2 Prérequis Cette compétence 1 Débloquées

Compétence · Machine learning · Cadrer, outiller, entraîner et reproduire des modèles de machine learning

Tracer chaque entraînement sur un serveur de suivi et retrouver le run qui a produit un modèle (MLflow)

Tracer un entraînement avec MLflow en local, puis le brancher sur un serveur MLflow qui range les métadonnées dans PostgreSQL et sert les artefacts depuis un bucket S3 sans clé côté client, journaliser paramètres, métriques et modèle de chaque run avec le commit Git et l'empreinte SHA-256 des données en tags, contourner le refus de log_model sur une forêt aléatoire, puis retrouver par une requête sur ces tags le run terminé qui correspond à un commit, en écartant les runs en échec.

Commencer la leçon 1Le domaine Machine learning

• 1 leçon
• ~1 h 10 de lecture
• 1 quiz
• 1 lab de preuve

Le chemin

D'où elle vient, où elle mène

Ce qu'il faut savoir avant, où vous en êtes sur cette compétence, et ce qu'elle ouvre ensuite. Votre état se calcule dans votre navigateur, à partir de ce que vous avez lu et réussi.

Avant · 2 prérequis

• Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)
• Comprendre et utiliser l'historique Git

Conseillé avant · 2

• Rendre un entraînement reproductible et le décrire en pipeline paramétré rejoué à l'identique (uv, DVC)
• Exécuter des conteneurs, persister et connecter

Cette compétence, pour vous

Tracer chaque entraînement sur un serveur de suivi et retrouver le run qui a produit un modèle (MLflow)

Calcul en cours

Elle débloque · 1 compétence

• Enregistrer un modèle, le versionner et le désigner par alias avec sa lignée (MLflow)

Leçons

Comment l'apprendre

1 leçon, soit ~1 h 10, dans l'ordre du programme. Chaque leçon se termine par son quiz.

Le programme

1 leçon · ~1 h 10

1. 1Serveur MLflow : retrouver le run qui a produit un modèle· 70 min

Au-delà des leçons

S'évaluer, pratiquer, passer l'épreuve

Lire une leçon ne confirme rien. Une compétence se confirme par un quiz réussi, se travaille en lab guidé, et se met à l’épreuve par un challenge ou une mission ; un résultat de lab importé n’est pas vérifié par le site.

S'évaluer

1 quiz

En fin de leçon : réussi à 70 %, il confirme la compétence.

Pratiquer

1 lab guidé

• Retrouver le run qui a produit un modèle avec un serveur MLflow

Épreuve

1 preuve pratique

• Épreuve : rendre un modèle reproductible et traçable

Une preuve pratique est un challenge, un capstone ou un lab déclaré.

Autour

Qui la demande, qui l'enseigne

Demandée par

Aucun métier publié ne la demande encore.

Enseignée par

• MLOps

Même bloc · Cadrer, outiller, entraîner et reproduire des modèles de machine learning

• Cadrer un problème de machine learning : choisir la famille d'apprentissage et situer le travail dans le cycle de vie du projet
• Préparer un poste de data science reproductible : environnement conda épinglé et notebook Jupyter qui s'exécute de bout en bout
• Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)
• Regrouper des données sans étiquettes avec k-means et choisir le nombre de groupes (coude, silhouette)
• Entraîner un petit réseau de neurones sur CPU avec PyTorch et lire sa frontière de décision
• Versionner un jeu de données hors de Git et en retrouver une version exacte (DVC)
• Rendre un entraînement reproductible et le décrire en pipeline paramétré rejoué à l'identique (uv, DVC)
• Enregistrer un modèle, le versionner et le désigner par alias avec sa lignée (MLflow)
• Tester données et modèle avant promotion : schéma, bornes, seuil et non-régression face au champion (pytest)

×

📖 Voir la documentation →