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 - Maîtrisez le tracking ML en 5 jours sont : Bases en Python, notions d'apprentissage automatique. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Formation MLflow - Maîtrisez le tracking ML en 5 jours est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Formation MLflow - Maîtrisez le tracking ML en 5... | 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 9 places pour la prochaine session

FormatParticipantsDateCoordonnées

Quel format préférez-vous ?

Modalités, méthodes et moyens pédagogiques

La formation Formation MLflow - Maîtrisez le tracking ML en 5 jours 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 - Maîtrisez le tracking ML en 5 jours, 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 - Maîtrisez le tracking ML en 5 jours 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

Installer et configurer MLflow dans votre environnement

Créer et gérer des expériences de Machine Learning

Logger paramètres, métriques et artefacts automatiquement

Visualiser les résultats via l'interface MLflow UI

Enregistrer et versionner vos modèles ML

Intégrer MLflow dans un workflow complet

Déployer des modèles avec MLflow en production

Programme de la formation

Module 1Introduction à MLflow : installation et premiers runs (outils Python, UI)

Découvrez MLflow en installant l'outil via pip, configurez votre tracking server, lancez vos premiers experiments avec mlflow.start_run(), loggez des paramètres simples, explorez l'interface UI intuitive pour visualiser les runs, réalisez des exercices pratiques sur des datasets basiques, produisez votre premier livrable reproductible qui booste votre productivité dès le jour 1.

Module 2Tracking avancé : métriques et artefacts (logging, autologging)

Plongez dans le logging de métriques avec mlflow.log_metric(), capturez des artefacts comme graphs et fichiers, activez l'autologging pour scikit-learn, pratiquez sur des cas concrets de régression, comparez des runs en temps réel via l'UI, générez des rapports automatisés, terminez par un exercice collaboratif qui rend vos experiments irréfutables et partageables.

Module 3Gestion de modèles : MLflow Model Registry (versioning, staging)

Maîtrisez le Model Registry pour enregistrer vos modèles avec mlflow.register_model(), gérez les versions et stages comme Staging ou Production, testez des transitions fluides, intégrez avec PyTorch ou TensorFlow, appliquez sur un projet de classification d'images, créez des pipelines de validation, obtenez un livrable prêt pour le déploiement qui sécurise vos assets ML.

Module 4Projets pratiques : workflows end-to-end (intégration Git, CI/CD)

Construisez un workflow complet en intégrant MLflow à Git et Jupyter, automatisez le tracking dans des scripts complexes, simulez des scénarios réels avec hyperparamétrage via MLflow, analysez des comparatifs de performances, collaborez en équipe sur l'UI partagée, produisez un portfolio de projets qui impressionne recruteurs et collègues.

Module 5Déploiement et best practices : serving et monitoring (MLServer, prod)

Déployez vos modèles avec mlflow models serve(), configurez MLServer pour l'inférence scalable, implémentez le monitoring post-déploiement, révisez les best practices pour la reproductibilité, cas d'étude sur échecs courants évités, finalisez un plan d'action personnalisé, repartez avec des compétences prêtes pour booster vos projets ML en entreprise.