Explore AI and ML optimization techniques to enhance business outcomes through data understanding and model improvement.
- Introduction à MLOps
Aperçu de MLOps et son importance
Principales différences entre MLOps et DevOps traditionnel
Avantages commerciaux de la mise en œuvre de MLOps
- Fondamentaux de l'apprentissage automatique
Apprentissage supervisé vs apprentissage non supervisé
Aperçu des modèles d'apprentissage automatique populaires
Introduction aux métriques d'évaluation des modèles
- Compréhension et prétraitement des données
Collecte et exploration des données
Nettoyage et transformation des données
Sélection et ingénierie des caractéristiques
- Sélection et entraînement du modèle
Choisir le bon modèle pour le problème
Techniques de réglage des hyperparamètres
Entraînement de modèles d'apprentissage automatique robustes
- Évaluation et validation du modèle
Techniques de validation croisée
Compromis biais-variance
Analyse des métriques de performance
- Déploiement des modèles d'apprentissage automatique
Packaging des modèles avec Docker et Kubernetes
Intégration continue/déploiement continu (CI/CD) pour modèles ML
Solutions de mise à l'échelle pour environnements de production
- Surveillance et maintenance
Surveillance de la performance du modèle en production
Gestion du changement de concept et du changement de données
Réentraînement et mise à jour des modèles
- Automatisation dans MLOps
Automatisation des pipelines ML avec des outils (par ex., MLflow, Kubeflow)
Test et validation automatisés des modèles
Exploitation de l'infrastructure en tant que code (IaC) pour ML
- Études de cas et applications réelles
MLOps dans la vente au détail, la finance, la santé
Étude de cas : Pipeline MLOps de bout en bout
Leçons tirées des mises en œuvre de MLOps
- Tendances émergentes dans MLOps
Explicabilité et éthique dans l'IA
Apprentissage automatique préservant la vie privée
Directions futures dans MLOps
- Revue du cours et projet de synthèse
Résumé et revue du cours
Projet de synthèse : Construction et déploiement d'une solution ML automatisée
Retour d'expérience et conclusion du cours
