MLOps
Data Value
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
3120 €
Durée
Nous contacter
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
Objectifs
Maîtrisez l'approche MLOps (Machine Learning Operations) pour concevoir des modèles d'apprentissage machine adaptés à leur déploiement en production puis les maintenir tout au long de leur cycle de vie.
Compétences visées
- Connaître les différentes étapes de vie du modèle et de la donnée après le Proof Of Concept (POC)
- Connaître les méthodes de réduction de dimensions d'un modèle pour le passage à l'échelle
- Connaître les différentes plateformes de production
- Savoir mettre en place des algorithmes d'explicabilité d'un modèle
- Avoir des notions sur l'embarquabilité
- Avoir des notions sur l'entrainement de larges modèles de façon distribuée
Maîtrisez l'approche MLOps (Machine Learning Operations) pour concevoir des modèles d'apprentissage machine adaptés à leur déploiement en production puis les maintenir tout au long de leur cycle de vie.
Compétences visées
- Connaître les différentes étapes de vie du modèle et de la donnée après le Proof Of Concept (POC)
- Connaître les méthodes de réduction de dimensions d'un modèle pour le passage à l'échelle
- Connaître les différentes plateformes de production
- Savoir mettre en place des algorithmes d'explicabilité d'un modèle
- Avoir des notions sur l'embarquabilité
- Avoir des notions sur l'entrainement de larges modèles de façon distribuée
Programme
- La vie après le Proof Of Concept (POC) - 1 jour
Qu'est ce que le MLOps ?
Cycle de vie de la data
Tour d'horizon des différentes plateformes de production
La malédiction de la dimensionnalité
Choix techniques de la mise en production
Présentation de plateformes d'embarquabilité
- Les étapes de mise en production de modèles de Deep Learning - 1 jour
Algorithmes de réduction de dimension
Pruning
Quantization
Evaluation des performances du modèle après réduction
Explicabilité du modèle avec les algorithmes LIME et SHAP
Présentation d'architectures pour l'entrainement de larges modèles en distribué
- Prise en main de Docker - 1 jour
Présentation de Docker
Mise en pratique avec le déploiement d'un modèle avec FastAPI et Docker
- Prise en main de Kubernetes - 1 jour
Présentation de Kubernetes
Présentation de KubeFlow
Mise en pratique de déploiement d'un modèle
Qu'est ce que le MLOps ?
Cycle de vie de la data
Tour d'horizon des différentes plateformes de production
La malédiction de la dimensionnalité
Choix techniques de la mise en production
Présentation de plateformes d'embarquabilité
- Les étapes de mise en production de modèles de Deep Learning - 1 jour
Algorithmes de réduction de dimension
Pruning
Quantization
Evaluation des performances du modèle après réduction
Explicabilité du modèle avec les algorithmes LIME et SHAP
Présentation d'architectures pour l'entrainement de larges modèles en distribué
- Prise en main de Docker - 1 jour
Présentation de Docker
Mise en pratique avec le déploiement d'un modèle avec FastAPI et Docker
- Prise en main de Kubernetes - 1 jour
Présentation de Kubernetes
Présentation de KubeFlow
Mise en pratique de déploiement d'un modèle
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
Les formations les plus recherchées
Lyon
Toulouse
Marseille
Montpellier
Paris
Bordeaux
Dijon
Mâcon
Nantes
Rennes
Informatique CPF
Informatique en Ligne
Data science
Data science CPF
Data scientist
Technicien informatique
Technicien support informatique
Administrateur systeme
Consultant en informatique
Spark
Programmation
Technicien reseaux
Administrateur reseau
Hadoop
Data science Alfortville
Data scientist Alfortville
Data scientist Antony
Data science Antony
Data science Argenteuil
Data scientist Argenteuil
Data scientist Asnières-sur-Seine
Data science Asnières-sur-Seine
Data science Athis-Mons
Data scientist Athis-Mons