Première partie : Ingénierie logicielle et ML

Module 1 : Prise en main
1.1 : S'assurer que tous les participants comprennent ce qu'on attend du ML Engineer
1.2 : Faire des rappels en Cloud Computing

Module 2 : Auto ML
2.1 : Automatiser l'entraînement de modèles
2.2 : Mettre en place des méthodes d'optimisation d'hyper-paramètres

Module 3 : Architecture de code
3.1 : Respecter la norme PEP8 et la docstring (utilisation de Black)
3.2 : Utiliser flake8 pour linter et black pour refactorer le code
3.3 : Utiliser pytest pour rédiger et implémenter des tests unitaires

Seconde partie : Déploiement de modèles

Module 4 : Encapsulation et API
4.1 : Introduire les API REST
4.2 : Encapsuler un modèle dans une API REST
4.3 : Déployer une API sur un serveur

Module 5 : Cycle de vie des modèles
5.1 : Comprendre le cycle de vie des modèles
5.2 : Savoir utiliser MLflow
5.3 : Installer MLflow sur un serveur et le connecter à une source de stockage Google Storage

Module 6 : Conteneurisation
6.1 : Comprendre l'intérêt de Docker et savoir l'utiliser
6.2 : Conteneuriser l'API et l'envoyer vers un registre de conteneurs (DockerHub)

Troisième partie : MLOps

Module 7 : Planification
7.1 : Savoir installer Apache Airflow avec un LocalExecutor
7.2 : Comprendre comment utiliser l'interface pour monitorer les DAGs
7.3 : Être capable de gérer le cycle de vie des tâches et partager des informations dans les DAGs

Module 8 : Pipelines automatisés
8.1 : Faire la différence entre l'apprentissage en ligne et l'apprentissage en continu
8.2 : Mettre en place un pipeline d'apprentissage en continu avec Airflow et logger le résultat dans MLflow

Module 9 : Orchestration de conteneurs
9.1 : Savoir à quoi sert Kubernetes et comment cela fonctionne
9.2 : Mettre en place un cas d'application pour mieux maîtriser Kubernetes