Utilisation de MLflow et Databricks pour déployer des modèles de ML en production

Aperçu

Explore MLflow and Databricks for production ML model deployment. Learn end-to-end management, model tracking, and deployment strategies, plus Databricks' Feature Store and AutoML.

Programme

• **Introduction à MLflow et Databricks**
Aperçu de MLflow
Introduction à la plateforme Databricks
Comprendre le workflow ML en production
• **MLflow pour la gestion des modèles**
Installation et configuration de MLflow
Suivi des expériences et des exécutions
Gestion des modèles ML avec le registre MLflow
• **Stratégies de déploiement de modèles**
Déploiement par lot vs. en temps réel
Déploiement de modèles avec MLflow
Gestion des versions et des retours en arrière des modèles
• **Intégration de Databricks avec MLflow**
Configuration de MLflow avec Databricks
Enregistrement et suivi des expériences dans Databricks
Utilisation des notebooks Databricks pour les expériences ML
• **Feature Store de Databricks**
Introduction aux stores de fonctionnalités
Gestion des fonctionnalités dans Databricks
Réutilisation et partage des fonctionnalités
• **AutoML dans Databricks**
Vue d'ensemble de l'AutoML
Utiliser Databricks AutoML pour l’entraînement automatisé de modèles
Évaluation et déploiement de modèles AutoML
• **Application pratique et études de cas**
Étude de cas : déploiement de modèle de bout en bout
Meilleures pratiques pour le déploiement de ML
Défis et résolution de problèmes en production
• **Conclusion et tendances futures**
Les tendances futures dans le déploiement de modèles ML
Fonctionnalités avancées dans Databricks et MLflow
Stratégies d'apprentissage et d'amélioration continues

---

Matières

Data Science