Parcours · Intermédiaire
MLOps : reproduire, livrer et exploiter un modèle
Industrialiser le cycle de vie d'un modèle de machine learning : rendre un entraînement reproductible avec DVC, tracer les expériences avec MLflow, situer Kubeflow, puis surveiller le drift et préparer le rollback ; labs du niveau 1 en place, modules suivants et épreuves à venir
- 1 niveaux
- 4 modules
- 10 leçons
- 7 labs
- 8 quiz
- 8h
Commencer Leçon : MLOps : industrialiser le cycle de vie du Machine Learning
Recommandé avant de commencer : Machine learning
À propos de ce parcours · compétences couvertes
Bienvenue sur votre parcours MLOps. Le MLOps (Machine Learning Operations) regroupe les pratiques qui font passer un modèle d'un notebook à un service fiable, traçable et surveillé. Le parcours suit trois étapes : reproduire chaque entraînement avec DVC et MLflow, livrer le modèle en situant Kubeflow, puis l'exploiter en surveillant sa dérive avec Evidently et en préparant le retour arrière.
Il suppose la formation Machine learning : les fondamentaux. Le programme ci-dessous liste les leçons publiées : six pour Reproduire, chacune avec son lab, et une pour chacun des modules Livrer et Exploiter. Le module Reproduire se clôt par l'épreuve de fin de niveau Épreuve : rendre un modèle reproductible et traçable ; seules les épreuves des niveaux Livrer et Exploiter restent à venir, avec les autres leçons, qui s'ajouteront à cette liste à mesure qu'elles sortent.
Atteindre un objectif
Ce parcours rassemble l’ensemble de nos contenus sur ce domaine. Votre parcours personnalisé peut n’en utiliser qu’une partie.
- Compétences 5 5 par quiz · 5 en lab · 5 avec preuve
Progression 0 / 10 (0%)
- Connaissance Non mesurée Votre premier quiz apparaîtra à la fin d’une leçon.
- Pratique Non mesurée Les labs mesurent votre capacité à faire. Vous n’avez pas besoin de DSOXLab pour commencer une formation.
- Preuve Non mesurée Les challenges et examens pratiques vérifient que vous savez agir sans procédure détaillée.
Cochez les leçons ici, ou avec « Marquer comme lu » en fin de leçon. La progression reste dans ce navigateur ; rien n’est envoyé au serveur, sauf si vous reliez ce navigateur à un compte facultatif.
M1
Vous rendez un entraînement reproductible sur un clone vierge (environnement verrouillé, données versionnées par DVC dans un stockage S3, pipeline rejoué à l'identique), tracez chaque run avec son commit et l'empreinte de ses données sur un serveur MLflow, désignez le modèle par alias dans le registre et écrivez la suite pytest qui refuse un jeu ou un modèle hors contrat.
Validation du niveau : Challenge · Épreuve : rendre un modèle reproductible et traçable