Pipeline ML de prévision du trafic conteneurs au port
Aperçu
En quoi consiste ce défi.
Concevez un pipeline ML de prévision du trafic conteneurs avec prétraitement, modèles et API REST. Obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
L'absence de prévisions fiables du trafic conteneurs entraîne des coûts d'heures supplémentaires imprévues et des pénalités contractuelles pour retard de déchargement.
Earning criteria — what you'll demonstrate
- Concevoir un pipeline ML automatisé et reproductible, de l'ingestion des données brutes à la mise en service du modèle
- Utiliser MLflow pour suivre les expériences, comparer les modèles et versionner les artefacts
- Appliquer le réglage d'hyperparamètres (processus d'optimisation des paramètres de configuration d'un modèle) de manière systématique et documentée
- Exposer un modèle entraîné via une API REST simple, en gérant le format d'entrée/sortie et les erreurs de base
- Collaborer en équipe sur un projet ML avec un partage de code structuré
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur MLOps
La construction d'un pipeline automatisé avec suivi d'expériences MLflow et exposition via API reproduit le cœur du travail MLOps : industrialiser la chaîne ML de l'entraînement au serving en production.
Ce défi renforce
- ml-pipelines
- mlflow
- model-serving
Ingénieur de Données
La conception du module d'ingestion automatisée, la création de variables temporelles et la structuration du pipeline de données reflètent les responsabilités quotidiennes d'un ingénieur de données en environnement logistique.
Ce défi renforce
- ml-pipelines
- feature-engineering
- model-evaluation
Analyste Junior de la Chaîne d'Approvisionnement
Prévoir les volumes de conteneurs pour optimiser les ressources portuaires est une application directe de l'analyse supply chain, où la modélisation prédictive guide les décisions opérationnelles.
Ce défi renforce
- feature-engineering
- model-evaluation
- hyperparameter-tuning