Deployment of Machine Learning Models in Production - eLearning

Comblez le fossé entre la création de modèles d'apprentissage automatique et leur déploiement dans des environnements de production réels grâce à cette formation sur le déploiement de modèles d'apprentissage automatique. Conçu pour les futurs professionnels de l'IA et des données, ce programme pratique vous apprend à mettre en œuvre des solutions d'apprentissage automatique en utilisant les pratiques modernes en matière de déploiement, d'API, de cloud et de MLOps.

Vous apprendrez à packager et à déployer des modèles d'apprentissage automatique, à créer des API pour l'inférence, à conteneuriser des applications avec Docker et à gérer des déploiements évolutifs sur des plateformes cloud. La formation présente également la surveillance, l'automatisation et les workflows CI/CD pour vous aider à comprendre comment les systèmes d'apprentissage automatique sont maintenus dans les environnements de production.

À l'issue de la formation, vous disposerez d'une expérience pratique du déploiement d'applications d'apprentissage automatique évolutives, fiables et prêtes pour des cas d'utilisation réels en entreprise.

Caractéristiques principales

• Cours et supports en anglais
• Niveau débutant à intermédiaire
• 5 heures de vidéos à la demande
• 15 exercices pratiques guidés
• 16 évaluations notées automatiquement
• 20 quiz de révision
• 2 devoirs complets
• Plus de 20 heures de temps d'étude recommandé
• Accès d'un an à la plateforme d'apprentissage
• Certificat de fin de programme inclus

Acquis d'apprentissage

• Construire des modèles d'apprentissage automatique à partir de zéro
• Configurer AWS SageMaker Studio et Jupyter Notebook
• Déployer des points de terminaison en temps réel et gérer les processus de nettoyage
• Développer des scripts pour l'inférence par lots à l'aide de Batch Transform
• Déboguer les problèmes d'application à l'aide de Jupyter Notebook
• Mettre en œuvre des workflows MLOps sur AWS à l'aide de SageMaker

Public cible

• Ingénieurs en apprentissage automatique
• Data scientists
• Ingénieurs en IA
• Développeurs Python
• Professionnels DevOps et MLOps
• Ingénieurs logiciels travaillant sur des applications d'IA
• Étudiants et professionnels en reconversion vers des postes de déploiement d'IA

Prérequis

• Compréhension de base des concepts d'apprentissage automatique
• Maîtrise de la programmation Python
• Connaissances de base des API et des applications web (recommandé)
• Une compréhension générale des concepts de déploiement cloud ou logiciel est un atout

Contenu du cours

Introduction

• Qu'est-ce que le déploiement de modèles?
• Types de déploiement de modèles
• Comment choisir le type de déploiement de modèle?

AWS SageMaker

• Équivalent d'AWS SageMaker sur GCP et Azure
• Connectez-vous à votre compte AWS
• Configuration d'AWS SageMaker Studio
• Ouverture de Jupyter sur SageMaker Studio

Entraînement du modèle

• Clonage du référentiel de cours
• Téléchargement des données - Partie
• Analyse exploratoire des données et ingénierie des caractéristiques
• Code d'entraînement du modèle de base
• Tester le modèle localement
• Tâche d'entraînement SageMaker
• Réglage des hyperparamètres
• Analyse des résultats

Inférence en temps réel SageMaker

• Architecture de l'inférence en temps réel SageMaker
• Création du script d'inférence
• Déploiement du point de terminaison en temps réel
• Appel du modèle
• Nettoyage
• Introduction au point de terminaison multimodèle
• Déploiement du point de terminaison multimodèle
• Appeler le point de terminaison multimodèle
• Introduction au sans serveur
• Déploiement en tant qu'inférence sans serveur

SageMaker Batch Transform

• Architecture de SageMaker Batch Transform
• Créer le script d'inférence pour Batch Transform
• Déclencher une tâche Batch Transform
• Analyser les résultats

MLOps sur SageMaker

• MLOps: opérations d'apprentissage automatique
• Mettre en œuvre MLOps sur le cloud AWS à l'aide de SageMaker
• Créer un projet MLOps à l'aide d'un modèle SageMaker
• Code du modèle de projet SageMaker
• Déboguer les erreurs d'application avec Jupyter Notebook
• Pousser les modifications de code pour déclencher le CI/CD
• Tester le point de terminaison
• Nettoyage

FAQ

Y aura-t-il du matériel pédagogique en plus des vidéos à suivre à son rythme?

Absolument ! L'expérience d'apprentissage à la demande va au-delà des vidéos pour offrir un environnement d'apprentissage totalement immersif, comprenant:

• APPRENDRE: des quiz interactifs de révision et des études de cas concrets pour renforcer les concepts
• ÉVALUER: des évaluations diagnostiques, par module et finales pour suivre vos progrès
• S'EXERCER: des exercices pratiques avec des simulations concrètes et des Cloud Labs
• OBTENIR DES INFORMATIONS: des analyses et des rapports en temps réel mettant en évidence vos progrès d'apprentissage, vos difficultés et les domaines suggérés à revoir pour maîtriser les compétences clés

Puis-je suivre ce cours tout en travaillant à temps plein?

Oui ! Ce cours est conçu pour offrir une flexibilité maximale. Dispensé sous un format en ligne à votre rythme, il vous permet d'apprendre et de vous perfectionner à votre convenance, ce qui facilite la conciliation avec votre emploi à temps plein.

Qu'est-ce que le déploiement de modèles d'apprentissage automatique?

Le déploiement de modèles d'apprentissage automatique est le processus consistant à mettre à disposition des modèles d'apprentissage automatique entraînés dans des environnements de production afin qu'ils puissent générer des prédictions à partir de données réelles.

Ce cours est-il adapté aux débutants ?

Oui. Des connaissances de base en apprentissage automatique et en Python sont recommandées, mais le cours est conçu pour guider les apprenants pas à pas à travers les concepts de déploiement.

Quels outils et technologies vais-je apprendre?

Vous travaillerez avec des outils et des concepts tels que:

• API REST
• Flask ou FastAPI
• Docker
• Plateformes de déploiement cloud
• Workflows CI/CD et MLOps
• Techniques de surveillance des modèles

Pourquoi le déploiement en ML est-il important?

C'est le déploiement qui transforme les modèles d'apprentissage automatique en véritables solutions métier. Sans déploiement, les modèles ne peuvent pas être utilisés dans des applications en production ou des systèmes de production.

Aurai-je l'occasion de m'exercer concrètement?

Oui. Le cours met l'accent sur la mise en œuvre pratique, en aidant les apprenants à déployer et à gérer des modèles d'apprentissage automatique dans des scénarios réalistes.

Quels postes peuvent tirer profit de ce cours?

Ce cours est utile pour des carrières telles que:

• Ingénieur en apprentissage automatique
• Ingénieur en IA
• Ingénieur MLOps
• Data scientist
• Développeur backend pour les systèmes d'IA

Le cours aborde-t-il le déploiement dans le cloud?

Oui. La formation présente les concepts de déploiement pour le cloud et les environnements de production évolutifs.