mise en production de modèles de Deep Learning

  • Algorithmes de réduction de dimensions (PCA, SVD).
  • Pruning. Quantization.
  • Approximation bas rang. Réseaux de poids binaires.
  • Transformation de Winograd.
  • 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.
Travaux pratiques tutorés
Mise en œuvre d'un modèle de Machine Learning sur les défauts de paiement de crédit, avec explicabilité. Mise en œuvre de pruning sur un modèle de Deep Learning pré-entrainé sur la détection d’objet.

Intégration de Docker et Kubernetes

  • Rappels sur Docker.
  • Mise en pratique avec le déploiement d’un modèle avec FastAPI et Docker.
  • Présentation de Kubernetes.
  • Présentation de KubeFlow.
  • Présentation des principes de gestion de gros volumes et architectures Big Data pour le déploiement de modèle.
  • Bonnes pratiques de mise en production.
Travaux pratiques
Mise en pratique de déploiement d’un modèle avec Docker.


Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Parcours certifiants associés
Pour aller plus loin et renforcer votre employabilité, découvrez les parcours certifiants qui contiennent cette formation :

Solutions de financement
Pour trouver la meilleure solution de financement adaptée à votre situation : contactez votre conseiller formation.
Il vous aidera à choisir parmi les solutions suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.

Avis clients
3,9 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
HELENE B.
30/09/24
3 / 5

Les exercices manquaient de cadre, c’était plus du "savez-vous utiliser chatgpt"
RODOLPHE R.
30/09/24
3 / 5

Beaucoup trop de temps morts, et de passages sans savoir quelle est la tâche a réaliserOn pourrait facilement réduire la formation en 2j au lieu de 3jDe plus trop d’importance donné à chatGPT pour devoir comprendre le fonctionnement des outils
CLÉMENT B.
30/09/24
4 / 5

Intéressant




Horaires
En présentiel, les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
En classe à distance, la formation démarre à partir de 9h.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 16h le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance