Questions d’entretien Junior Machine Learning Engineer

import pandas as pd
import numpy as np

# Mauvais : Charger l'ensemble du dataset en mémoire
# df = pd.read_csv('large_file.csv')  # Peut planter

# Bien : Lire par morceaux
chunk_size = 10000
for chunk in pd.read_csv('large_file.csv', chunksize=chunk_size):
    # Traiter chaque morceau
    processed = chunk[chunk['value'] > 0]
    # Sauvegarder ou agréger les résultats
    processed.to_csv('output.csv', mode='a', header=False)

# Utilisation de générateurs
def data_generator(filename, batch_size=32):
    while True:
        batch = []
        with open(filename, 'r') as f:
            for line in f:
                batch.append(process_line(line))
                if len(batch) == batch_size:
                    yield np.array(batch)
                    batch = []

# Dask pour le calcul distribué
import dask.dataframe as dd
ddf = dd.read_csv('large_file.csv')
result = ddf.groupby('category').mean().compute()

import time
import functools

# Décorateur de mesure du temps
def timer(func):
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        end = time.time()
        print(f"{func.__name__} a pris {end - start:.2f} secondes")
        return result
    return wrapper

# Décorateur d'enregistrement des prédictions (logging)
def log_predictions(func):
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        predictions = func(*args, **kwargs)
        print(f"Nombre de prédictions effectuées : {len(predictions)}")
        print(f"Distribution des prédictions : {np.bincount(predictions)}")
        return predictions
    return wrapper

# Utilisation
@timer
@log_predictions
def predict_batch(model, X):
    return model.predict(X)

# Décorateur de mise en cache (mémoïsation)
def cache_results(func):
    cache = {}
    @functools.wraps(func)
    def wrapper(*args):
        if args not in cache:
            cache[args] = func(*args)
        return cache[args]
    return wrapper

@cache_results
def expensive_feature_engineering(data_id):
    # Calcul coûteux
    return processed_features

class MLModel:
    model_type = "classifier"
    
    def __init__(self, name):
        self.name = name
    
    # Méthode régulière - nécessite une instance
    def predict(self, X):
        return self.model.predict(X)
    
    # Méthode statique - fonction utilitaire
    @staticmethod
    def preprocess_data(X):
        # Aucun accès à self ou cls
        return (X - X.mean()) / X.std()
    
    # Méthode de classe - modèle factory
    @classmethod
    def create_default(cls):
        # Accès à cls
        return cls(name=f"default_{cls.model_type}")
    
    @classmethod
    def from_config(cls, config):
        return cls(name=config['name'])

# Utilisation
# Méthode statique - aucune instance nécessaire
processed = MLModel.preprocess_data(X_train)

# Méthode de classe - crée une instance
model = MLModel.create_default()
model2 = MLModel.from_config({'name': 'my_model'})

import logging
from typing import Optional

# Configuration du logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class ModelTrainingError(Exception):
    """Exception personnalisée pour les échecs d'entraînement de modèle"""
    pass

def train_model(X, y, model_type='random_forest'):
    try:
        logger.info(f"Début de l'entraînement avec {model_type}")
        
        # Valider les entrées
        if X.shape[0] != y.shape[0]:
            raise ValueError("X et y doivent avoir le même nombre d'échantillons")
        
        if X.shape[0] < 100:
            raise ModelTrainingError("Données d'entraînement insuffisantes")
        
        # Entraîner le modèle
        if model_type == 'random_forest':
            from sklearn.ensemble import RandomForestClassifier
            model = RandomForestClassifier()
        else:
            raise ValueError(f"Type de modèle inconnu : {model_type}")
        
        model.fit(X, y)
        logger.info("Entraînement terminé avec succès")
        return model
        
    except ValueError as e:
        logger.error(f"Erreur de validation : {e}")
        raise
    except ModelTrainingError as e:
        logger.error(f"Erreur d'entraînement : {e}")
        # Pourrait revenir à un modèle plus simple
        return train_fallback_model(X, y)
    except Exception as e:
        logger.error(f"Erreur inattendue : {e}")
        raise
    finally:
        logger.info("Tentative d'entraînement terminée")

# Gestionnaire de contexte pour la gestion des ressources
class ModelLoader:
    def __init__(self, model_path):
        self.model_path = model_path
        self.model = None
    
    def __enter__(self):
        logger.info(f"Chargement du modèle depuis {self.model_path}")
        self.model = load_model(self.model_path)
        return self.model
    
    def __exit__(self, exc_type, exc_val, exc_tb):
        logger.info("Nettoyage des ressources")
        if self.model:
            del self.model
        return False  # Ne pas supprimer les exceptions

