Practical MLOps - Exercices et Expérimentations

Ce dépôt contient mes exercices, implémentations et expérimentations issus du livre Practical MLOps: Operationalizing Machine Learning Models de Noah Gift et Alfredo Deza.

Objectifs

• Explorer les principes fondamentaux du MLOps
• Mettre en œuvre des pipelines de machine learning reproductibles
• Déployer des modèles de ML dans des environnements Cloud ou locaux
• Appliquer les bonnes pratiques DevOps au machine learning (tests, CI/CD, monitoring)

Contenu du dépôt

• notebooks/ : Jupyter Notebooks pour les expérimentations et démonstrations
• src/ : Code source (scripts, modules, fonctions d’entraînement et d’inférence)
• data/ : Jeux de données utilisés dans les exemples (si applicable)
• tests/ : Tests unitaires et d’intégration pour les pipelines MLOps
• docker/ : Fichiers et configurations pour les déploiements conteneurisés
• ci_cd/ : Configuration pour l’intégration et le déploiement continus

Prérequis

• Python 3.9+
• pip, virtualenv ou conda
• Docker (facultatif mais recommandé)
• Accès à un service Cloud (AWS, GCP ou Azure) pour les déploiements avancés

Installation

git clone https://github.com/<ton-nom-utilisateur>/practical-mlops-exercices.git
cd practical-mlops-exercices
python -m venv venv
source venv/bin/activate  # ou venv\Scripts\activate sous Windows
pip install -r requirements.txt

Exécution d’un exemple

bash
python src/train_model.py --config configs/train.yaml

Références

Livre : Practical MLOps: Operationalizing Machine Learning Models — Noah Gift, Alfredo Deza

Site officiel du livre

Repository GitHub original

Licence

Ce projet est publié sous licence MIT. Tu es libre de l’utiliser, de le modifier et de le partager.