Format : Stage pratique
Niveau Avancé
 
 
 
 
Répartition du temps : 40% exposés
50% pratique
10% échanges

La formation en détails

Description

L'industrialisation du code du projet de Data Science n'est qu'une étape parmi d'autres pour réaliser la mise en production du système et le faire évoluer. En effet, une fois ce premier pas franchi, il s'agira alors de mettre en place un mécanisme d'orchestration, mais aussi d'être capable de déployer régulièrement, et de suivre le comportement du système sur la durée.

Aujourd'hui encore, trop de modèles de Machine Learning ne sont pas déployés en production et demeurent dans les data labs. Une solution à ce problème consiste à réunir les équipes de data science et d'informatique autour du concept de MLOps.

Tout au long de cette formation, vous profiterez de la riche expérience de nos consultants-formateurs pour mettre en œuvre les pratiques de la Data Science en production.
Vous vous approprierez les outils et le processus transversal, collaboratif et itératif MLOps pour réduire le délai de votre mise sur le marché tout en améliorant continuellement la valeur ajoutée pour vos utilisateurs. Le MLOps prend notamment en charge l'intégration continue, ainsi que le déploiement rapide et reproductible des modèles.

Objectifs

  • S'approprier les pratiques MLOps pour industrialiser son projet de Machine Learning
  • Savoir découper un projet de Machine Learning en différentes briques et les organiser
  • Construire l'architecture applicative d'un projet Data Science
  • Déployer son application de Machine Learning en production et interagir avec
  • Maintenir un flux continu de données pour alimenter son application de Machine Learning
  • Mesurer et évaluer les performances de son application de Machine Learning

Public cible

  • Analyste
  • Statisticien
  • Data Scientist
  • Data Engineer
  • Machine Learning Engineer
  • Développeur

Prérequis

Modalités pédagogiques

Une formation alternant théorie et pratique durant laquelle les participants partent d'un modèle de machine learning construit par le formateur qu'ils vont amener en production, étape par étape, en découvrant l'ensemble des briques techniques à mettre en place.
 

Profil du formateur

Toutes nos formations sont animées par des consultants-formateurs expérimentés et reconnus par leurs pairs.
 

Modalités d'évaluation et de suivi

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Une évaluation à chaud sur la satisfaction des stagiaires est réalisée systématiquement en fin de session et une attestation de formation est délivrée aux participants mentionnant les objectifs de la formation, la nature, le programme et la durée de l'action de formation ainsi que la formalisation des acquis.
 

Programme détaillé

Jour 1
CLARIFICATION DE L'APPROCHE MLOPS

INTRODUCTION À LA CI / CD
  • Les différents environnements nécessaires
  • L’intérêt de l’intégration continue et du déploiement continu
  • Les outils de CI / CD existants

PYRAMIDE DE TESTS
  • Description des différents types de tests
  • Focus sur les tests d’intégrations et fonctionnels
  • Présentation de framework de tests

MISE EN PRATIQUE : “METTRE EN PLACE UN OUTIL D'INTÉGRATION CONTINUE”

CLOUD & INFRASTRUCTURE AS CODE
  • Introduction au cloud et aux différents providers
  • Choix d’un cloud provider pour les travaux pratiques
  • Infrastructure as code, principe et découverte de Docker, Ansible et Terraform

ORCHESTRATION
  • Le besoin d’orchestration dans un système de Data Science
  • Présentation de différents orchestrateurs
  • Mise en pratique : ”Passer d’un script Python à une série de tâches orchestrées avec Airflow"

Jour 2

ARTEFACTS
  • Patterns d’architecture technique pour favoriser la mise en production et la maintenabilité du projet
  • Identification des artefacts (modèles, données, code…)
  • Cycles de vie des artefacts
  • Mise en pratique : mise en place de MLFlow

DÉPLOIEMENT
  • La démarche
  • Le couplage / découplage
  • Les stratégies de déploiement

EXPOSITION
  • Méthodes pour exposer un modèle de Data Science
  • Mise en pratique : “Interagir avec un modèle existant”

