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 reproductible 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 reproductible est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Formation MLflow - Maîtrisez le tracking ML repr... | 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 reproductible 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 reproductible, 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 reproductible 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

Découvrir les fonctionnalités clés de MLflow pour le ML

Installer et configurer MLflow dans un environnement Python

Tracker des expériences et métriques ML en temps réel

Gérer modèles, artefacts et versions avec MLflow

Déployer des modèles ML via MLflow Serving

Intégrer MLflow dans un workflow MLOps complet

Programme de la formation

Module 1Introduction MLflow : installation et tracking basique (Python, UI MLflow, exercices initiaux)

Plongez dans MLflow en installant l'outil via pip, lancez votre premier tracking d'expérience ML avec mlflow.start_run(), explorez l'interface UI pour visualiser métriques et paramètres, réalisez des exercices pratiques sur des datasets simples comme Iris, générez vos premiers logs automatisés, et produisez un rapport d'expérience livrable pour constater la reproductibilité immédiate de vos runs.

Module 2Gestion avancée : modèles et artefacts MLflow (logging, registry, cas réels)

Passez à la gestion experte en loggant modèles et artefacts avec mlflow.log_model(), configurez le Model Registry pour versionner vos meilleurs modèles, appliquez sur cas concrets comme la prédiction de churn client, enchaînez exercices collaboratifs en petits groupes, comparez runs via l'UI, et créez un registre de modèles déployables qui booste votre productivité dès le lendemain.

Module 3Déploiement et intégration : MLOps avec MLflow (serving, pipelines, projet final)

Maîtrisez le déploiement en lançant MLflow Serving pour exposer vos modèles via API REST, intégrez MLflow dans des pipelines avec MLflow Projects, simulez un workflow end-to-end sur un projet Kaggle réel, testez en live les prédictions, optimisez hyperparamètres via tracking automatisé, et finalisez par un livrable : un modèle déployé prêt à scaler en production.