• Mise en production
  • Introduction
  • Les bases
    • Linux 101
    • Git
  • Bonnes pratiques de dĂ©veloppement
    • QualitĂ© du code
    • Structure des projets
    • Traitement des donnĂ©es volumineuses
    • PortabilitĂ©
  • Mise en production
    • YAML 101
    • DĂ©ploiement
    • MLOps
  • Application
  • Projets
    • ModalitĂ©s d’évaluation
    • Galerie des projets passĂ©s
    • Site web
    • Slides
    • Application fil rouge

Cours de mise en production de projets data science

Un parcours de formation construit par Romain Avouac et Lino Galiana pour le cursus d’ingénieurs de la donnée de l’ENSAE.

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.

YAML 101

Introduction à l’utilisation de YAML, un langage lisible et expressif devenu incontournable dans l’éco-système DevOps.

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

Reuse

CC BY-NC 4.0