SF33653
4 jours
Formation MLOps.
Formez-vous aux meilleures pratiques pour déployer des modèles de Machine Learning !
Cette formation MLOps vise la maîtrise des pratiques et outils nécessaires pour gérer efficacement le cycle de vie des modèles de machine learning. En suivant cette formation, les participants acquerront une compréhension approfondie des défis liés au développement et à l'exploitation des modèles de machine learning, ainsi que des solutions pour y faire face. Ils apprendront également à automatiser le processus de développement et de déploiement des modèles, à surveiller les modèles en production, à garantir la sécurité et la confidentialité des données, ainsi qu'à documenter et à gouverner les modèles de machine learning. La formation MLOps comporte de nombreux ateliers pratiques, qui permettront une mise en application immédiate des concepts appris, dans des scénarios concrets.
Programme de formation MLOps.
Introduction à la formation MLOps
Définition et objectifs de MLOps
Les défis du développement et de l’exploitation des modèles de machine learning
L’importance de MLOps dans l’industrie
Le cycle de vie DevOps pour les modèles de machine learning
Gestion de la qualité des modèles de machine learning
Critères de qualité des modèles de machine learning : précision, rappel, F1-score, AUC-ROC…
Méthodes de validation et de test des modèles : validation croisée, test unitaire, métriques de performance…
Exemples d’outils pour suivre la qualité des modèles : Pandas Profiling, OpenRefine, Data Wrangler…
Infrastructure pour le développement et la production de modèles ML
Les principales plateformes pour le développement et la production de modèles
Déploiement en production des modèles
Mise à l’échelle des modèles
Gestion des dépendances et des versions
Automatisation et intégration continue
Automatisation du cycle de vie des modèles de machine learning
Intégration avec les pipelines DevOps
Tests automatisés et validation de modèles
Monitoring et surveillance en temps réel des modèles de machine learning en production
Collecte de données d’observation
Suivi des performances des modèles
Détection d’anomalies
Alertes en temps réel
Sécurité et confidentialité des données
Sécurité des données d’entraînement et de test
Confidentialité des données personnelles
Sécurité des modèles de machine learning
Contrôles d’accès aux modèles
Gestion de la documentation et de la gouvernance
Documentation des modèles de machine learning
Approbation des modèles
Évaluation régulière des modèles
Audit des modèles
Nos autres formations en Data Science .
Formation Analyse statistique et modélisation
Formation Big Data, Data Science et Machine Learning : concepts et enjeux pour l’entreprise
Formation Data Science et Machine Learning avec R
Formation Data Science Fondamentaux
Formation Data Storytelling
Formation Data Streaming : traitement des données en temps réel
A travers sa Charte Engagement Qualité, Sparks s’engage à tout mettre en œuvre pour que chaque session de formation soit un succès et que votre satisfaction soit totale.