Formation en ingénierie Machine Learning

Leçon 1 • Python pour l'Ingénierie ML

Couvre les idiomes Python, le calcul numérique et les bibliothèques de manipulation de données utilisées tout au long du cours. Met l'accent sur la qualité du code et la reproductibilité dès le premier jour.

Leçon 2 • Configuration de l'Environnement de Développement

Configure des environnements locaux et cloud reproductibles pour le travail ML. Introduit la gestion de versions et la gestion des dépendances comme normes professionnelles.

Leçon 3 • Mathématiques Essentielles pour le ML

Révise l'algèbre linéaire, le calcul, les probabilités et les statistiques à la profondeur requise pour la compréhension des modèles. Relie les concepts mathématiques directement au comportement des algorithmes.

Leçon 1 • Nettoyage et Transformation des Données

Applique des techniques systématiques pour traiter les valeurs manquantes, les valeurs aberrantes et les formats incohérents. Construit une logique de transformation testable et réutilisable.

Leçon 2 • Qualité et Validation des Données

Implémente des contrôles automatisés de la qualité des données et une validation de schéma dans les pipelines. Introduit les contrats de données comme mécanisme de fiabilité pour les systèmes de production.

Leçon 3 • Sources de Données et Modèles d'Ingestion

Passe en revue les sources de données structurées, semi-structurées et non structurées et les stratégies d'ingestion. Relie la disponibilité des données à la qualité du modèle en aval.

Leçon 4 • Fondamentaux du Feature Engineering

Construit des caractéristiques informatives à partir de données brutes en utilisant la connaissance du domaine et des méthodes statistiques. Démontre comment la qualité des caractéristiques impacte directement les performances du modèle.

Leçon 1 • Méthodes d'Apprentissage Non Supervisé

Applique le clustering, la réduction de dimensionnalité et l'estimation de densité à des données non étiquetées. Relie les sorties non supervisées aux tâches supervisées en aval.

Leçon 2 • Évaluation et Sélection des Modèles

Établit des protocoles d'évaluation rigoureux utilisant la validation croisée, les ensembles de retenue et la sélection des métriques. Prévient les fuites de données et le surapprentissage par une conception expérimentale appropriée.

Leçon 3 • Machines à Vecteurs de Support et Noyaux

Dérive le classifieur à marge maximale et introduit les méthodes de noyau pour les frontières non linéaires. Relie la géométrie SVM aux choix pratiques d'hyperparamètres.

Leçon 4 • Fondamentaux de l'Apprentissage Supervisé

Couvre la régression linéaire et logistique comme modèles supervisés fondamentaux avec une dérivation mathématique complète. Établit le compromis biais-variance comme concept de conception central.

Leçon 1 • Débogage et Profilage des Réseaux de Neurones

Fournit des stratégies systématiques pour diagnostiquer le sous-apprentissage, le surapprentissage et l'instabilité de l'entraînement. Introduit des outils de profilage pour identifier les goulots d'étranglement de calcul et de mémoire.

Leçon 2 • Fondamentaux des Réseaux de Neurones

Dérive la propagation avant et arrière à partir du calcul, puis implémente un réseau à partir de zéro. Ancre l'utilisation du framework dans une compréhension théorique solide.

Leçon 3 • Modèles Séquentiels et Transformers

Progression des RNN et LSTM à l'architecture Transformer et à l'auto-attention. Prépare les étudiants pour les applications NLP et de séries temporelles dans les chapitres suivants.

Leçon 4 • Réseaux de Neurones Convolutifs

Construit des CNN pour la classification d'images et la détection d'objets en utilisant des architectures modernes. Démontre l'apprentissage par transfert pour réduire les besoins en données et en calcul.

Leçon 1 • Principes d'Architecture de Pipeline

Introduit la conception de pipeline basée sur DAG, l'isolation des composants et la gestion des artefacts. Établit la reproductibilité et la modularité comme des normes d'ingénierie non négociables.

