Coursera

Orchestrer, analyser et évaluer les pipelines de ML

Profitez de l'une de nos meilleures offres et renforcez vos compétences avec 50 % de réduction sur Coursera Plus. Économisez maintenant.

Coursera

Orchestrer, analyser et évaluer les pipelines de ML

ansrsource instructors

Instructeur : ansrsource instructors

Inclus avec Coursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

2 heures à compléter
Planning flexible
Apprenez à votre propre rythme
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

2 heures à compléter
Planning flexible
Apprenez à votre propre rythme

Compétences que vous acquerrez

  • Catégorie : Indicateurs clés de performance (ICP)
  • Catégorie : MLOps (Machine Learning Operations)
  • Catégorie : Magasin de données
  • Catégorie : Niveau de service
  • Catégorie : Transformation des données
  • Catégorie : Ingénierie des fonctionnalités
  • Catégorie : Pipelines de données
  • Catégorie : Contrôle des changements

Outils que vous découvrirez

  • Catégorie : Flux d'air Apache
  • Catégorie : Orchestration de l'IA

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

mars 2026

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

 logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Du gradient à la production : MLOps & Model Serving"
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • Apprenez de nouveaux concepts auprès d'experts du secteur
  • Acquérez une compréhension de base d'un sujet ou d'un outil
  • Développez des compétences professionnelles avec des projets pratiques
  • Obtenez un certificat professionnel partageable

Il y a un module dans ce cours

Cette formation vous apprend à concevoir, évaluer et exploiter des pipelines de données fiables pour l’apprentissage automatique en environnement de production. Vous découvrirez comment les pipelines ETL et ELT quotidiens alimentent les référentiels de caractéristiques, comment l’orchestration favorise une ingénierie des caractéristiques reproductible, comment gérer les modifications de schéma en amont sans perturber les systèmes en aval, et comment évaluer la santé d’un pipeline à l’aide d’indicateurs de fraîcheur, de décalage et de SLA. Conçu pour les ingénieurs de données, les ingénieurs analytiques et les professionnels de l’apprentissage automatique, ce cours vous permettra d’acquérir les compétences nécessaires pour fournir aux systèmes d’apprentissage automatique des données opportunes, fiables et résilientes.

Inclus

6 vidéos3 lectures4 devoirs

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

ansrsource instructors
245 Cours17 867 apprenants

Offert par

Coursera

En savoir plus sur Gestion des données

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

¹ Certains travaux de ce cours sont notés par l'IA. Pour ces travaux, vos Données internes seront utilisées conformément à Notification de confidentialité de Coursera.