Aller au contenu principal

Module 2 : Contrôle de Version pour ML

🎯 Objectifs d'apprentissage​

À la fin de ce module, vous serez capable de :

  • Appliquer les meilleures pratiques Git spécifiquement pour les projets ML
  • Mettre en œuvre le contrôle de version des données (DVC) pour suivre les ensembles de données et les modèles
  • Concevoir et mettre en œuvre des stratégies de versionnage de modèles avec des registres
  • Créer des pipelines ML reproductibles avec un suivi approprié de la lignée

📚 Contenu du module​

Chapitre 1 : Git pour les projets ML​

Meilleures pratiques pour le contrôle de version dans ML, gestion des fichiers volumineux, configuration appropriée de .gitignore, et stratégies de branchement.

Chapitre 2 : Contrôle de version des données (DVC)​

Configuration de DVC, suivi des données et des modèles, configuration du stockage distant, et construction de pipelines.

Chapitre 3 : Versionnage des modèles​

Registres de modèles, stratégies de versionnage, suivi des métadonnées, et lignée des modèles.

⏱️ Temps estimé​

ActivitéDurée
Lecture2,5 heures
Exercices pratiques2 heures
Quiz30 minutes
Total5 heures

🔑 Concepts clés​

🛠️ Outils couverts​

OutilObjectif
GitContrôle de version du code
DVCVersionnage des données et des modèles
Registre de modèles MLflowGestion des modèles
Git LFSGestion des fichiers volumineux

🚀 Commençons !​

Commencez par Chapitre 1 : Git pour les projets ML pour apprendre les pratiques Git spécifiques à ML.