⚙️

DeepLearning.AI / Coursera⏱ 8 semainesDifficulté : ★★★★☆

DeepLearning.AI — MLOps Specialization

Préparation complète — plan semaine par semaine, quiz style examen réel, fiches et conseils de réussite

S'inscrire à l'examen →

ML en production — vue d'ensemble

⏱ ~8h cette semaine

Objectifs

✓Comprendre le ML lifecycle complet (data → modèle → déploiement → monitoring)
✓Data drift vs concept drift — définitions et détection
✓Baseline models : pourquoi commencer simple
✓Structurer un projet ML production-ready

Ressources

🔗 Cours 1 : Introduction to Machine Learning in Production 🔗 MLflow Docs

Exercice de la semaine

Convertir un notebook Jupyter en script Python modulaire avec logging

Data Engineering pour ML

⏱ ~8h cette semaine

Objectifs

✓Feature stores : concept, Feast (open source)
✓Validation de données : Great Expectations
✓Data versioning : DVC (Data Version Control)
✓Pipelines de données reproductibles

Ressources

🔗 DVC Documentation 🔗 Great Expectations

Exercice de la semaine

Versionner un dataset avec DVC + ajouter des tests de validation de données

Entraînement et expérimentation

⏱ ~8h cette semaine

Objectifs

✓Experiment tracking avec MLflow : paramètres, métriques, artefacts
✓Hyperparameter tuning : Optuna vs GridSearch
✓Distributed training basics (PyTorch DDP)
✓Reproductibilité : seeds, environnements, configs

Ressources

🔗 MLflow Tracking 🔗 Optuna Docs

Exercice de la semaine

Experiment MLflow avec 5 configurations différentes + comparaison visuelle

Déploiement avec FastAPI + Docker

⏱ ~9h cette semaine

Objectifs

✓Créer une API ML avec FastAPI (predict endpoint)
✓Dockeriser l'API : Dockerfile, docker build, docker run
✓Pousser sur Docker Hub ou ECR
✓Health checks et gestion des erreurs dans l'API

Ressources

🔗 FastAPI Docs 🔗 Docker Getting Started

Exercice de la semaine

API FastAPI complète : /predict, /health, /metrics — dockerisée et testée

AWS pour ML

⏱ ~9h cette semaine

Objectifs

✓S3 : stockage de datasets et modèles
✓EC2 : déploiement d'une API ML sur instance
✓Lambda : inference serverless pour cas simples
✓SageMaker basics : training jobs et endpoints

Ressources

🔗 AWS Skill Builder (gratuit)🔗 SageMaker Documentation

Exercice de la semaine

Déployer l'API Docker sur EC2 avec HTTPS via Nginx

CI/CD pour ML

⏱ ~8h cette semaine

Objectifs

✓GitHub Actions : workflow test → build → deploy
✓Tests automatiques pour modèles ML (performance regression)
✓Semantic versioning des modèles
✓Blue/Green deployment pour les APIs ML

Ressources

🔗 GitHub Actions Docs 🔗 Cours 3 MLOps DeepLearning.AI

Exercice de la semaine

Pipeline CI/CD complet : push → tests → build Docker → déploiement automatique

Monitoring et observabilité

⏱ ~8h cette semaine

Objectifs

✓Monitoring de modèle : drift détection avec Evidently AI
✓Logs structurés : JSON, niveaux, alertes
✓Métriques applicatives : latence P50/P95/P99, throughput
✓Retraining triggers : quand et comment

Ressources

🔗 Evidently AI Docs 🔗 Cours 4 : Deploying ML Models in Production

Exercice de la semaine

Dashboard Evidently : rapport hebdomadaire automatique de drift

Révision + projet final

⏱ ~10h cette semaine

Objectifs

✓Réviser tous les concepts des 7 semaines
✓Projet final : pipeline ML end-to-end complet
✓Documenter l'architecture et les choix techniques
✓Passer la certification

Ressources

🔗 MLOps Community

Exercice de la semaine

Livrer un système ML complet : data → entraînement → API → monitoring → CI/CD