Retour
CoursAvancéGénéralGenAI Builders

MLOps et Machine Learning en Production

Express

À l'issue de cette formation, vous serez capable de :

Maîtriser les concepts fondamentaux
Acquérir des compétences pratiques

Programme Détaillé

6 modules de formation

Module 1

Introduction au Cycle de Vie ML

20-25h
Leçons vidéo
Exercices
Lab pratique
Différences ML vs software engineering
Défis du ML en production
Lifecycle complet (data → training → deployment → monitoring)
Rôles et responsabilités
Composants d'un pipeline ML
Orchestration et automatisation
Data validation et quality checks
Model validation et testing
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Kubernetes pour ML
Docker pour isolation
Cloud platforms (GCP, AWS, Azure)
On-premise vs cloud
Module 2

Data Management et Feature Engineering

20-25h
Leçons vidéo
Exercices
Lab pratique
DVC (Data Version Control)
Gestion de datasets volumineux
Lineage et traçabilité
Reproductibilité
Utilisez Azure CLI pour exécuter cette commande. Consultez la documentation Azure CLI pour la syntaxe complète.
Concept de feature store
Feast pour feature serving
Online vs offline features
Feature sharing entre équipes
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Great Expectations pour data quality
Schema validation
Anomaly detection sur données
Drift detection
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Module 3

Model Training et Experimentation

20-25h
Leçons vidéo
Exercices
Lab pratique
Tracking d'expériences
Logging de métriques et artefacts
Comparaison de runs
Organisation de projets
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Optuna pour optimization
Distributed training
AutoML et Neural Architecture Search
Coût vs performance tradeoffs
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Versioning de modèles
Staging (dev, staging, production)
Metadata management
Model lineage
Module 4

Model Deployment

20-25h
Leçons vidéo
Exercices
Lab pratique
Blue/green deployment
Canary releases
Shadow deployment
A/B testing
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
TensorFlow Serving
Seldon Core
BentoML
Performance optimization (batching, caching)
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
TensorFlow Lite
ONNX Runtime
Model quantization et optimization
Déploiement mobile et IoT
Module 5

Monitoring et Observability

20-25h
Leçons vidéo
Exercices
Lab pratique
Prometheus pour metrics
Grafana pour visualisation
Structured logging
Distributed tracing
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Data drift detection
Model drift detection
Performance degradation
Alerting automatisé
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Runbooks pour incidents ML
Rollback automatisé
Root cause analysis
Post-mortem
Module 6

CI/CD pour Machine Learning

20-25h
Leçons vidéo
Exercices
Lab pratique
Tests unitaires pour ML
Tests d'intégration
Data validation automatisée
Model testing
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.
Automated deployment pipelines
Environment management
Configuration management
Secrets management
Configurez avec YAML selon les spécifications. Consultez la documentation pour les détails.
Airflow pour orchestration
Event-driven retraining
Scheduled retraining
Resource optimization
Utilisez le SDK Python approprié pour implémenter cette fonctionnalité. Consultez la documentation Azure pour les exemples de code complets.

Prérequis pour suivre cette formation

Connaissances de base en programmation

Public Cible

Développeurs
Ingénieurs logiciels

Compétences que vous allez acquérir

TensorFlow Extended (TFX)
Kubeflow et Kubernetes pour ML
MLflow (tracking, registry, deployment)
Airflow pour orchestration
Docker et containerisation
CI/CD avec GitHub Actions, GitLab CI
Monitoring avec Prometheus, Grafana
Feature stores (Feast)
Model serving (TF Serving, Seldon, BentoML)
A/B testing et canary deployment
Data versioning (DVC)

Ressources

Informations Pratiques

Détails de la formation

Durée
20-25h**
Niveau
Avancé
Prix
2230 €
Langue
Français
Certification
-

Pourquoi choisir Adservio Academy ?

Formations 100% pratiques
Formateurs experts certifiés
Accompagnement personnalisé
Contenu à jour avec l'IA