MLOps sans trop d'Ops - Construire des systèmes d'apprentissage automatique efficaces

Aperçu

Discover modern, no-nonsense data pipelines for efficient machine learning systems. Learn PaaS advantages and explore real-world applications with open-source code.

Gain insights on ML's future for organizations of all sizes.

Programme

• Introduction au MLOps
Comprendre le MLOps et son Importance
Vue d'ensemble des Personnes, des Processus et de la Technologie dans le MLOps
• Pipelines de Données Modernes
Composants d'un Pipeline de Données
Conception de Flux de Travail Efficaces
Intégration des Sources de Données
• Systèmes de Machine Learning sans Opérations Lourdes
Introduction au Platform-as-a-Service (PaaS)
Avantages et Compromis des Solutions PaaS pour le ML
Études de Cas : PaaS en Action
• Conception et Déploiement de Modèles
Évaluation des Outils Open-Source pour le ML
Atelier Pratique : Déploiement de Modèles avec PaaS
Automatisation du Déploiement : CI/CD pour les Modèles de ML
• Applications Réelles et Exploration de Code
Analyse du Code Source
Pièges Communs dans les Solutions MLOps
Histoires de Réussite de Différentes Industries
• Maintenance et Surveillance des Systèmes de ML
Meilleures Pratiques pour la Surveillance des Modèles
Boucles de Rétroaction et Réentraînement des Modèles
Gestion des Dérives et des Anomalies
• Avenir du ML dans les Organisations
Tendances Émergentes dans le MLOps
Évolutivité des Pratiques MLOps pour les Grandes Entreprises
Implications pour les Organisations de Taille Moyenne à Petite
• Revue du Cours et Projet Capstone
Directives et Objectifs du Projet
Élaboration d'une Stratégie Complète de MLOps
Session de Présentation et de Retours

---

Matières

Data Science