Ce cours complet est conçu pour les ingénieurs MLOps en herbe et les scientifiques des données qui cherchent à combler le fossé entre les carnets de notes expérimentaux et les environnements de production robustes. Vous commencerez par établir une base solide dans le développement de modèles, en explorant les éléments matériels essentiels des CPU et des GPU, et en maîtrisant le réglage des hyperparamètres. Le programme passe rapidement à l'expérimentation de niveau industriel en utilisant MLflow, où vous apprendrez à suivre les paramètres, à gérer les artefacts des modèles et à contrôler les versions grâce à des laboratoires pratiques. La deuxième moitié du cours se concentre sur l'application du monde réel à travers un projet spécialisé : la construction d'un pipeline de déploiement pour une application de réclamation d'assurance. Vous acquerrez une expérience pratique en générant des données synthétiques, en mettant en place des serveurs MLflow dédiés et en utilisant BentoML pour un service de modèle de haute performance. En mettant à jour une application Flask standard pour interagir avec une infrastructure de service professionnelle, vous maîtriserez l'art de la livraison de modèles en ligne. Ce cours vous permettra de repartir avec la confiance technique nécessaire pour enregistrer, déployer et gérer des modèles d'apprentissage automatique dans un environnement opérationnel réel.