Leçon 2 • Outils d'Orchestration de Workflow

Compare et implémente des pipelines en utilisant des frameworks d'orchestration de premier plan. Couvre la planification, la résolution des dépendances et les modèles de reprise après échec.

Leçon 3 • Suivi des Expériences et Reproductibilité

Implémente un suivi systématique des expériences pour comparer les exécutions, gérer les hyperparamètres et journaliser les artefacts. Relie les pratiques de reproductibilité aux exigences réglementaires et d'audit.

Leçon 4 • Feature Stores et Réutilisabilité

Conçoit des feature stores pour découpler le calcul des caractéristiques de l'entraînement et du service des modèles. Aborde la cohérence des caractéristiques en ligne vs. hors ligne comme un défi de production.

Leçon 1 • Déploiement en Périphérie et Embarqué

Déploie des modèles optimisés sur des appareils en périphérie et des plateformes mobiles avec des ressources de calcul limitées. Couvre les pipelines de conversion de modèles et les frameworks d'inférence sur appareil.

Leçon 2 • Construction d'API REST et gRPC

Implémente des API de modèles de qualité production en utilisant FastAPI et gRPC avec une sérialisation et une gestion des erreurs appropriées. Couvre la gestion de versions des API et la rétrocompatibilité.

Leçon 3 • Modèles d'Architecture de Service

Compare les architectures d'inférence en ligne, par lots et en continu ainsi que leurs compromis latence-débit. Guide la sélection de l'architecture en fonction des exigences métier.

Leçon 4 • Optimisation des Modèles pour l'Inférence

Applique la quantification, l'élagage et la distillation pour réduire la taille et la latence du modèle sans perte significative de précision. Cible les scénarios d'inférence CPU et GPU.

Leçon 1 • CI/CD pour l'Apprentissage Automatique

Étend les pratiques CI/CD logicielles au ML avec des portes de validation de modèles et des pipelines de déploiement automatisés. Couvre les stratégies de test spécifiques aux composants ML.

Leçon 2 • Gouvernance des Modèles et Pistes d'Audit

Établit des fiches de modèles, le suivi de la lignée et les workflows d'approbation pour satisfaire aux exigences de gouvernance. Prépare les étudiants aux contextes de déploiement dans les secteurs réglementés.

Leçon 3 • Journalisation, Traçage et Observabilité

Implémente la journalisation structurée, le traçage distribué et les tableaux de bord pour une observabilité complète du système ML. Relie les données d'observabilité aux workflows d'analyse des causes profondes.

Leçon 4 • Fondamentaux de la Surveillance en Production

Établit la surveillance des performances du modèle, de la dérive des données et de la santé du système en production. Distingue la surveillance spécifique au ML de l'observabilité logicielle standard.

Leçon 1 • Optimisation des Coûts et Gestion des Ressources

Applique le profilage, les instances spot et l'entraînement en précision mixte pour réduire les coûts de l'infrastructure ML. Introduit les principes FinOps adaptés aux charges de travail ML.

Leçon 2 • ML en Temps Réel avec Données en Continu

Intègre l'inférence ML dans les pipelines de données en continu pour une prise de décision en moins d'une seconde. Couvre le calcul de caractéristiques avec état et les garanties de traitement exactement une fois.

Leçon 3 • Infrastructure d'Entraînement Passant à l'Échelle

Conçoit des systèmes d'entraînement distribués en utilisant des stratégies de parallélisme de données et de parallélisme de modèles. Aborde la surcharge de communication et la tolérance aux pannes dans l'entraînement à grande échelle.

Leçon 4 • Systèmes Multi-Modèles et d'Ensembles

Architecture des systèmes qui coordonnent plusieurs modèles via des modèles de routage, d'empilement et de cascade. Équilibre les gains de précision avec la latence et la complexité opérationnelle.