La formation est-elle certifiée Qualiopi ?

Oui, Learni est un organisme certifié Qualiopi. Cette certification garantit la qualité de nos formations et permet leur prise en charge par les OPCO et autres dispositifs de financement.

Comment financer ma formation ?

Nos formations sont éligibles aux financements OPCO. Learni vous accompagne dans les démarches de prise en charge. Un devis personnalisé est disponible sur demande.

Quels sont les prérequis pour cette formation ?

Les prérequis pour la formation Formation MLflow Avancé - Maîtrisez MLOps en production sont : Maîtrise Python avancée, frameworks ML (TensorFlow/PyTorch), bases MLflow, Docker/Kubernetes.. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Formation MLflow Avancé - Maîtrisez MLOps en production est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Formation MLflow Avancé - Maîtrisez MLOps en pro... | Learni

L'histoire de Learni

Fondée par des passionnés de l'apprentissage et de l'innovation, Learni s'est donnée pour mission de rendre la formation professionnelle accessible à tous, partout dans le monde. Notre équipe intervient dans les plus grandes métropoles telles que Paris, Lyon, Marseille, mais aussi à l'international, afin d'accompagner les talents et les organisations dans leur montée en compétences.

Configurez votre formation

Réponse sous 24hSans engagement100% gratuit

Il reste 8 places pour la prochaine session

FormatParticipantsDateCoordonnées

Quel format préférez-vous ?

Modalités, méthodes et moyens pédagogiques

La formation Formation MLflow Avancé - Maîtrisez MLOps en production est délivrée en présentiel ou distanciel (blended-learning, e-learning, classe virtuelle, présentiel à distance). Chez Learni, organisme de formation certifié Qualiopi, chaque parcours est conçu pour maximiser l'acquisition de compétences, quel que soit le mode de formation choisi.

Le formateur alterne entre méthode démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). Cette approche pédagogique garantit un apprentissage concret et directement applicable en entreprise.

Moyens pédagogiques mis en œuvre

Pour garantir la qualité de la formation Formation MLflow Avancé - Maîtrisez MLOps en production, Learni met à disposition les moyens pédagogiques suivants :

Ordinateurs Mac ou PC, connexion internet haut débit fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour les sessions en distanciel)
Environnements de formation installés sur les postes de travail ou accessibles en ligne
Supports de cours, exercices pratiques et ressources complémentaires
Accès post-formation aux supports et ressources pédagogiques

En cas de formation intra-entreprise sur site externe à Learni, le client s'assure et s'engage à disposer de toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques, connexion internet...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation communiqué.

* nous consulter pour la faisabilité en distanciel** ratio variable selon la formation suivie

Modalités d'évaluation des acquis

L'évaluation des compétences acquises lors de la formation Formation MLflow Avancé - Maîtrisez MLOps en production s'effectue à travers :

En cours de formation : études de cas, travaux pratiques et mises en situation professionnelle
En fin de formation : questionnaire d'auto-évaluation et évaluation des acquis par le formateur
Après la formation : attestation de fin de formation détaillant les compétences acquises

Accessibilité de la formation

Learni s'engage pour l'accessibilité de ses formations professionnelles. Toutes nos formations sont accessibles aux personnes en situation de handicap. Nos équipes sont à votre disposition pour adapter les modalités pédagogiques à vos besoins spécifiques. N'hésitez pas à nous contacter pour toute demande d'aménagement.

Objectifs de la formation

Configurer un serveur MLflow scalable avec UI personnalisée

Implémenter tracking expérimental avancé et métriques custom

Gérer le Model Registry pour versioning et staging

Automatiser pipelines ML avec MLflow et CI/CD

Déployer modèles en production via MLflow serving

Optimiser performances et scaling avec plugins MLflow

Analyser et reproduire expériences à grande échelle

Programme de la formation

Module 1Tracking avancé : MLflow Experiments et logging custom (Python, UI)

Plongez dans la configuration d'un serveur MLflow, loggez paramètres, métriques et artifacts via API Python, créez dashboards interactifs avec MLflow UI, réalisez exercices sur datasets réels pour comparer runs, générez rapports automatisés, tout en intégrant TensorFlow pour un tracking fluide et reproductible qui booste vos itérations ML.

Module 2Model Registry : versioning et gouvernance modèles (MLflow Models)

Maîtrisez le Model Registry MLflow, versionnez modèles PyTorch/TensorFlow, gérez stages (Staging, Production), annotez avec métadonnées, testez transitions automatisées, appliquez exercices pratiques sur cas d'entreprise, produisez livrables comme registries sécurisés prêts pour audit, transformez vos workflows en processus fiables et scalables.

Module 3Pipelines et CI/CD : automation MLflow (GitHub Actions, Airflow)

Intégrez MLflow dans pipelines CI/CD, automatisez tracking et registry avec GitHub Actions/Airflow, codez scripts pour triggers automatisés, simulez déploiements end-to-end sur Kubernetes, résolvez exercices complexes avec données volumineuses, générez livrables comme workflows Dockerisés, accélérez vos déploiements ML de 50% dès la sortie.

Module 4Déploiement et scaling : MLflow Serving, monitoring (plugins avancés)

Déployez modèles via MLflow Serving REST/gRPC, intégrez monitoring Prometheus, scalez avec Kubernetes plugins, optimisez latence sur charges réelles, menez projet final sur cas business concret, produisez dashboards de perf et rapports d'impact, maîtrisez best practices pour prod robuste, propulsez vos projets ML en opérationnel rentable.