Master MLOps Fundamentals & Workflow

Chapitre 00 – Partie 1 : Installer Python, conda et les outils essentiels

Chapitre 00 – Partie 2 : Configurer Git, GitHub et les bonnes pratiques

Chapitre 00 – Partie 3 : Installer Docker et tester l'environnement complet

Quiz Chapitre 00

Chapitre 01 – Partie 1 : C'est quoi le MLOps et pourquoi c'est indispensable ?

Chapitre 01 – Partie 2 : Le cycle de vie d'un modèle ML en production

Chapitre 01 – Partie 3 : Premier pipeline ML — de l'entraînement au déploiement

Quiz Chapitre 01

Chapitre 02 – Partie 1 : Pourquoi versionner les données et les modèles ?

Chapitre 02 – Partie 2 : DVC — installation et premiers pas

Chapitre 02 – Partie 3 : DVC pipelines et remotes de stockage

Quiz Chapitre 02

Chapitre 03 – Partie 1 : MLflow Tracking : logger les expériences ML

Chapitre 03 – Partie 2 : MLflow Model Registry : gérer le cycle de vie des modèles

Chapitre 03 – Partie 3 : MLflow Projects : pipelines reproductibles

Quiz Chapitre 03

Chapitre 04 – Partie 1 : Pourquoi Docker est essentiel pour le MLOps

Chapitre 04 – Partie 2 : Dockerfile pour un modèle ML : build et run

Chapitre 04 – Partie 3 : Optimisation des images Docker ML

Quiz Chapitre 04

Chapitre 05 – Partie 1 : FastAPI pour servir des modèles ML

Chapitre 05 – Partie 2 : Construire une API de prédiction complète

Chapitre 05 – Partie 3 : Tester et documenter l'API ML

Quiz Chapitre 05

Chapitre 06 – Partie 1 : C'est quoi le CI/CD pour le ML ?

Chapitre 06 – Partie 2 : GitHub Actions : automatiser les tests ML

Chapitre 06 – Partie 3 : Pipeline CD : déploiement continu du modèle

Chapitre 06 – Partie 4 : Stratégies de déploiement : Blue-Green et Canary

Quiz Chapitre 06

Chapitre 07 – Partie 1 : Pourquoi les modèles se dégradent en production ?

Chapitre 07 – Partie 2 : Détecter le Data Drift avec Evidently

Chapitre 07 – Partie 3 : Tableaux de bord de monitoring ML

Quiz Chapitre 07

Chapitre 08 – Partie 1 : C’est quoi Apache Airflow et les DAGs ?

Chapitre 08 – Partie 2 : Créer un pipeline ML avec Airflow

Chapitre 08 – Partie 3 : Scheduling et réentraînement automatique

Chapitre 08 – Partie 4 : Commandes Airflow et exercices pratiques

Quiz Chapitre 08

Chapitre 09 – Partie 1 : Architecture du projet MLOps End-to-End

Chapitre 09 – Partie 2 : Entraînement, tracking MLflow et DVC

Chapitre 09 – Partie 3 : API FastAPI conteneurisée et CI/CD

Chapitre 09 – Partie 4 : Monitoring et alertes en production

Quiz Chapitre 09

Chapitre 10 – Partie 1 : Sécurité et gouvernance des modèles ML

Chapitre 10 – Partie 2 : MLOps sur le Cloud : SageMaker et Vertex AI

Chapitre 10 – Partie 3 : Feature Stores et registres de modèles avancés

Chapitre 10 – Partie 4 : Récapitulatif complet et quiz final

Quiz Chapitre 10

Évaluation 1 – Quiz + Pratique : Fondamentaux MLOps (Parties 00-03)

Examen mi-session – Docker, FastAPI et CI/CD (Parties 04-06)

Examen final – Airflow, Monitoring et Cloud (Parties 07-10)

Guide Complet du Projet Final – Étape par Étape

Projet Final – Pipeline MLOps End-to-End Complet

Lab 01 – Installation de MLflow sur une VM Ubuntu 22.04

Lab 02 – C’est quoi MLflow ?

Lab 03 – Première expérience MLflow avec ElasticNet

Lab 04 – Expérience MLflow avec un fichier requirements.txt

Lab 05 – Expérience MLflow avec set_tracking_uri et get_tracking_uri

Lab 06 – Créer une expérience MLflow avec create_experiment

Lab 07 – Expérience MLflow avec active_run et last_active_run

Lab 08 – Expérience MLflow avec log_artifacts

Lab 09 – Utilisation de mlflow.set_tags dans une expérience

Lab 10 – Lancer plusieurs exécutions dans un même script MLflow

Lab 11 – Lancer plusieurs expériences avec différents algorithme

Lab 12 – Utilisation de mlflow.autolog

Lab 13 – MLflow avec PostgreSQL et S3 comme backend

Lab 14 – Signature de modèle et exemples d’entrée dans MLflow

Lab 15 – MLflow Pyfunc avec wrapper Scikit-learn, Joblib et Conda

Lab 16 – MLflow Pyfunc : version complète avec tracking URI et informations de run

Lab 17 – Chargement et évaluation d’un modèle Pyfunc après déploiement

Lab 18 – Evaluation automatisée avec mlflow.evaluate

Lab 19 – Evaluation avancée avec métriques personnalisées et artefacts visuels

Lab 20 – Evaluation comparative avec modèle de base et seuils de validation

Lab 21 – Enregistrement d’un modèle ElasticNet avec registered_model_name

Lab 22 – Suivi et enregistrement d’un modèle ElasticNet avec validation des chemins

Lab 23 – Enregistrement et chargement d’un modèle versionné avec MLflow

Lab 24 – Enregistrement d’un modèle externe dans MLflow avec cloudpickle

Lab 25 – Création d’une expérience MLflow avec fonction main()

Lab 26 – Exécution d’un projet MLflow avec mlflow.projects.run

Lab 27 – Commandes CLI avancées pour la gestion complète de MLflow

Lab 28 – Guide commenté des commandes CLI MLflow

Lab 29 – Résumé de référence : tous les labs en un coup d’œil

Lab 30 – Comparaison progressive des codes 1 à 6 : chaque ajout MLflow expliqué