Ce que vous devez savoir avant
de commencer

Débute 24 June 2025 00:14

Se termine 24 June 2025

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

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

Explorez MLflow et Databricks pour le déploiement de modèles de ML en production. Apprenez la gestion de bout en bout, le suivi des modèles et les stratégies de déploiement, en plus du Feature Store et de l'AutoML de Databricks.
Data Science Festival via YouTube

Data Science Festival

2753 Cours


58 minutes

Mise à niveau optionnelle disponible

Not Specified

Progressez à votre rythme

Free Video

Mise à niveau optionnelle disponible

Aperçu

Explorez MLflow et Databricks pour le déploiement de modèles de ML en production. Apprenez la gestion de bout en bout, le suivi des modèles et les stratégies de déploiement, en plus du Feature Store et de l'AutoML de Databricks.

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

Sujets

Science des données