Formation Data science >

Industrialiser un modèle d'IA

Industrialiser un modèle data science est aujourd’hui un véritable enjeu, mêlant des compétences en data science, data engineering et en architecture. L’idée de ce stage est de vous permettre de connaître et d’utiliser les principales étapes, technologies et méthodes primordiales pour industrialiser et maintenir dans le temps un modèle de data science.

Contactez-nous pour réserver
Référence DS05
Format Stage pratique en visio
Audience Data Scientists, Data engineers, Architects data
Niveau Avancé en data science
Durée 1 jour (7 heure)
Prix 750 € HT
Prochaines sessions    16 juillet 2020
18 août 2020
15 septembre 2020

Objectifs pédagogiques

Appréhender les enjeux de l’industrialisation d’un modèle data science.
Découvrir et manipuler Docker.
Comprendre l’intérêt des API, découvrir et manipuler Fask.

Méthodes pédagogiques

Mise en pratique des connaissances théoriques en utilisant des jeux de données variés.

Programme de formation

Introduction

-   Définition de l'industrialisation d’un modèle de data science.
-   Principales étapes dans l’industrialisation.
-   Cartographie des principales technologies.
Exercice : Découverte du use case, des données et des scriptes Python qui vont servir pour la formations

Créer une application

-   Définition et intérêts d’une application.
-   Le data management.
-   Les pickle Python.
Exercice : Création d’une application Python permettant de lancer un modèle data science.

Containerisation d’un modèle data science

-   Définition de la containerisation.
-   Présentation et prise en main de Docker.
Exercice : Containerisation de l’application Python créée via Docker

Les API et le temps réel

-   Présentation du principe des API (définition, avantages, inconvénients …).
-   Le temps réel.
-   La scalabilité.
-   Découverte et prise en main de Flask.
Exercice : Mise en place d’une api Flask dans le Docker créé précédemment permettant d’accéder à l'application Python.

Le mode batch

-   Présentation du mode batch (avantages et inconvénients).
-   Les bonnes pratiques.
-   Les scheduler.
Exercice : Automatisation de l’application via Rundeck.

Pour aller plus loin

-   Le monitoring (bonnes pratiques et intérêts).
-   L’alerting.
-   L’explicabilité des modèles.
-   Le retrain des modèles.
-   Le développement continu en data.

Bilan



Contactez-nous pour réserver



Stratégie data

Enjeux politiques, organisationnels, techniques...

Voir nos formations >

Data science

Machine learning, Deep learning, Python, Spark...

Voir nos formations >

Technologies data

Hadoop, AWS, ETL, Kafka ...

Voir nos formations >

Data Vizualisation

Stratégie data viz, Dashboard, Power bi, Tableau...

Voir nos formations >

Une expertise garantie

Vous êtes formés par des experts en poste : data scientists, architecte data, chefs d'entreprises.

Des compétences valorisées

Apprenez et maitrisez des compétences recherchées, directement applicables en entreprise.

100% en direct et en ligne

Accessible partout, depuis vos locaux ou depuis chez vous, avec des horaires flexibles et adaptables.