Le module “Machine L. Eng” enseigne comment mettre en œuvre des systèmes de machine learning dans des contextes réels et professionnels.
Les étudiants apprendront à développer, déployer et maintenir des modèles de machine learning, en intégrant des pratiques avancées de gestion des données, d’optimisation des modèles et d’évaluation des performances.
Le cours met l’accent sur des projets pratiques et des études de cas concrets, offrant une expérience approfondie des défis et des solutions rencontrés dans l’industrie. L’objectif est de former des ingénieurs capables de concevoir des systèmes de machine learning robustes et efficaces pour des applications réelles.
Course Content
CHAPITRE 01 - INTRODUCTION
CHAPITRE 01 - QU'EST-CE QU'UN INGENIEUR EN APPRENTISSAGE AUTOMATIQUE?
CHAPITRE 02 - INTEGRER DES PRATIQUES D'INGENIERIE DANS LES PROJETS DE DATA SCIENCE
CHAPITRE 03 - AVANT DE SE LANCER DANS LE DEVELOPPEMENT DE MODELS DE MACHINE LEARNING
CHAPITRE 04 - COMMUNICATION ET LOGISTIQUE DANS LES PROJETS DE MACHINE LEARNING
CHAPITRE 05 - PLANIFIER ET FAIRE DES RECHERCHES DE PROJET ML
CHAPITRE 06 - EXPERIMENTATION EN ACTION : TESTER ET EVALUER UN PROJET
CHAPITRE 07 - TRANSITION DES PROTOTYPES DE ML
CHAPITRE 08 - FINALISATION D'UN PRODUIT MINIMUM VIABLE (MVP)
PARTIE 02 - PREPARATION A LA PRODUCTION : CEER DES MODELS ML MAINTENABLES
CHAPITRE 09 - MODULARITE POUR LE ML: ECRIRE UN CODE TESTABLE ET LISIBLE
CHAPITRE 10 - MODULARITE DANS LE CODE DE MACHINE LEARNING (ML)
CHAPITRE 11 - IMPORTANCE DE LA MESURE DES MODELES
CHAPITRE 12 - SURVEILLANCE ET LA GESTION
CHAPITRE 13 - ML DEVELOPMENT HUBRIS
PARTIE 03 - DEVELOPPEMENT DE CODE MACHINE LEARNING DESTINE A LA PRODUCTION
CHAPITRE 14 - ECRITURE DE CODE PRODUCTION
CHAPITRE 15 - QUALITES AUX TESTS D'ACCEPTATION DES MODELES DE MACHINE LEARNING
CHAPITRE 16 - INFRASTRUCTURE DE PRODUCTION