Identifier les différences entre la Data Science et le MLOps

Expliquer le cycle de vie ML

Installer l’environnement (python, VSCode, Github)

Installer python

Installer Git et configurer les variables globales

Créer un compte github, créer une clé ssh et faire votre premier push

Mettre en œuvre un processus d’ingestion de données

Tester un serveur SFTP avec FileZilla

Structurer efficacement les dossiers d’un projet de ML

Réaliser une analyse exploratoire des données

Construire un pipeline ML modulaire

Parcourir le module data_processing du pipeline du projet churn

Parcourir le fichier config du pipeline du projet churn

Découvrir le rôle de MLflow en MLOps

Installation _ test d’intégration de MLflow

Préparer le projet pour MLflow

Suivre des expérimentations avec Mlflow

Logguer des artefacts visuels dans Mlflow

Séparer l’entraînement des modèles baseline et XGBoost

Logguer un modèle dans MLflow

Comparer plusieurs runs et naviguer dans l’interface Mlflow

Versionner, promouvoir et gérer un modèle avec Mlflow Model Registry

Rendre l’encodage réutilisable pour l’inférence avec Mlflow

Préparer le script de prédiction

Préparer le script de prédiction – charger et prétraiter les données

Recharger un modèle enregistré avec Mlflow pour effectuer une prédiction

Logguer les artifacts de preprocessing dans Mlflow

Réutiliser les artifacts de preprocessing depuis Mlflow

Organiser et nettoyer ses Runs dans l’UI MLflow

Explorez le rôle de DVC dans la gestion des données en MLOps

Initialiser DVC pour suivre les données du projet

Créer un remote DVC

Transférer les données dans le remote DVC

Simuler un collaborateur avec Git et DVC

Créer un pipeline DVC en construisant le stage de prétraitement

Créer un pipeline DVC en construisant le stage d’entraînement

Créer un pipeline DVC et exécuter l’ensemble des étapes

Conclusion ‐ Part1

Présentation de la formation

Présentation du projet prédiction du désabonnement d’un client

Adapter le script prédiction pour la containerisation – Charger et préparer les artefacts

Adapter le script prédiction pour la containerisation – Sécuriser le prétraitement et le scaling

Adapter le script prédiction pour la containerisation – Exécuter l’inférence et tester le script

Basculer vers des chemins absolus et verrouiller l’environnement

Écarter le superflu du build avec un .dockerignore

Poser les bases du Dockerfile

Compléter le Dockerfile avec code, dépendances et commande par défaut

Construire l’image et vérifier le build

Exécuter un smoke test avec bind mount

Créer des volumes nommés pour persister les données

Initialiser les volumes avec BusyBox

Lancer le conteneur avec volumes montés

Explorer et nettoyer images et conteneurs en CLI

Superviser et intervenir en live dans les conteneurs en CLI

Rendre un modèle ML interactif et déployable

Préparer les données pour l’API avec les volumes Docker

Exécuter le modèle sur de nouvelles données et vérifier les résultats

Construire l’API pas à pas avec FastAPI

Construire l’image de l’API et tester les endpoints

Créer une interface utilisateur avec Streamlit

Conteneuriser l’application Streamlit avec Docker

Lancer l’application Streamlit et explorer l’interface

Lancer l’application avec Docker Compose

Conclusion