Guide de l’Écosystème AI/ML

Ce guide couvre les principaux aspects de l’écosystème AI/ML, des frameworks aux outils en passant par les bonnes pratiques.

Contenu

• Frameworks de Deep Learning
• Outils de MLOps
• Bonnes Pratiques
• Déploiement
• Monitoring

Structure

Le dossier est organisé comme suit :

ai-ecosystem/
├── frameworks/         # Frameworks de deep learning
├── mlops/             # Outils et pratiques MLOps
├── deployment/        # Guides de déploiement
└── monitoring/        # Outils de monitoring

Ressources

• Documentation officielle des frameworks
• Guides de bonnes pratiques
• Exemples de code
• Tutoriels

Projet Capstone : Prédiction de Prix Immobiliers

Une application ML full-stack pour prédire les prix immobiliers en utilisant Streamlit, FastAPI, H2O et MLOps.

🚀 Fonctionnalités

• Interface utilisateur interactive avec Streamlit
• API RESTful avec FastAPI
• Modèle ML automatique avec H2O AutoML
• Pipeline MLOps complet avec DVC et MLflow
• Monitoring avec Prometheus
• Déploiement automatisé avec GitHub Actions
• Tests unitaires avec pytest

🛠️ Technologies Utilisées

• Frontend: Streamlit
• Backend: FastAPI
• ML: H2O AutoML
• MLOps: DVC, MLflow
• Conteneurisation: Docker, Docker Compose
• CI/CD: GitHub Actions
• Monitoring: Prometheus
• Tests: pytest

📋 Prérequis

• Python 3.9+
• Docker et Docker Compose
• Git
• Compte GitHub (pour CI/CD)

🚀 Installation

1. Cloner le projet :

git clone https://github.com/votre-username/real-estate-ml.git
cd real-estate-ml

2. Créer l’environnement virtuel :

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Installer les dépendances :

pip install -r requirements.txt

4. Préparer les données :

dvc pull
dvc repro prepare

5. Entraîner le modèle :

dvc repro train

6. Lancer l’application :

docker-compose up

🌐 Accès aux Services

• Frontend Streamlit : http://localhost:8501
• API FastAPI : http://localhost:8000
• Documentation API : http://localhost:8000/docs
• MLflow : http://localhost:5000
• Prometheus : http://localhost:9090

📊 Structure du Projet

real-estate-ml/
├── data/
│   ├── raw/
│   │   └── housing_data.csv
│   └── processed/
├── models/
│   ├── trained/
│   └── deployed/
├── src/
│   ├── data/
│   ├── models/
│   ├── api/
│   └── frontend/
├── tests/
├── notebooks/
├── configs/
└── .github/
    └── workflows/

🔧 Configuration

Le fichier config.yaml contient toutes les configurations du projet :

• Paramètres des données
• Configuration du modèle
• Paramètres de l’API
• Configuration du frontend
• Paramètres MLflow
• Seuils de monitoring

🧪 Tests

Exécuter les tests :

pytest tests/

📈 Monitoring

Les métriques suivantes sont surveillées :

• Nombre total de prédictions
• Latence des prédictions
• Taux d’erreur
• Performance du modèle

🤝 Contribution

1. Fork le projet
2. Créer une branche (git checkout -b feature/AmazingFeature)
3. Commit les changements (git commit -m 'Add some AmazingFeature')
4. Push vers la branche (git push origin feature/AmazingFeature)
5. Ouvrir une Pull Request

📝 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

👥 Auteurs

• Votre Nom - @votre_twitter

🙏 Remerciements

• Streamlit
• FastAPI
• H2O.ai
• DVC
• MLflow