Blent.AI

- Élaborer des codes Python pour la transformation des données - Construire des algorithmes de Machine Learning et Deep Learning - Expliquer et auditer le comportement des algorithmes - Mettre en place des calculs distribués - Déployer des modèles de Machine Learning dans le Cloud

Première phase : Préparation des données

Module 1 : Introduction
1.1 : Récupérer les données et regarder leur structure

Module 2 : Exploration des données
2.1 : Construire des graphiques pour comprendre les données
2.2 : Étudier les séries temporelles pour en déduire le comportement des prix

Module 3 : Nettoyage et encodage des données
3.1 : Nettoyer les données en modifiant les valeurs manquantes et supprimant les valeurs aberrantes
3.2 : Encoder numériquement les variables pour l'apprentissage des modèles


Seconde phase : Modélisation

Module 4 : Introduction à la modélisation
4.1 : Comprendre les concepts fondamentaux de l'apprentissage supervisé
4.2 : Savoir appliquer un modèle de Machine Learning avec le modèle linéaire

Module 5 : Arbres de décisions
5.1 : Découvrir les arbres de décision et l'algorithme CART
5.2 : Appliquer un arbre de régression sur les données Airbnb

Module 6 : Random Forest
6.1 : Découvrir les Random Forest
6.2 : Optimiser les hyper-paramètres des modèles

Module 7 : XGBoost
7.1 : Découvrir le modèle XGBoost et le Gradient Boosting
7.2 : Valider des modèles par des méthodes de validation croisée

Module 8 : Interprétabilité
8.1 : Comprendre l'intérêt de l'interprétabilité avec les PDP
8.2 : Utiliser SHAP pour interpréter localement les modèles

Module 9 : Deep Learning
9.1 : Introduire les modèles de Deep Learning avec les réseaux de neurones


Troisième phase : Déploiement

Module 10 : Data Engineering
10.1 : Comprendre Spark et sa différence avec Hadoop
10.2 : Comprendre l'architecture Map Reduce sur un algorithme

Module 11 : Déploiement de modèles
11.1 : Se rappeler des notions réseaux et de Cloud Computing
11.2 : Être capable de déployer le modèle avec Heroku

Sans niveau particulier

- Mettre en place des algorithmes de Machine Learning automatisés - Développer une architecture de projet code source - Maîtriser les techniques d'ingénierie logicielle - Déployer des modèles de Machine Learning à grande échelle - Construire une infrastructure automatisée

Première partie : Ingénierie logicielle et ML

Module 1 : Prise en main
1.1 : S'assurer que tous les participants comprennent ce qu'on attend du ML Engineer
1.2 : Faire des rappels en Cloud Computing

Module 2 : Auto ML
2.1 : Automatiser l'entraînement de modèles
2.2 : Mettre en place des méthodes d'optimisation d'hyper-paramètres

Module 3 : Architecture de code
3.1 : Respecter la norme PEP8 et la docstring (utilisation de Black)
3.2 : Utiliser flake8 pour linter et black pour refactorer le code
3.3 : Utiliser pytest pour rédiger et implémenter des tests unitaires


Seconde partie : Déploiement de modèles

Module 4 : Encapsulation et API
4.1 : Introduire les API REST
4.2 : Encapsuler un modèle dans une API REST
4.3 : Déployer une API sur un serveur

Module 5 : Cycle de vie des modèles
5.1 : Comprendre le cycle de vie des modèles
5.2 : Savoir utiliser MLflow
5.3 : Installer MLflow sur un serveur et le connecter à une source de stockage Google Storage

Module 6 : Conteneurisation
6.1 : Comprendre l'intérêt de Docker et savoir l'utiliser
6.2 : Conteneuriser l'API et l'envoyer vers un registre de conteneurs (DockerHub)


Troisième partie : MLOps

Module 7 : Planification
7.1 : Savoir installer Apache Airflow avec un LocalExecutor
7.2 : Comprendre comment utiliser l'interface pour monitorer les DAGs
7.3 : Être capable de gérer le cycle de vie des tâches et partager des informations dans les DAGs

Module 8 : Pipelines automatisés
8.1 : Faire la différence entre l'apprentissage en ligne et l'apprentissage en continu
8.2 : Mettre en place un pipeline d'apprentissage en continu avec Airflow et logger le résultat dans MLflow

Module 9 : Orchestration de conteneurs
9.1 : Savoir à quoi sert Kubernetes et comment cela fonctionne
9.2 : Mettre en place un cas d'application pour mieux maîtriser Kubernetes

Sans niveau particulier