Formation Déployer un modèle Machine Learning en production avec Python

Cette formation Déploiement Machine Learning Python permet aux participants de découvrir et d’apprendre les concepts clés du déploiement de modèles de machine learning (ML) en production. Elle combine l’utilisation des outils modernes comme MLflow, Prefect, FastAPI, et Google Cloud Run, tout en abordant les bonnes pratiques pour rendre les solutions robustes, scalables et maintenables.

Les participants exploreront l’intégration des modèles ML dans des environnements de production, les différentes méthodes de suivi et d’optimisation des performances, ainsi que l’orchestration des workflows ML. Enfin, ils seront capables de déployer des applications ML performantes, c’est-à-dire capables de répondre rapidement aux requêtes, de s’adapter à une forte charge de trafic et d’assurer une disponibilité continue, sur des infrastructures cloud modernes.

Objectif opérationnel :

Connaître les concepts clés du déploiement de modèles de machine learning (ML) en production dans un contexte Python.

Objectifs pédagogiques :

À l'issue de cette formation Déploiement Machine Learning Python, vous aurez acquis les connaissances et compétences nécessaires pour :

• Comprendre les différentes étapes de mise en production des modèles ML
• Utiliser MLflow pour suivre, versionner et gérer les expériences ML
• Créer et gérer des workflows automatisés avec Prefect
• Concevoir une API performante pour les modèles ML avec FastAPI
• Déployer et opérer des modèles ML sur Google Cloud Run

Public :

Ce cours s'adresse à toute personne ayant déjà une expérience en machine learning et souhaitant maîtriser les concepts et outils pour passer leurs modèles ML en production.

Prérequis :

Des connaissances préalables en Python et en Machine Learning sont nécessaires pour suivre cette formation. Vous pouvez les acquérir par le biais des formations Python, programme objet (OPYT) et Machine Learning : État de l'art et bonnes pratiques (OMLE).

Introduction à la mise en production des modèles Machine Learning

Suivi et gestion des expériences avec MLflow

Orchestration des workflows ML avec Prefect

Conception d'API pour les modèles ML avec FastAPI

Déploiement sur Google Cloud Run

Ce cours alterne théorie et pratique pour une meilleure assimilation des notions abordées. Les ateliers permettront aux participants de mettre en place une solution complète. Les exemples utilisés seront concrets et applicables à des cas d’usage réels. Les participants disposeront également d’un guide pratique pour reproduire les étapes du cours dans leurs projets professionnels, avec des astuces pour adapter ces pratiques à des environnements variés.