Mise en production des projets de data science

Cours dans le parcours data science en dernière année à l’ENSAE construit par Romain Avouac et Lino Galiana.

Les slides associées au cours sont disponibles à cette adresse et les codes sources sont sur Github .



Introduction
Présentation des principales notions développées dans ce cours, de la raison d'être des bonnes pratiques et des enjeux de la mise en production.

Linux 101
Introduction à l'utilisation du terminal Linux, un outil essentiel pour le data scientist qui s'intéresse à la mise en production.

Versionner son code et travailler collaborativement avec Git
Présentation des principes du contrôle de version et du travail collaboratif avec Git et son écosystème.

Qualité du code
Présentation des standards permettant de produire du code lisible et maintenable, et d'outils pour faciliter leur adoption.

Structure des projets
Présentation des principes d'architecture permettant de produire des projets modulaires et maintenables, et d'outils pour faciliter leur adoption.

Traitement des données volumineuses
Présentation des architectures informatiques et des outils logiciels permettant de faciliter le traitement de données volumineuses.

Portabilité
Présentation des principes et des techniques permettant de rendre un projet exécutable sur différents environnements.

Déploiement

Principes de valorisation et de déploiement d'une application dans un environnement de production.

Introduction aux enjeux du MLOps
Introduction aux principes du MLOps pour le passage en production des applications de machine learning.

Application
Une application fil rouge pour illustrer l'intérêt d'appliquer graduellement les bonnes pratiques dans une optique de mise en production d'une application de data science.

Evaluation

Modalités d'évaluation du cours

Galerie d'exemples
Une galerie d'exemple de projets
No matching items