Fondamentaux MLOps : Pipelines automatisés avec Kubernetes et outils Cloud

Faire passer le machine learning d'un notebook à un environnement de production nécessite plus que du code ; cela demande un cadre opérationnel robuste. Ce cours offre une voie claire à ceux qui cherchent à combler le fossé entre la science des données et l'ingénierie logicielle fiable. Vous apprendrez à transformer des modèles statiques en services évolutifs et automatisés capables de gérer les demandes de données du monde réel. À la fin de ce cours, vous serez capable de concevoir et de maintenir des flux de travail MLOps de bout en bout en utilisant des outils standard de l'industrie. Vous passerez de la compréhension du versionnement de base à la mise en œuvre de stratégies complexes d'orchestration de conteneurs et d'intégration continue. Ce que vous apprendrez : - Comprendre les principes fondamentaux de MLOps et le cycle de vie du machine learning de qualité production. - Gérer le versionnement des données et du code à l'aide de DVC et Git pour assurer la reproductibilité des projets. - Automatiser les flux de travail d'entraînement et de déploiement de modèles avec des outils CI/CD tels que Jenkins et GitHub Actions. - Conteneuriser les applications de machine learning avec Docker et les orchestrer à l'aide de Kubernetes. - Suivre les expériences et gérer les versions de modèles avec MLFlow et des registres centralisés. - Surveiller les performances des modèles et détecter la dérive des données à l'aide de Prometheus et Grafana. - Appliquer des modèles MLOps modernes, y compris l'observabilité de base des LLM et la gestion des données vectorielles. Le cours commence par des définitions fondamentales et une terminologie clé avant de vous guider à travers l'application pratique de l'automatisation, de la conteneurisation et de la surveillance. Vous travaillerez à travers des explications écrites et des exercices basés sur du code qui simulent des scénarios de production réels. Ce cours est conçu pour les débutants en science des données, en ingénierie logicielle ou en DevOps qui souhaitent apprendre le côté opérationnel du machine learning. Aucune expérience préalable des outils MLOps n'est requise. Commencez dès aujourd'hui à construire une infrastructure de machine learning évolutive et fiable.