📊Analyse de données

Gérer la dérive conceptuelle dans les modèles

Maintenir la performance du modèle dans le temps

Normalisation des caractéristiques pour apprentissage profond

Préparer les données pour l'apprentissage profond

Construire une API de service de modèle

Servir des modèles de ML via une API REST

Créer des contrôles de qualité des données

Valider la qualité des données dans les pipelines

Créer un ensemble de stacking

Construire des modèles d'ensemble

Configurer le suivi d'expérience ML

Suivre des expériences ML avec MLflow

Concevoir un pipeline d'entraînement ML

Automatiser les pipelines d'entraînement ML

Configurer la surveillance des modèles

Surveiller les modèles en production

Optimiser les hyperparamètres avec Optuna

Optimiser les hyperparamètres d'un modèle

Comparer plusieurs classificateurs

Trouver le meilleur modèle pour une tâche de classification

Concevoir un rapport de test A/B

Restituer les résultats d’un test A/B

Concevoir un système de Machine Learning

Concevoir des systèmes de ML en production