LTJ
Avis de LE TARNEC Jérémie
LBC FRANCE
Retour d’expérience
Mon avis sur le contenu du stage :
"Correspond aux demandes initiales et en lien avec ma reconversion !"
LE TARNEC Jérémie
LBC FRANCE
5/5
Maîtriser l'industrialisation d'un projet de Data Science
Acquérir les bonnes pratiques de développement et savoir orchestrer, déployer et monitorer son projetDescription de la formation Industrialisation Data Science avance
L'industrialisation d'un projet de Data Science se heurte souvent à de nombreux obstacles. Qu'ils soient budgétaires, organisationnels ou techniques, ces blocages témoignent de la difficulté à dépasser le stade des POCs (Proof of Concept). Cela est particulièrement vrai dans le domaine technique, où les freins au niveau du code et de la chaîne de traitement des données peuvent être légion. Il est donc nécessaire que le data scientist en fonction puisse mettre en œuvre toutes les méthodes lui permettant de récupérer, nettoyer, explorer, et modéliser ses données, avant le déploiement et la mise en production.
Dans un premier temps, cette formation Industrialisation Data Science commence par vous fournir les meilleures pratiques pour faire passer votre projet du stade de la recherche à celui de l'exploitation. Grâce à ces bonnes pratiques de développement, vos applications de data science seront ainsi en mesure d'apporter de la valeur en entreprise.
Une fois que le code du projet de Data Science a été industrialisé, il reste encore un certain nombre d’étapes pour industrialiser le système au complet. Il s’agira notamment de mettre en place un mécanisme d’orchestration, mais aussi d’être capable de déployer régulièrement, et de suivre le comportement du système.
Dans un second temps, ce cours Industrialisation Data Science vous propose de découvrir les systèmes de Data Science industrialisés, et vous fait pratiquer les meilleures méthodes pour faire passer votre projet en production.
ATTENTION, ce cours est constitué de deux modules distincts, les dates renseignées sont celles du premier module. Contactez notre service commercial pour connaitre les dates du second module.
Programme de la formation
Objectifs opérationnels :
Savoir industrialiser un projet de Data Science en respectant les bonnes pratiques de développement.
Savoir orchestrer, déployer et monitorer votre projet de data science industrialisé.
Objectifs pédagogiques :
À l'issue de cette formation Industrialisation Data Science, vous aurez acquis les connaissances et compétences nécessaires pour :
- Savoir emmener votre modèle de data science en production
- Apprendre à gérer les nouvelles contraintes
- Minimiser le coût de transfert de l’exploration à la production
- Découvrir les concepts de Software Craftsmanship (clean code) appliqués à la Data Science
- Découvrir le découpage d’un projet de Machine Learning en différentes briques et les organiser
- Savoir construire l'architecture applicative d'un projet Data Science
- Déployer son application de Machine Learning en production et interagir avec
- Faire consommer des données chaque seconde à une application de Machine Learning
- Mesurer les performances de son application de Machine Learning
Jour 1
Introduction et rappels sur la Data Science
Rôle du data scientist
Convictions
Installation des environnements
Jupyter Notebook
PyCharm
Environnement anaconda
Clean code et notebook
Nettoyer son notebook
Noms des variables
Utilisation de fichiers de configuration
Programmation fonctionnelle
Immutabilité
Créer des fonctions
Mise en pratique
Appliquer les techniques de Clean code à un notebook
Tester son code
Découverte du TDD
Initiation à unittest :
- Les classes de test
- Écrire son premier test
- Les méthode setup et teardown
Intégration à setuptools
Mise en pratique
Écrire ses premiers tests
Jour 2
Documenter son projet
Découverte de Sphinx
Découverte de sphinx-quickstart
Mise en pratique
Documenter son projet
Gérer les versions
Introduction à git
Gérer les versions de code
Utilisation des tags
Stratégies de versionning
Gérer des datasets et des modèles
Rendre son code déployable
Définition du packaging
Introduction à setuptools
Installer son code en local
Gestion des dépendances
Règles simples de démarrage
Mise en pratique
Créer et installer son package
Jour 3
Introduction à la CI / CD
Les différents environnements nécessaires
L’intérêt de l’intégration continue et du déploiement continu
Les outils de CI / CD existants
Mise en pratique
Mettre en place un outil d’intégration continue
Pyramide de tests
Description des différents types de tests
Focus sur les tests d’intégrations et fonctionnels
Présentation de framework de tests
Cloud
Introduction au cloud et aux différents providers
Choix d’un cloud provider pour les travaux pratiques
Orchestration
Le besoin d’orchestration dans un système de Data Science
Présentation de différents orchestrateurs
Mise en pratique
Passer d’un script Python à une série de tâches orchestrées avec Airflow
Jour 4
Architecture
Patterns d’architecture technique pour favoriser la mise en production et la maintenabilité du projet
Identification des artefacts (modèles, données, code…)
Cycles de vie des artefacts
Déploiement
La démarche
Infrastructure as code
Exposition
Méthodes pour exposer un modèle de Data Science
Mise en pratique
Interagir avec un modèle existant
Jour 5
Mise en pratique
Passer d’un modèle one-shot à un modèle qui prédit toutes les secondes
À partir d’un flux de données disponibles, mettre en place les outils nécessaires pour faire une prédiction par seconde
Feedback loops
L’intérêt des boucles de feedback
Identifier les différentes boucles de feedbacks
Mettre en place les différentes boucles de feedbacks
Monitoring
L’enjeu du monitoring
Les indicateurs à suivre
Les pratiques pour mettre en place un monitoring utile tout en respectant les contraintes de SLA
Réentraînement des modèles
Choisir le bon moment pour réentraîner un modèle
Les stratégies à mettre en place pour s’assurer que le modèle en production est toujours pertinent
Bilan et clôture
Partage et retour d’expérience
Questions / réponses
Évaluation de la session
Public cible :
Ce cours Industrialisation Data Science s'adresse aux analystes, statisticiens, développeurs, data scientist, data engineer, machine learning engineer et développeurs d'applications de Data Science.
Prérequis :
Pour suivre cette formation Industrialisation Data Science, il est nécessaire de posséder des connaissances de base de la Data Science (modèles, biais, variances...), des connaissances des librairies de manipulation de données en Python (pandas, numpy...) ainsi qu'une connaissance de la ligne de commande linux (bash par exemple).
Il est également demandé de posséder des connaissances de base en programmation et scripting, ainsi que de savoir développer et modéliser un problème de Data Science simple.
Les personnes souhaitant se former sur le métier de Data Scientist sont invités à suivre la formation Data Scientist : Les fondamentaux de la Data Science (OFDS).
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 27/08/2025
Dates et lieux
Période souhaitée
Lieux
Type d'affichage
Distanciel
Paris
Témoignages pour cette formation
Les avis figurant ci-dessous sont issus des fiches d'évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.