ML engineer

Première partie : Ingénierie logicielle et ML Module 1 : Prise en main 1.1 : S'assurer que tous les participants comprennent ce qu'on attend du ML Engineer 1.2 : Faire des rappels en Cloud Computing Module 2 : Auto ML 2.1 : Automatiser l'entraînement de modèles 2.2 : Mettre en place des méthodes d'optimisation d'hyper-paramètres Module 3 : Architecture de code 3.1 : Respecter la norme PEP8 et la docstring (utilisation de Black) 3.2 : Utiliser flake8 pour linter et black pour refactorer le code 3.3 : Utiliser pytest pour rédiger et implémenter des tests unitaires Seconde partie : Déploiement de modèles Module 4 : Encapsulation et API 4.1 : Introduire les API REST 4.2 : Encapsuler un modèle dans une API REST 4.3 : Déployer une API sur un serveur Module 5 : Cycle de vie des modèles 5.1 : Comprendre le cycle de vie des modèles 5.2 : Savoir utiliser MLflow 5.3 : Installer MLflow sur un serveur et le connecter à une source de stockage Google Storage Module 6 : Conteneurisation 6.1 : Comprendre l'intérêt de Docker et savoir l'utiliser 6.2 : Conteneuriser l'API et l'envoyer vers un registre de conteneurs (DockerHub) Troisième partie : MLOps Module 7 : Planification 7.1 : Savoir installer Apache Airflow avec un LocalExecutor 7.2 : Comprendre comment utiliser l'interface pour monitorer les DAGs 7.3 : Être capable de gérer le cycle de vie des tâches et partager des informations dans les DAGs Module 8 : Pipelines automatisés 8.1 : Faire la différence entre l'apprentissage en ligne et l'apprentissage en continu 8.2 : Mettre en place un pipeline d'apprentissage en continu avec Airflow et logger le résultat dans MLflow Module 9 : Orchestration de conteneurs 9.1 : Savoir à quoi sert Kubernetes et comment cela fonctionne 9.2 : Mettre en place un cas d'application pour mieux maîtriser Kubernetes