SF33654
1 jour
Formation Kedro.
Créez des pipelines de données robustes grâce à notre formation Kedro d'une journée !
A l'issue de cette formation Kedro, les participants sont en mesure d'utiliser cet outil pour déployer du code Machine Learning en production. Ils ont compris comment certains principes de développement logiciel peuvent être appliqués aux opérations de Data Science et se sont appropriés les principales fonctionnalités de Kedro afin de mettre en œuvre l'outil dans un workflow de déploiement.
Programme de formation Kedro.
PDFIntroduction à la formation Kedro
Présentation générale de la formation Kedro
Objectifs pédagogiques
Qu’est-ce que Kedro ? Vue d’ensemble et intérêt d’utilisation
Prérequis d’installation
Installer Kedro et l’environnement de développement
Concepts fondamentaux : node, pipeline, DataCatalog, runner
Workflow pour la création d’un projet Kedro
Création et configuration d’un projet Kedro
Créer un nouveau projet
Structure du répertoire projet
Les bonnes pratiques pour la sécurité des données
Utiliser les Kedro starters
Configurer le template projet
Installer les dépendances
Ajouter les jeux de données
Pipeline de traitement de données
Générer un template
Ajouter des fonctions
Tester
Visualiser le pipeline
Pipeline Data Science
Configurer les paramètres en entrée
Assembler le pipeline
Enregistrer le dataset
Tester et visualiser
Packaging et déploiement
Les bonnes pratiques
Options de déploiement : Airflow, Argo, Kubeflow…
Nos autres formations en Big Data .
Formation Airflow
Formation Apache Kafka
Formation Apache NiFi
Formation Bases de données NoSQL : introduction, enjeux et panorama des solutions
Formation Big Data – Sécurité des données
Formation Big Data : état de l’art
A travers sa Charte Engagement Qualité, Sparks s’engage à tout mettre en œuvre pour que chaque session de formation soit un succès et que votre satisfaction soit totale.
En apprendre davantage sur Kedro.
Kedro est un framework open source permettant de créer du code Data Science reproductible, maintenable et modulaire. Il emprunte des concepts au développement logiciel et les applique aux déploiements de modèles Machine Learning.
