Déploiement facile via STREAMLIT + DOCKER (Pycaret / PYTHON)
Déploiement d'un pipeline (préparation des données + modèle prédictif de machine learning) sous la forme d'une application STREAMLIT, qui est par la suite encapsulée dans une image DOCKER. Utilisation des fonctionnalités de déploiement de la librairie Pycaret pour Python. Test de l'application streamlit dans l'environnement de développement. La question essentielle des versions de Python et des packages dans la construction de l'image. Lancement du conteneur docker avec Docker Desktop. Test de l'application : saisie des valeurs des descripteurs pour un individu à classer, prédiction de la classe d'appartenance avec le score d'affectation. Approche pour la gestion des valeurs manquantes.
Page de cours : https://cours-machine-learning.blogsp...
00:00 Déploiement dans le cycle de vie d'un projet ML
04:50 Pourquoi une image docker ?
07:38 Problème avec la version actuelle de PyCaret (nov. 2023)
12:53 Pourquoi une application streamlit ?
14:30 Schéma de travail (modélisation + streamlit + docker)
16:00 Démarrage du notebook, création du pipeline
19:51 Exportation du fichier pickle
21:01 Détail de l'application streamlit de déploiement (.py)
27:36 Exécution et test de l'application streamlit
31:54 Préparation des fichiers de configuration pour docker
35:08 Création de l'image docker (indications sur le partage d'images)
38:45 Lancement du conteneur docker
40:40 Test de l'application
41:50 Système de fichiers, dont le dossier ./app, de l'application