Cette série de cours complète est parfaite pour les personnes ayant des connaissances en programmation, telles que les développeurs de logiciels, les scientifiques des données et les chercheurs. Vous acquerrez des compétences MLOps essentielles, y compris l'utilisation de Python et Rust, l'utilisation de GitHub Copilot pour améliorer la productivité, et l'exploitation de plates-formes telles que Amazon SageMaker, Azure ML, et MLflow. Vous apprendrez également à affiner les grands modèles de langage (LLM) à l'aide de Hugging Face et à comprendre le déploiement de modèles binaires intégrés durables et efficaces au format ONNX, ce qui vous permettra de réussir dans le domaine en constante évolution des MLOps

Grâce à cette série, vous commencerez à acquérir des compétences qui vous permettront d'accéder à diverses carrières :

1. Science des données - Analyser et interpréter des ensembles de données complexes, développer des modèles ML, mettre en œuvre la gestion des données et favoriser la prise de décision fondée sur les données.

2. Ingénierie de l'apprentissage automatique - Concevoir, construire et déployer des modèles et des systèmes d'apprentissage automatique pour résoudre des problèmes concrets.

3. Architecte de solutions ML en nuage - Exploiter les plateformes en nuage comme AWS et Azure pour architecturer et gérer des solutions ML de manière évolutive et rentable.

4. Gestion des produits d'intelligence artificielle (IA) - Combler le fossé entre les équipes commerciales, d'ingénierie et de science des données afin de fournir des produits d'IA/ML percutants.

Projet d'apprentissage appliqué

Explorez et mettez en pratique vos compétences MLOps avec des exercices pratiques et des dépôts Github.

1. Construire un script Python pour automatiser le prétraitement des données et l'extraction des caractéristiques pour les modèles d'apprentissage automatique.

2. Développer une solution ML/AI réelle à l'aide de la programmation en binôme et de GitHub Copilot, en démontrant votre capacité à collaborer avec l'IA.

4. Créer des applications web et des outils en ligne de commande pour l'interaction des modèles ML en utilisant Gradio, Hugging Face et le framework Click.

3. Implémenter des tâches de ML accélérées par le GPU en utilisant Rust pour améliorer les performances et l'efficacité.

4. Entraînement, optimisation et déploiement de modèles de ML sur Amazon SageMaker et Azure ML pour les MLOps basés sur le cloud.

5. Conception d'un pipeline MLOps complet avec MLflow, gestion des projets, des modèles et des fonctionnalités du système de suivi.

6. Affiner et déployer de grands modèles de langage (LLM) et des modèles conteneurisés en utilisant le format ONNX avec Hugging Face. Créer des démonstrations interactives pour présenter efficacement votre travail et vos avancées.