← Retour aux formations

Intelligence Artificielle & Data

Machine Learning en Python : du POC à la mise en production — préprocessing, MLflow et déploiement cloud AWS

Intermédiaire
Intelligence Artificielle & Data

À propos de cette formation

Toute personne souhaitant apprendre à utiliser Python pour la data science et le Machine Learning, de la préparation des données à la mise en production d'un modèle.

Objectifs de la formation

  • check_circleImplémenter l'ensemble des étapes de prétraitement des données avec Python
  • check_circleSélectionner le modèle le mieux adapté à un problème donné
  • check_circleEntraîner et évaluer des modèles sur des données réelles
  • check_circleDéployer un modèle dans le cloud et l'exposer via une API

Programme détaillé

Module 1 — Import des données et préprocessing

  • Environnement de développement Python / Anaconda / Jupyter Notebook
  • Pandas : analyse de données tabulaires (CSV, Excel…), statistiques, pivots, jointures, filtres
  • Traitement des valeurs manquantes : imputation par la moyenne, la médiane, l'interpolation et le KNN
  • Traitement des outliers : analyse graphique, méthode de l'IQR, Z-score
  • Standardisation des données
  • Normalisation : Skewness et Kurtosis
  • Gestion des données non balancées : Undersampling, Oversampling, SMOTE
  • Travaux pratiques : manipulation de Python dans Jupyter, exercice pandas, et mise en place du pipeline complet de prétraitements

Module 2 — Entraînement de modèles et évaluation

  • Panorama des modèles d'apprentissage supervisés et non supervisés les plus courants
  • Entraînement de modèles avec Scikit-learn
  • Méthodes d'évaluation : choisir les bonnes métriques selon la problématique
  • Travaux pratiques : entraînement de plusieurs modèles, comparaison des performances et sélection du meilleur

Module 3 — Optimisation des modèles et journalisation des performances

  • Bibliothèques Optuna et Hyperopt pour l'optimisation des hyperparamètres
  • Approche Grid Search pour identifier les meilleurs hyperparamètres
  • Journalisation des hyperparamètres et des métriques dans MLflow
  • Travaux pratiques : optimisation des modèles précédents et enregistrement dans MLflow

Module 4 — Model Drift et Data Drift

  • Importance de surveiller le Model Drift et le Data Drift en production
  • Présentation des bibliothèques Evidently et Streamlit
  • Travaux pratiques : mise en place d'un dashboard Evidently pour monitorer le drift des données

Module 5 — Industrialisation : déploiement dans le cloud

  • Service AWS EC2 pour l'hébergement d'applications
  • Flask pour exposer un modèle de Machine Learning via une API
  • Outils de connexion à l'environnement virtuel : Putty, Visual Studio Code…
  • Déploiement du code via GitHub
  • Travaux pratiques : déploiement d'un modèle sur un environnement cloud AWS avec Flask

Prérequis

Connaissance du langage Python et bases théoriques en Machine Learning.