MACHINE LEARNING OPERATIONS (MLOps)
Le Data Scientist qui acquiert ces compétences Mlops sera capable de mettre en production et de déployer ses modèles. A l’issue de cette formation, vous aurez acquis des compétences de programmation avancée (WebScraping, Linux, Bash, Git/Github) mais surtout d’isolation et d’orchestration (conteneurisation) grâce à l’utilisation des outils adéquats (Docker, Flask, Kubernetes, Airflow, Mlflow).
2 700 € HT
Modalités de la formation MLOps
E-LEARNING + DISTANCIEL
Durée
150 heures
Tarifs
2 700 € HT/pers
Tarif Intra sur demande
Public visé
Personnes ayant une appétence pour la Data souhaitant se reconvertir ou faire évoluer ses compétences.
Prérequis
Avoir déjà suivi une formation Data Scientist ou occupé un post de Data Scientist depuis 2 ans.
Objectifs pédagogiques
À l’issue de la formation, l’apprenant sera en mesure de :
- Déployer son propre modèle de Machine Learning
- Utiliser la programmation orientée objet et maîtriser le système d’exploitation Linux
- Maîtriser les outils de versionning Git/Github et être capable de gérer des tests unitaires
- Comprendre et apprendre à créer des API avec Flask et FastAPI
- Automatiser des tâches précises grâce à la maîtrise d’Apache Airflow
- Maîtriser les techniques et outils de conteneurisation et d’orchestration des conteneurs
- Mener un projet concret de Data Science permettant d’attester des compétences acquises
Méthodes pédagogiques
Cette formation est en format 100% distanciel et en format hybride :
- 20 % du temps, vous êtes accompagnés par votre professeur et votre cohorte pour des sessions de visioconférence. Vous aurez ainsi des points collectifs (masterclass live, cours de soutien) et des points plus individuels avec votre mentor projet.
- Pour les 85 % restants, vous travaillez sur notre plateforme prête-à-coder avec le soutien d’une cellule support disponible par messagerie instantanée et d’un forum disponible à tout moment.
Modalités d’évaluation
- Test d’entrée et de sortie pour valider les compétences acquises.
- L’évaluation est réalisée tout au long de la formation grâce à des use cases métiers permettant de vous mettre en situation.
- A l’issue de la formation, vous devez également soutenir votre projet devant un jury de 3 personnes qui validera vos compétences.
Délais d’accès
10 jours ouvrés minimum entre la demande du bénéficiaire et le début de la formation.
Accessibilité
Formation accessible aux personnes en situation de handicap.
Programme de la formation MLOps
I/ Programmation Avancée
Webscrapping
- Introduction au langage web (HTML, CSS)
- Extraction de contenu Web avec BeautifulSoup
- Application du scrapping sur Google
Système Linux & Script Bash
- Présentation des Systèmes Linux
- Prise en main et utilisation d’un terminal
- Mise en place de scripts Bash
Git
- Introduction au système de gestion de version Git
- Initialisation d’un dépôt Git
- Présentation et approfondissement des concepts git : Branches, Tag, Merge
Github
- Découverte de la plateforme Github pour le travail collaboratif sur Git
- Présentation des fonctionnalités majeures de GitHub : Fork, Pull Request, Issues
- Partager ses modifications avec pull et push
- Participation à l’amélioration de projet public (open source)
- Présentation des principaux workflows git
- DataOps – Isolation
APIs
- Introduction aux APIs et découverte des architectures micro-services
- Présentation des différentes méthodes HTTP et de leurs fonctions
- Utilisation des librairies FastAPI et Flask pour développer des API RESTful
- Documentation d’une API avec la spécification OpenAPI
- Gestion des erreurs et des performances d’une API
Docker
- Présentation de la conteneurisation et de son utilité par rapport à la virtualisation o Initiation au fonctionnement de Docker
- Manipulation des images et des conteneurs
- Communication avec les conteneurs
- Persistance des données grâce aux volumes
- Création d’une image Docker via un Dockerfile
- Partage des images sur le Dockerhub
- Utilisation de dockercompose
II/ DataOps – Orchestration
Kubernetes
- Déployer et gérer des conteneurs
APIs
- Découverte des concepts d’Airflow :
▪ Présentation des principes de l’orchestration et utilité
▪ Graphe orienté acycliques ou DAG (Directed Acyclic Graphs)
▪ Opérateurs - Gestion de tâches par le biais d’Operators spécifiques
- Monitoring des DAGs via l’interface graphique d’Airflow
III/ ModelOps
MLflow
- MLflow tracking
▪ Chargement du projet
▪ Importation des données à tracker
▪ Automatisation et UI - Mlflow projects
▪ Empaqueter le code qui entraîne le modèle dans un format de modèle réutilisable et reproductible
▪ Git et collaboration - MLflow models
▪ Déployer le modèle localement
▪ Déployer le modèle dans un serveur http simple - MLflow Registery
▪ Création du répertoire
▪ Enregistrement du meilleur modèle
▪ Archivage et annotation du modèle - Intégration
▪ Système de stockage
▪ API, Spark
