Sélectionner une page
Formations DevOps MLOPS Formation MLOPS : Machine Learning de pointe

Formation MLOPS : Machine Learning de pointe

Rated 0,0 out of 5
formation MLOps
Prix 3200€ HT / personne
Durée 4 jours (28 heures)

Paris | Classe Virtuelle

Il ne reste que quelques places
Cafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Aide au Financement 4000€ de Bonus Atlas en CPF

Présentation

Notre formation MLOps vous permettra de maîtriser tous les composants essentiels des méthodes MLOps pour vos workflows de machine learning. Les méthodes MLops visent à unifier et à simplifier le processus de développement de modèles de machine learning et leur déploiement.

La formation vous familiarisera avec les concepts d’intégration continue ainsi que le déploiement et le monitoring des workflows. Vous y apprendrez à utiliser le langage Python pour la création de pipelines CI/CD dans vos environnements de production.

Notre programme couvrira également l’utilisation d’outils avancés comme Docker et Kubernetes qui vous permettront de déployer des applications Python conteneurisées afin d’optimiser le déploiement et le scaling de vos modèles.

Notre formation se déroulera sur les dernières versions de Docker Desktop et Kubernetes, à savoir : Docker Desktop 4.27 et Kubernetes 1.29.

 

Objectifs

  • Maitriser les concepts du MLOps
  • Savoir utiliser Python pour la production de modèles ML
  • Pouvoir utiliser Docker et Kubernetes pour le déploiement des modèles

 

Public visé

  • Data scientist
  • Data engineer
  • Ingénieurs DevOps

 

Pré-requis

  • Maitrise de Python
  • Fondamentaux sur Docker et Kubernetes

 

Pré-requis techniques

  • Docker Desktop installé sur sa machine

PROGRAMME DE NOTRE FORMATION MLOPS

 

Introduction au MLOPS

  • Définition et objectifs
  • Différences entre data pipelines et ML Workflow
  • Importance de l’intégration continue
  • Importance de l’intégration continue (CI/CD) pour le machine learning
  • Défis des déploiements de modèles en production
  • Les différents niveaux de MLOPS d’après Microsoft et Google

 

Python pour la production

  • Bonnes pratiques de développement Python
  • Optimiser son environnement de travail
  • Gestion des environnements et des dépendances
  • Création du package Python
  • Écrire du code propre, performant, robuste et qualitatif
  • Tests unitaires et intégration continue pour les modèles ML
  • Comprendre et construire un pipeline CI/CD pour le MLOps

 

Travaux pratiques

  • Exercices de développement en Python : Utilisation de virtualenv et création de packages
  • Mise en place de tests unitaires et intégration continue dans un modèle ML

 

Gestion du cycle de vie des modèles

  • Introduction au model registry
  • Suivi des performances de modèles en production
  • Stratégie de versioning des modèles
  • Gestion des métadonnées et documentation
  • Présentation d’Amazon S3 pour le model registry

 

Travaux pratiques

  • Utilisation de MLFlow et d’un model registry pour versionner et suivre des modèles

 

Serving de modèle

  • Choix des frameworks de déploiement (TensorFlow Serving, Flask, FastAPI, etc.)
  • Configuration et déploiement de services de modèles en production
  • Monitoring des modèles déployés

 

Travaux pratiques

  • Déploiement et configuration d’un service de modèle en utilisant un framework spécifique (TensorFlow Serving, Flask, FastAPI, etc.)
  • Mise en place d’un système de monitoring pour les modèles déployés

 

Outils d’orchestration de workflow pour le machine learning

  • Présentation des outils existants
  • Focus sur Apache Airflow
  • Création de workflows pour la gestion des tâches MLOps
  • Automatisation des pipelines de déploiement et de réentraînement

 

Travaux pratiques

  • Création et exécution de workflows Airflow pour la gestion des tâches MLOps

 

Conteneurisation des API

  • Introduction à Docker
  • Création de conteneurs pour les applications Python
  • Docker compose pour la gestion de plusieurs conteneurs
  • Utilisation de Docker Desktop

 

Travaux pratiques

  • Création de conteneurs Docker pour les applications Python
  • Utilisation de Docker Compose pour gérer plusieurs conteneurs

 

Déploiement sur un Cluster Kubernetes

  • Fondamentaux de Kubernetes
  • Création et déploiement de Pods
  • Orchestration de conteneurs avec Kubernetes
  • Méthodes de déploiement de modèles
  • Méthodes de scaling
  • Gérer son cluster avec K9s
  • Configurateur de services et d’ingress pour les modèles

 

Travaux pratiques

  • Initialisation d’un cluster Kube
  • Déployer une application complète sur Kube
  • Déploiement de modèles sur un cluster Kubernetes et gérer le scaling
  • Configuration de services et d’ingress pour les modèles

 

Conclusion et retour d’expérience

  • Analyse de cas concret de déploiement MLOps
  • Discussion sur les meilleures pratiques et les leçons apprises
  • Échange autour des expériences des participants

Pour aller plus loin

Formation Pycaret

Formation Kubeflow

Formation Tensorflow

Langues et Lieux disponibles

Langues

  • Français
  • Anglais / English

Lieux

  • France entière
    • Paris
    • Lille
    • Reims
    • Lyon
    • Toulouse
    • Bordeaux
    • Montpellier
    • Nice
    • Sophia Antipolis
    • Marseille
    • Aix-en-Provence
    • Nantes
    • Rennes
    • Strasbourg
    • Grenoble
    • Dijon
    • Tours
    • Saint-Étienne
    • Toulon
    • Angers
  • Belgique
    • Bruxelles
    • Liège
  • Suisse
    • Genève
    • Zurich
    • Lausanne
  • Luxembourg

Témoignages

⭐⭐⭐⭐⭐ 4,8/5 sur Google My Business. Vous aussi, partagez votre expérience !

Afficher tous les témoignages

⭐⭐⭐⭐⭐ 4,8/5 sur Google My Business. Vous aussi, partagez votre expérience !

Noter la formation

Prix 3200€ HT / personne
Durée 4 jours (28 heures)

Paris | Classe Virtuelle

Il ne reste que quelques places
Cafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Aide au Financement 4000€ de Bonus Atlas en CPF

UNE QUESTION ? UN PROJET ? UN AUDIT DE CODE / D'INFRASTRUCTURE ?

Pour vos besoins d’expertise que vous ne trouvez nulle part ailleurs, n’hésitez pas à nous contacter.

ILS SE SONT FORMÉS CHEZ NOUS

partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp
partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp