Science des données pratique : Création de pipelines ML prêts pour la production

De nombreux data scientists aspirants peuvent entraîner un modèle dans un Jupyter Notebook, mais ont du mal à le transformer en un système fiable et prêt pour la production. Combler le fossé entre les données brutes et une API surveillée en direct est la clé pour créer de la valeur dans le monde réel. Ce cours textuel vous guide tout au long du cycle de vie complet du machine learning, vous aidant à passer de l'analyse exploratoire des données à la création de pipelines automatisés, au déploiement d'API d'inférence et à l'établissement de boucles de surveillance robustes. Ce que vous apprendrez : - Comprendre les principes fondamentaux de la formulation des problèmes ML et de la mise en place d'environnements de projet propres. - Effectuer une analyse exploratoire des données (EDA) et une ingénierie de caractéristiques robuste pour préparer des jeux de données de haute qualité. - Entraîner et évaluer des modèles de machine learning tout en suivant systématiquement les expériences. - Créer des API d'inférence légères pour servir vos modèles à des applications externes. - Mettre en œuvre des flux de travail CI/CD de base et des tests automatisés avec pytest pour votre code de machine learning. - Configurer des systèmes de surveillance pour suivre les performances du modèle et détecter la dérive en production. Vous commencerez par les définitions de base, en apprenant à structurer les projets ML et à mettre en place des environnements reproductibles. À partir de là, vous lirez des implémentations étape par étape de pipelines de données, de stratégies de déploiement de modèles et de pratiques d'intégration continue. Ce cours est conçu pour les data scientists débutants, les développeurs de logiciels et les analystes cherchant à construire des systèmes ML de bout en bout, ne nécessitant qu'une familiarité de base avec Python. Commencez à lire dès aujourd'hui pour sortir vos modèles de machine learning du notebook et les mettre en production.