Jour 3

MISE EN PRATIQUE : “PASSER D’UN MODÈLE ONE-SHOT À UN MODÈLE QUI PRÉDIT TOUTES LES MINUTES”
  • A partir d’un flux de données disponibles, mettre en place les outils nécessaires pour faire une prédiction par minute

FEEDBACK LOOPS
  • L’intérêt des boucles de feedback
  • Identifier les différentes boucles de feedbacks
  • Mettre en place les différentes boucles de feedbacks

MONITORING
  • L’enjeu du monitoring
  • Les indicateurs à suivre
  • Les pratiques pour mettre en place un monitoring utile tout en respectant les contraintes de SLA

AMÉLIORATION CONTINUE
  • Choisir le bon moment pour réentraîner un modèle
  • Les stratégies à mettre en place pour s’assurer que le modèle en production est toujours pertinent
  • MLops
  • Qualité de données pour un projet de Machine Learning

BILAN ET CLÔTURE
  • Partage et retour d’expérience
  • Questions / réponses
  • Évaluation de la session
4.45 / 5

Satisfaction moyenne des participants

Sur la base de 14 avis, collectés en fin de formation.

Nos autres formations du domaine « Data Science » Toutes les formations du domaine

DSBMD Sensibilisation à la Data Science et à ses enjeux
Identifier les opportunités de la Data Science dans son organisation
Durée : 7 h / 1 j
Acculturation
 
 
 
 
Prochaine session : 28 novembre 2022
Nouveau
Durée : 7 h / 1 j
Fondamentaux
 
 
 
 
Prochaine session : 21 novembre 2022
DSFDX Fondamentaux de la Data Science
S'initier à la pratique de la Data Science et constituer sa première boite à outils de Data Scientist
Meilleure vente
Durée : 21 h / 3 j
Fondamentaux
 
 
 
 
Prochaine session : 14 septembre 2022
Meilleure vente
Durée : 21 h / 3 j
Avancé
 
 
 
 
Prochaine session : 03 octobre 2022
NLPSR Data Science : Natural Language Processing (NLP) & Speech Recognition
Devenir un expert du langage écrit et parlé avec python
Nouveau
Durée : 21 h / 3 j
Avancé
 
 
 
 
Prochaine session : 16 novembre 2022
DSGDP Cadrage et pilotage d'un projet de Data Science
Comprendre les spécificités d'un projet de Data Science pour mieux le piloter de la conception au delivery
Durée : 14 h / 2 j
Avancé
 
 
 
 
Prochaine session : 10 octobre 2022

Besoin d'aide pour trouver votre formation ?

Contactez-nous

Sessions & Inscriptions

Session partagée avec d'autres organisations

Prochaines sessions
  • du 26 au 28/09/2022
    Présentiel, Paris
    2 450,00 € HT
  • du 12 au 14/12/2022
    Présentiel, Paris
    2 450,00 € HT
Durée
21 h / 3 j

Demandez un devis Contactez-nous
Télécharger le programme

Organiser une session dédiée à votre organisation

Durée
21 h / 3 j

Vous avez plusieurs collaborateurs à former ?

Cette formation peut être organisée
sous la forme de sessions dédiées
aux membres de votre organisation.

Demandez un devis Contactez-nous Télécharger le programme

Personnaliser cette formation

Cette formation vous intéresse
et vous souhaitez l'adapter pour
vos collaborateurs ?

Nos formateurs et notre équipe pédagogique sont à
votre disposition pour en discuter
et vous proposer un programme sur-mesure.

Contactez-nous Télécharger le programme

OCTO Academy respecte votre vie privée

Ce site web stocke des informations vous concernant via le dépôt de cookie afin de mesurer l’audience du site. Ces données de navigation sont anonymisées.

En cliquant sur « OK pour moi », vous manifestez votre consentement pour le dépôt de ces cookies.

Lire la politique de confidentialité

À propos des cookies

Sur ce site, nous utilisons des cookies pour mesurer notre audience, entretenir la relation avec vous et vous adresser de temps à autre du contenu qualitif ainsi que de la publicité. Vous pouvez sélectionner ici ceux que vous autorisez à rester ici.

Cookies