MLOps & Déploiement
MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, data pipelines, monitoring, business metrics ML, cloud deployment
1Quel est le rôle principal de MLflow dans un workflow MLOps ?
Quel est le rôle principal de MLflow dans un workflow MLOps ?
Réponse
MLflow est une plateforme open-source qui gère le cycle de vie complet des modèles ML : tracking des expériences (métriques, paramètres, artefacts), packaging des modèles, registry centralisé et déploiement. Cela permet de reproduire les expériences et de versionner les modèles de manière standardisée.
2Quelle commande permet de logger un paramètre dans MLflow ?
Quelle commande permet de logger un paramètre dans MLflow ?
Réponse
La fonction mlflow.log_param permet d'enregistrer un paramètre d'hyperparamètre (learning rate, epochs, batch size) associé à un run. Ces paramètres sont ensuite visibles dans l'interface MLflow UI et permettent de comparer différentes configurations d'entraînement.
3Quelle est la différence entre mlflow.log_metric et mlflow.log_param ?
Quelle est la différence entre mlflow.log_metric et mlflow.log_param ?
Réponse
log_param enregistre des valeurs fixes définies avant l'entraînement (hyperparamètres comme learning_rate, epochs), tandis que log_metric enregistre des valeurs qui évoluent pendant ou après l'entraînement (accuracy, loss). Les métriques peuvent être loggées plusieurs fois avec des steps différents pour créer des courbes.
Quel est l'avantage principal d'utiliser Docker pour déployer un modèle ML ?
Pourquoi utiliser un Dockerfile multi-stage pour une application ML ?
+21 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Fondamentaux NumPy
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisé : Régression
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Séries temporelles & Prévisions
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement