- Présentation du cours "MLOps Fundamentals"
- Ce module fournit une présentation du cours
- Quand et pourquoi utiliser le MLOps ?
- Dans ce module, nous allons nous intéresser au machine learning d'un point de vue opérationnel. Pour cela, nous allons examiner le système dans son ensemble, de la définition du problème jusqu'à la solution.
- Connaître les principaux composants de Kubernetes (facultatif)
- Ce module est facultatif.
- Présentation d'AI Platform Pipelines
- Dans ce module, nous allons aborder un produit Google Cloud, AI Platform Pipelines, qui rend le MLOps facile, fluide et évolutif grâce aux services Google Cloud.
- Entraînement, réglage et inférence sur AI Platform
- Dans ce module, nous allons découvrir comment procéder manuellement à l'entraînement, au réglage et à l'inférence d'un modèle à partir du notebook Jupyter sur AI Platform.
- Kubeflow Pipelines sur AI Platform
- Dans ce module, nous allons automatiser le processus d'entraînement et de réglage que nous avons étudié précédemment à l'aide d'un pipeline Kubeflow. Plutôt que d'avoir à déclencher manuellement toutes les étapes de ce processus dans le notebook JupyterLab, nous pouvons déclencher l'ensemble du processus en un clic après en avoir exprimé les différentes étapes dans un pipeline Kubeflow.
- CI/CD pour Kubeflow Pipelines sur AI Platform
- Dans ce module, nous allons nous intéresser à l'intégration et au déploiement continus (CI/CD) pour les pipelines Kubeflow. Nous savons comment créer un pipeline Kubeflow automatisé. Mais comment pouvons-nous faire en sorte qu'il s'inscrive dans une pile d'intégration continue ? L'objectif est de recompiler les éléments du pipeline immédiatement lorsque du nouveau code d'entraînement est transféré vers le dépôt correspondant.
- Résumé
- Ce module récapitule les points abordés dans le cours.
- Ressources du cours
- Liens vers les PDF de tous les modules
