Formation Machine Learning: de la Preuve de Concept à l'Industrialisation

Programme de la formation
Machine Learning: de la Preuve de Concept à l'Industrialisation

• Introduction au Machine Learning et Cycle de Vie MLOps

  - Définition du Machine Learning et ses applications
  - Comprendre le cycle de vie d'un projet ML (MLOps)
  - Vue d'ensemble des différentes phases : POC, développement, production

• Exploration et Préparation des Données pour le ML

  - Techniques d'exploration des données (EDA)
  - Gestion des valeurs manquantes et anomalies
  - Nettoyage et transformation des features (feature engineering)

• Principes Fondamentaux des Modèles de Machine Learning

  - Rappels des algorithmes classiques (régression, classification, clustering)
  - Comprendre les concepts de surapprentissage et sous-apprentissage
  - Métriques d'évaluation pertinentes selon le type de modèle

• Construction du Prototype (POC) et Choix Stratégique

  - Sélection de l'algorithme initial et justification
  - Préparation de l'environnement de développement du POC
  - Évaluation rapide et validation de l'idée de base

• Industrialisation du Développement : Pipelines ML

  - Introduction aux pipelines de données et de modèles
  - Utilisation d'outils comme Scikit-learn Pipelines ou MLflow
  - Structuration du code pour un développement reproductible

• Tracking d'Expériences et Gestion des Modèles

  - Enregistrement des expériences et des hyperparamètres
  - Versioning des modèles et des datasets
  - Outils de tracking : MLflow, Weights & Biases

• Conteneurisation de Modèles : Docker et Ordonnanceurs

  - Principes de la conteneurisation avec Docker
  - Création d'images Docker pour les modèles ML
  - Introduction aux orchestrateurs : Kubernetes (concepts de base)

• Déploiement de Modèles en Production : API

  - Création d'APIs pour l'inférence de modèles (Ex: Flask, FastAPI)
  - Exposition des points d'accès des modèles
  - Considérations de sécurité pour les APIs de ML

• Surveillance et Monitoring des Modèles en Production

  - Suivi des performances des modèles après déploiement
  - Détection de la dérive des données et du concept (data/concept drift)
  - Alerting et tableaux de bord de monitoring

• Mise à Jour et Ré-entraînement Continu des Modèles
• Scalabilité et Performances des Systèmes ML

  - Optimisation des performances d'inférence
  - Utilisation de services cloud pour la scalabilité (Ex: AWS SageMaker, Azure ML)
  - Gestion de grandes volumétries de données et requêtes

• Robustesse, Éthique et Cas d'Usage Avancés

  - Introduction à l'explicabilité et interprétabilité des modèles (XAI)
  - Considérations éthiques et biais dans l'IA
  - Retours d'expérience et défis de l'IA en production