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 - Automatisez tracking et déploiement ML sont : Maîtrise de Python, bases en scikit-learn ou TensorFlow, notions de Machine Learning.. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Formation MLflow - Automatisez tracking et déploiement ML est disponible en présentiel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Formation MLflow - Automatisez tracking et déplo... | 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 - Automatisez tracking et déploiement ML 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 - Automatisez tracking et déploiement ML, 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 - Automatisez tracking et déploiement ML 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 un environnement de production

Tracker expériences et métriques pour une reproductibilité optimale

Gérer le Model Registry pour versionner vos modèles ML

Déployer des modèles via MLflow Serving et intégrations cloud

Automatiser pipelines CI/CD avec MLflow Projects

Analyser performances via l'UI MLflow et APIs avancées

Appliquer bonnes pratiques pour scaler vos projets ML

Programme de la formation

Module 1Installation MLflow : configuration outils et UI (Python, Docker)

Plongez dans l'installation rapide de MLflow, configurez serveurs tracking et UI intuitive, testez logging de premières expériences sur datasets réels comme Iris, créez votre premier run avec hyperparamètres, exportez artefacts via exercices pratiques, repartez avec un environnement prêt à scaler vos projets ML en un clin d'œil.

Module 2Tracking expériences MLflow : métriques, params, artefacts

Maîtrisez le logging automatique de métriques, paramètres et modèles, comparez runs via tableaux de bord interactifs, optimisez hyperparamètres sur cas concrets comme classification binaire, générez graphiques personnalisés, intégrez MLflow à Jupyter pour un workflow fluide, boostez votre productivité dès le premier exercice collaboratif.

Module 3Model Registry MLflow : versioning et staging modèles

Gérez cycles de vie des modèles dans le Registry, transitionnez de Staging à Production, annotez versions avec métadonnées riches, testez transitions automatisées sur projets réels, intégrez à Git pour traçabilité totale, produisez livrables prêts pour audit, transformez chaos en gouvernance ML professionnelle.

Module 4Déploiement MLflow : Serving, intégrations Kubernetes/AWS

Déployez modèles en API REST via MLflow Serving, scalez avec Docker et Kubernetes, monitorez drift et performances en live, intégrez à AWS SageMaker ou GCP AI Platform, simulez charges réelles en ateliers, générez endpoints production-ready, lancez vos services ML sans downtime frustrant.

Module 5Pipelines avancés MLflow : Projects, MLOps best practices

Automatisez pipelines end-to-end avec MLflow Projects, CI/CD via GitHub Actions, appliquez MLOps sur cas d'entreprise réels comme churn prediction, personnalisez plugins et callbacks, révisez projets en binôme, clôturez avec portfolio livrable, intégrez MLflow à votre stack quotidien pour des gains immédiats.