Industrialisation de projet

Aujourd’hui, je m’attaque à un article sur l’industrialisation d’un projet de données. Il s’agit de ma feuille de route étape par étape avec les meilleures pratiques, les outils recommandés et des exemples de code à copier et à coller. Je me suis inspiré des programmes de diverses formations, ce qui vous permettra peut-être d’économiser un peu d’argent.

Voici une série d’articles liés à la gestion d’un projet en Data Science :

• Création d'un environnement isolé pour chaque projet
• Versionner avec Git et GitHub/GitLab
• Structure du project - Cookiecutter
• Gestion des dépendances - Requirements
• Testing et pipeline de test (CI/CD)
• Documentation - Sphinx
• Conteneurisation - Docker
• Déploiement et surveillance
• Divers et bonus

Sources

#

• OCTO academy - MLOps: Industrialisation d’un projet de Data Science
• Formation Industrialisation d’un Projet Data en Python
• Industrialisation des projets de machine learning au sein de la Data Factory d’Intermarché
• AI Industrialization: the key steps to a MLOps approach