A l’issue de cette formation, vous serez capable de :

• Développer et maintenir un modèle de Machine Learning
• Passer d'un modèle à sa production
• Identifier les acteurs et le coût de l'industrialisation d'un projet Data Science.

Jour 1

Introduction

• L'ère de la Data Science
• Les acteurs dans un projet Data Science
• Le cycle d'un projet Data Science
• L'environnement technique d'un projet Data Science POC (Proof Of Concept), POV (Proof Of Value), production

Cycle de vie d'un projet de Data Science

• Evaluer le projet
• Tester son code
• Rendre son code déployable
• Gérer les versions
• Le plan de déploiement
• Plan de monitoring et de maintenance
• Production des rapports
• Documentation de l'expérience

Pourquoi Kubeflow

• Le déploiement dans le Cloud
• Machine Learning Operations (MLOps)
• Training, Tuning et Serving sur les plateformes d'Intelligence Artificielle (IA)
• Kubeflow : une plateforme de choix de ML et MLOps

Prise en main de Kubeflow

• Aperçu de Kubeflow
• Configuration de l'environnement Kubeflow
• Options de déploiement de Kubeflow
• Configuration de Kubeflow sur Google Cloud Platform (GCP)
• Composants de Kubeflow
• Introduction à Docker
• Pourquoi Kubernetes ?
• Introduction à Kubernetes
• Composants de base de Kubernetes

Exemple de travaux pratiques (à titre indicatif)

• Apprentissage d'un modèle de reconnaissance de caractères avec Kubeflow

Jour 2

Optimisation et déploiement d'un modèle Kubeflow

• Construire un modèle d'apprentissage automatique sur Kubeflow
• Processus de développement du modèle et défis
• Kubeflow Notebook
• Les métadonnées
• Training distribué
• Optimisation des hyperparamètres avec Katib
• Serving sous Kubeflow
• Construire un pipeline d'apprentissage automatique à l'aide de Kubeflow pipeline

Exemples de travaux pratiques (à titre indicatif)

• Apprentissage, optimisation et serving d'un modèle avec Kubeflow
• Déploiement du modèle grâce à un pipeline automatisé avec Kubeflow