MLOps

Description

Ce cours couvre les pratiques et outils du MLOps, la discipline qui vise à mettre en production des modèles de machine learning de manière fiable et reproductible. On y étudie le versioning (Git, DVC), le suivi d’expériences (MLflow), les pipelines de données, la conteneurisation (Docker), le déploiement (FastAPI), le CI/CD et le monitoring en production.

Table of Contents

1. Chapter 1 Introduction au MLOps — Du Notebook à la Production
2. Chapter 2 Environnements et Gestion de Dépendances
3. Chapter 3 Contrôle de Version — Git et DVC
4. Chapter 4 Suivi d’Expériences — MLflow, Weights & Biases
5. Chapter 5 Pipelines de Données et Feature Stores
6. Chapter 6 Entraînement à Grande Échelle — Distributed Training
7. Chapter 7 Conteneurisation — Docker pour le ML
8. Chapter 8 Déploiement de Modèles — REST APIs, FastAPI, Streamlit
9. Chapter 9 CI/CD pour le Machine Learning
10. Chapter 10 Monitoring des Modèles en Production
11. Chapter 11 Reproductibilité en Recherche — Standards et Bonnes Pratiques

Prerequisites

Apprentissage automatique (modèles de ML de base). Programmation Python. Familiarité avec la ligne de commande Linux.

Download