2 Prérequis Cette compétence 0 Débloquées

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

Tester données et modèle avant promotion : schéma, bornes, seuil et non-régression face au champion (pytest)

Écrire une suite pytest qui contrôle le schéma et les bornes d'un jeu de données, refuse un modèle dont la RMSE dépasse un seuil lu dans un fichier versionné, et refuse un candidat nettement moins bon que le champion, mesuré sur le même découpage avec une tolérance ; la rendre rejouable sur d'autres jeux et modèles par variables d'environnement, et vérifier qu'elle échoue réellement sur un jeu cassé ou un modèle trop faible, code de sortie compris.

Commencer la leçon 1Le domaine Machine learning

• 1 leçon
• ~1 h 05 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)
• Lancer des tests pytest, lire un échec et corriger un défaut simple

Conseillé avant · 2

• 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)

Cette compétence, pour vous

Tester données et modèle avant promotion : schéma, bornes, seuil et non-régression face au champion (pytest)

Calcul en cours

Elle débloque · rien encore

Aucune autre compétence ne la demande : c'est une compétence de bout de chemin.

Leçons

Comment l'apprendre

1 leçon, soit ~1 h 05, dans l'ordre du programme. Chaque leçon se termine par son quiz.

Le programme

1 leçon · ~1 h 05

1. 1Tester données et modèle ML avec pytest avant promotion· 65 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

• Refuser un modèle moins bon et des données cassées avec pytest

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)
• Tracer chaque entraînement sur un serveur de suivi et retrouver le run qui a produit un modèle (MLflow)
• Enregistrer un modèle, le versionner et le désigner par alias avec sa lignée (MLflow)

×

📖 Voir la documentation →