Master 1 · Module complet

MLOps de bout en bout

Faire passer un modèle du notebook à la production : suivi d'expériences, conteneurs, orchestration et déploiement, avec un projet final de classification de tickets.

Objectifs

• Structurer un projet ML reproductible
• Suivre ses expériences et versionner ses modèles avec MLflow
• Conteneuriser et déployer un modèle avec Docker et Kubernetes
• Automatiser un pipeline de bout en bout

Plan du cours Aperçu gratuit

1. Cycle de vie d'un modèle et culture MLOps
2. Reproductibilité : environnements, données, code
3. Suivi d'expériences avec MLflow
4. Docker, Kubernetes et API de prédiction
5. Orchestration et surveillance
6. Projet final : classifieur de tickets