First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

Conception MLOps

Identification des besoins opérationnels

Options

Data Scientist

Expert en la matière

Partie prenante commerciale

Indicateurs clés

Qualité et intégration des données

Évaluation de la qualité des données

Précision

Exhaustivité

Cohérence

Dimensions de la qualité des données

Ingénierie des caractéristiques

Améliorer la performance du modèle

Approches d'ingénierie des caractéristiques

Assistance à un ami

Suivi des expériences

Quels éléments pouvons-nous suivre ?

Ignorer le suivi des expériences

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Il est essentiel pour tout data scientist, ingénieur ou responsable de comprendre les opérations de machine learning<b> </b>(MLOps) afin de faire passer les modèles de machine learning d'un ordinateur portable local à un modèle fonctionnel en production. Ce cours vous présente les processus, phases et niveaux clés du MLOps, notamment la conception, le développement, le déploiement et la surveillance. Vous découvrirez comment l'automatisation permet aux organisations de lancer, surveiller et mettre à jour efficacement leurs modèles de machine learning.

<h2>Découvrez les opérations d'apprentissage automatique (MLOps)</h2>
La compréhension des concepts MLOps est essentielle pour tout scientifique, ingénieur ou dirigeant de données afin de faire passer les modèles d'apprentissage automatique d'un bloc-notes local à un modèle fonctionnel en production.
<br><br>
Dans ce cours, vous apprendrez ce qu'est le MLOps, vous comprendrez les différentes phases des processus MLOps et vous identifierez les différents niveaux de maturité du MLOps. Après avoir découvert les concepts essentiels de MLOps, vous serez bien équipé pour mettre en œuvre l'apprentissage automatique de manière continue, fiable et efficace.
<br><br>
<h2>Découvrez comment l'apprentissage automatique peut être mis à l'échelle et automatisé</h2>
Comment faire évoluer nos projets d'apprentissage automatique en utilisant un minimum de temps et de ressources ? Et comment pouvons-nous automatiser nos processus pour réduire le besoin d'interventions manuelles et améliorer la performance des modèles ? Ce sont des questions fondamentales sur l'apprentissage automatique auxquelles MLOps apporte des réponses.
<br><br>
Dans ce cours MLOps, vous commencerez par explorer les bases de MLOps, en examinant les caractéristiques principales et les rôles associés. Ensuite, vous explorerez plus en détail les différentes phases du cycle de vie de l'apprentissage automatique.
<br><br>
Au fur et à mesure de votre progression, vous découvrirez également des systèmes et des outils permettant de mieux mettre à l'échelle et d'automatiser les opérations d'apprentissage automatique, notamment les magasins de fonctionnalités, le suivi des expériences, les pipelines CI/CD, les microservices et la conteneurisation. Vous explorerez les concepts clés de MLOps, ce qui vous permettra de mieux comprendre leurs applications.

Understanding Machine Learning

Understanding Data Engineering

Découvrez comment MLOps transforme des modèles en production, apportant une réelle valeur commerciale.

Concepts MLOps

Découvrez comment les MLOps permettent de passer des notebooks locaux aux modèles machine learning déployés en production, générant une vraie valeur.

Ingénieur IA associé pour les scientifiques de données

Ingénieur en apprentissage automatique

L'apprentissage automatique en production en Python

Principes de base des MLOps

Il semble que de nombreux clients aient saisi 123456 comme code postal.

Après enquête, il a été constaté que 30 % des valeurs sont incorrectes.

L'âge du client n'est pas indiqué pour 45 % de l'ensemble des clients.

Pour un groupe de produits, 60 % des valeurs sont manquantes.

Dans une table, l'« âge » du client correspond au temps écoulé depuis sa première commande. Dans une autre table, il s'agit de son âge physique réel.

En comparant les deux tables, nous constatons qu'un même identifiant client peut correspondre à deux clients différents.

Dimensions de la qualité des données

Exercice interactif pratique