Je construirai des modèles d'apprentissage automatique en Python et des pipelines MLops

J’ai développé un projet ML et MLOps de bout en bout pour prédire les livraisons tardives en utilisant les données réelles d’Olist E‑Commerce.

FLUX DE TRAVAIL DU PROJET ET RÉSULTATS

1. Intégration des données | Python, Pandas
2. Regroupement des tables liées pour créer un jeu de données unifié.
3. Ingénierie de la cible et répartition
4. Création des étiquettes Late/On‑Time et des ensembles train/validation/test.
5. EDA et ingénierie des caractéristiques
6. Analyse des motifs de livraison et construction de pipelines de prétraitement.
7. Entraînement du modèle | Scikit‑learn
8. Entraînement de modèles de classification et évaluation des métriques de prédiction.
9. MLflow | Suivi d’expériences
10. Enregistrement des runs d’entraînement, des métriques et des artefacts du modèle.
11. DVC | Contrôle de version
12. Gestion des versions des données et des modèles.
13. Great Expectations | Validation
14. Définition des contrôles de qualité des données et des contraintes d’entrée.
15. FastAPI | Mise en service du modèle
16. Création des endpoints /predict, /batch-predict, /health, /model-info et /metrics.
17. Docker | Conteneurisation
18. Configuration de Dockerfile et Docker Compose.
19. Pytest & GitHub Actions | CI/CD
20. Préparation des tests automatisés et des workflows CI.
21. Surveillance & Journalisation
22. Ajout du suivi des requêtes, des erreurs, de la latence et des prédictions.

RÉSULTATS

Code Python, modèles entraînés, résultats d’évaluation, API, tests et documentation.

Discutons de votre projet ML !