Applications de science des données

Contenus

Objectif du Cours

L'objectif du cours est d'apprendre à gérer, avec une discipline d'ingénierie, l'ensemble du cycle de vie des modèles d'apprentissage automatique, du développement à la mise en production, et d'introduire la construction de systèmes fondés sur les grands modèles de langage.

Contenu du Cours

Le cours traite des pratiques d'ingénierie nécessaires pour mettre en production des modèles de science des données et d'apprentissage automatique : gestion de versions, tests du code et des données, ingénierie et sélection des caractéristiques, principes du MLOps et gestion des expériences, automatisation des pipelines par intégration continue, déploiement des modèles par API et conteneurs, surveillance des modèles en production et livraison continue. La dernière partie est consacrée aux grands modèles de langage : fondements, ingénierie des prompts, techniques avancées et architectures de systèmes fondées sur les LLM (LLMOps et agents).

Acquis d'Apprentissage du Cours

Être capable de mettre en place un flux de travail reproductible à l'aide de la gestion de versions et des tests du code et des données.
Être capable de mener l'ingénierie des caractéristiques et la gestion des expériences.
Être capable d'automatiser les pipelines de données et de modèles par intégration continue.
Être capable de déployer des modèles à l'aide d'API et de conteneurs, de les surveiller en production et de pratiquer la livraison continue.
Être capable de comprendre les fondements des grands modèles de langage et de concevoir l'ingénierie des prompts et des architectures de systèmes fondées sur les LLM.

Méthodes d'Enseignement

Cours, études de cas, applications de données et exercices

Ressources

Page du cours : https://gitlab.com/onayg/vm536
Foundations of Data Science: Avrim Blum, John Hopcroft, and Ravindran Kannan

Intitulés des Sujets

Système d'évalution

Tableau de la Charge de Travail