- Cours pratique
- FSE
- Informatique
Formation Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production
- Durée
- 3 jours
- Niveau
- Intermédiaire
- Modalités
- Distanciel
Description de la formation Machine Learning Data Science
Cette formation Machine Learning et Data Science a pour objectif de vous démontrer en quoi le déploiement de modèles en production constitue une étape cruciale, et par extension, en quoi sa négligence est à l'origine de l'échec de bon nombre de projets Big Data.
Vous y étudierez les bonnes pratiques et les techniques permettant de sécuriser le projet de Data Science ou Machine Learning afin que les aspects nécessaires à la mise en production de l'algorithme soient adressés dès le début du projet.
De cette manière, vous serez en mesure de garantir le succès de cette mise en production, puis d'en assurer la gestion.
Objectifs pédagogiques
À l'issue de cette formation Machine Learning et Data science vous aurez acquis les connaissances et les compétences nécessaires pour :
- Définir les pré-requis, une mise en production ainsi que le monitoring des modèles pour un déploiement dès la phase de cadrage du projet data
- Choisir les outils et les technologies adaptés à votre environnement IT et aux contraintes du projet (compétences techniques, budget, maintenabilité) grâce à un aperçu des principaux outils
- Déployer des modèles de data science et de machine learning en production
- Mettre en place le monitoring des modèles
- Entraîner les modèles de façon continue (retrain, re-scores, re-validates)
- Mesurer le drift des modèles (automated model checking)
- Remplacer l'ancien modèle en production par le nouveau modèle amélioré
- Savoir mettre en place l'intégration continue
Objectifs opérationnels
Savoir déployer avec succès des modèles de machine learning ou data science en production.
Programme
Contenu du cours, module par module
11 modules
- Les objectifs du machine learning : résoudre un problème
- Rappels de l'écosystème Data Science : langages, outils et pratiques
- Les raisons des échecs des passages en production
- Les principales difficultés rencontrées pour la mise en production de modèles
- Qui déploie les modèles et comment ?
- Les différents rôles : le data scientist, le data engineer, le data ops
- Les limites à cette organisation sur la réussite des projets data
- État de l'art : des déploiements sans outillage
- Limites techniques et coûts élevés
- Maintenabilité complexe
- Un exemple avec Tensorflow, PyTorch, scikit-learn, Python, Java
- Un exemple dans le Cloud (AWS, GCP, Azure)
- Des critères d'acceptabilité (user acceptance) obligatoires par le métier : le premier pré-requis
- Des moyens de tester les algorithmes avec les métiers tous les deux jours
- Une communication permanente entre data scientist, data ops, IT, métiers...
- Identifier les données requises et leurs disponibilités
- De nouveaux outils et logiciels : TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku
- De nouvelles compétences : l'ingénieur machine learning, le data ops
- L'importance du choix d'un framework sur la continuité, la maintenabilité et l'utilisation d'un modèle
Travaux pratiques
- L'ingénieur machine learning
- Le data ops
Travaux pratiques
- État de l'art des outils / frameworks utilisés par les grandes sociétés (CAC40, grandes startups, GAFAM)
- Comment choisir un framework de Machine Learning ou de Data Science
- Impacts sur les coûts des projets
- Estimer le coût des outils (in)existants sur le projet
- Estimer le coût des outils de collaboration, de déploiement, de monitoring, etc. sur les projets data
Travaux pratiques
- Portabilité du modèle
- Scalabilité
- Utilisabilité par les applications métiers
- Testabilité
- Pickle
- ONNX
- PMML
- POJO & MOJO
- Entraîner le modèle en production : batch training, real time training
- Batch vs real-time prediction : impacts sur les performances, les évaluations, les infrastructures et les coûts
- Monitorer et mesurer les écarts en production
- Entraîner de façon continue les modèles (retrain, re-score, re-validate)
- Mesurer le drift des modèles (automated model checking)
- Remplacer l'ancien modèle en production par le nouveau modèle amélioré
Travaux pratiques
Déploiement en production
Monitoring
- Comment mesurer la réussite d'un déploiement ?
- La mesure de la réussite des déploiements en CI sur un projet data
- Les métriques
Travaux pratiques
Cette formation alterne théorie et pratique pour une meilleure assimilation des connaissances.
Programme mis à jour le 26/06/2023
Public concerné
Ce cours Déploiement Machine Learning & Data Science cible principalement les développeurs, les ingénieurs machine learning, les data scientists, les data ops et les data engineers.
Prérequis
Pour suivre cette formation Déploiement Machine Learning & Data Science dans des conditions optimales, il est important d'avoir des notions sur le cloud, ainsi que des connaissances de base en Data Science / Machine Learning : statistiques, algorithmie. Il est également nécessaire d'avoir des connaissances basiques en Linux / réseau / Python / bash.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
4,3/5
3 avis
« Ce que j'ai le plus apprécié : "Les échanges avec le formateur et les autre participants" Ce que j'ai le moins apprécié : "N/A" »
LR
Les avis figurant ci-dessus sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.
Formations liées
- AutoML avec H2O.aiRéf. AAHO2 joursFondamentalProchaine session : 15 oct.1 590 €
- Deep Learning avec PyTorchRéf. DLPT3 joursFondamentalProchaine session : 19 oct.2 090 €
- Machine Learning distribué avec Spark MLRéf. MLSP3 joursFondamentalProchaine session : 12 oct.2 090 €
- TensorFlow : Analyse d'images avec TensorFlowRéf. AITF3 joursIntermédiaire