MLOps : industrialisation et déploiement de modèles de machine learning
Structurez le cycle de vie d’un modèle, de l’expérimentation au déploiement et au suivi en production. Les participants construisent un pipeline reproductible intégrant suivi des expériences, versionnement, conteneurisation et surveillance des modèles.
- Cycle de vie ML et principes MLOps
- Suivi des expériences et registre de modèles
- Préparation des données et reproductibilité
- API de prédiction et conteneurisation
- Automatisation CI/CD pour les modèles
- Déploiement et stratégie de retour arrière
- Monitoring, dérive et réentraînement
