Tirez un maximum de ce cours
Le rôle du ML Engineer commence là où celui du Data Scientist s’arrête : quand le modèle doit sortir du notebook pour vivre dans le monde réel.
Comment structurer votre code ? Pourquoi utiliser Docker ou FastAPI ? Pourquoi mettre en place une pipeline CI/CD ? Vous trouverez ici les réponses, mais aussi le contexte qui les rend incontournables.
Ce cours est technique, mais il essaye également de distiller le raisonnement et l’état d’esprit que vous devez adopter en tant que ML Engineer qui souhaite industrialiser un modèle ML.
Vous apprendrez à utiliser plusieurs outils incontournables pour le déploiement de votre modèle. Certains de ses outils sont en Python, comme FastAPI ou SQLModel, d’autres sont liés à du versionning de code comme Git ou à des outils système comme Docker.
Tout au long, nous évoquerons quelques bonnes pratiques de software engineering, sans que cela devienne le sujet central des chapitres.
Rencontrez votre professeur
Bonjour ! Je suis Zakaria Bouayyad, Machine Learning Engineer et Formateur Data en Freelance. Après avoir obtenu mon diplôme de Grande École d’ingénieur chez Télécom SudParis en 2018, j’ai réalisé pendant quelques années plusieurs projets de Machine Learning au sein du cabinet Capgemini Invent dans les secteurs du Manufacturing et du Retail, puis au sein du groupe d’outillage haut de gamme Hilti. Je suis également mentor chez OpenClassrooms depuis 2021 sur les parcours Data Scientist, Data Analyst et Machine Learning Engineer.
Découvrez le fonctionnement du cours
Ce cours est structuré en deux grandes parties progressives, chacune composée de chapitres courts, illustrés par des cas concrets, des démonstrations et des bonnes pratiques issues du terrain.
Partie 1 – Construisez les fondations
Vous découvrirez ce qu’est le ML Engineering, ses différences avec la data science, et vous apprendrez à exposer un modèle via une API avec FastAPI. Vous comprendrez aussi comment organiser un projet de manière propre, reproductible et collaborative.Partie 2 – Allez jusqu’au déploiement
Vous apprendrez à conteneuriser un projet avec Docker, automatiser les tests et les déploiements grâce à GitHub Actions, et suivre vos modèles avec MLflow.Des vidéos explicatives vous accompagnent tout au long du cours pour illustrer les concepts pas à pas, avec des démonstrations à l’écran.
Des quiz réguliers vous permettent de valider vos acquis, revenir sur les points clés et ancrer durablement vos apprentissages.
Un repo Github contenant le code du projet du cours.
Téléchargez la fiche résumé du cours
Maintenant que vous savez comment tirer profit de ce cours, il est temps d’entrer dans le vif du sujet : qu’est-ce que le ML Engineering exactement, et en quoi se distingue-t-il des autres rôles de la data ? Découvrons-le ensemble.