# Utilisation
with ModelLoader('model.pkl') as model:
    predictions = model.predict(X_test)

import numpy as np

# Générateur pour le traitement par lots
def batch_generator(X, y, batch_size=32):
    n_samples = len(X)
    indices = np.arange(n_samples)
    np.random.shuffle(indices)
    
    for start_idx in range(0, n_samples, batch_size):
        end_idx = min(start_idx + batch_size, n_samples)
        batch_indices = indices[start_idx:end_idx]
        yield X[batch_indices], y[batch_indices]

# Utilisation dans l'entraînement
for epoch in range(10):
    for X_batch, y_batch in batch_generator(X_train, y_train):
        model.train_on_batch(X_batch, y_batch)

# Générateur d'augmentation des données
def augment_images(images, labels):
    for img, label in zip(images, labels):
        # Original
        yield img, label
        # Inversée
        yield np.fliplr(img), label
        # Rotation
        yield np.rot90(img), label

# Générateur infini pour l'entraînement
def infinite_batch_generator(X, y, batch_size=32):
    while True:
        indices = np.random.choice(len(X), batch_size)
        yield X[indices], y[indices]

# Utilisation avec steps_per_epoch
gen = infinite_batch_generator(X_train, y_train)
# model.fit(gen, steps_per_epoch=100, epochs=10)

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score

# Générer des données
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

# Bagging - Random Forest
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf_scores = cross_val_score(rf, X, y, cv=5)
print(f"Validation croisée Random Forest : {rf_scores.mean():.3f} (+/- {rf_scores.std():.3f})")

# Boosting - Gradient Boosting
gb = GradientBoostingClassifier(n_estimators=100, random_state=42)
gb_scores = cross_val_score(gb, X, y, cv=5)
print(f"Validation croisée Gradient Boosting : {gb_scores.mean():.3f} (+/- {gb_scores.std():.3f})")

# XGBoost (boosting avancé)
import xgboost as xgb
xgb_model = xgb.XGBClassifier(n_estimators=100, random_state=42)
xgb_scores = cross_val_score(xgb_model, X, y, cv=5)
print(f"Validation croisée XGBoost : {xgb_scores.mean():.3f} (+/- {xgb_scores.std():.3f})")

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler
from collections import Counter

# Créer un ensemble de données déséquilibré
X, y = make_classification(
    n_samples=1000, n_features=20,
    weights=[0.95, 0.05],  # 95% classe 0, 5% classe 1
    random_state=42
)

print(f"Distribution originale : {Counter(y)}")

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 1. Poids de classe
model_weighted = RandomForestClassifier(class_weight='balanced', random_state=42)
model_weighted.fit(X_train, y_train)
print("\nAvec des poids de classe :")
print(classification_report(y_test, model_weighted.predict(X_test)))

# 2. SMOTE (suréchantillonnage de la classe minoritaire)
smote = SMOTE(random_state=42)
X_train_smote, y_train_smote = smote.fit_resample(X_train, y_train)
print(f"Après SMOTE : {Counter(y_train_smote)}")

model_smote = RandomForestClassifier(random_state=42)
model_smote.fit(X_train_smote, y_train_smote)
print("\nAvec SMOTE :")
print(classification_report(y_test, model_smote.predict(X_test)))

# 3. Ajustement du seuil
y_proba = model_weighted.predict_proba(X_test)[:, 1]
threshold = 0.3  # Un seuil plus bas favorise la classe minoritaire
y_pred_adjusted = (y_proba >= threshold).astype(int)
print("\nAvec un seuil ajusté :")
print(classification_report(y_test, y_pred_adjusted))

from sklearn.model_selection import (
    cross_val_score, KFold, StratifiedKFold,
    TimeSeriesSplit, cross_validate
)
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

# Charger les données
data = load_iris()
X, y = data.data, data.target

model = RandomForestClassifier(random_state=42)

# K-Fold standard
kfold = KFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X, y, cv=kfold)
print(f"Scores K-Fold : {scores}")
print(f"Moyenne : {scores.mean():.3f} (+/- {scores.std():.3f})")

# K-Fold stratifiée (préserve la distribution des classes)
stratified_kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
stratified_scores = cross_val_score(model, X, y, cv=stratified_kfold)
print(f"\nK-Fold stratifiée : {stratified_scores.mean():.3f}")

# Time Series Split (pour les données temporelles)
tscv = TimeSeriesSplit(n_splits=5)
ts_scores = cross_val_score(model, X, y, cv=tscv)
print(f"Validation croisée de séries temporelles : {ts_scores.mean():.3f}")

# Métriques multiples
cv_results = cross_validate(
    model, X, y, cv=5,
    scoring=['accuracy', 'precision_macro', 'recall_macro', 'f1_macro'],
    return_train_score=True
)

print(f"\nExactitude : {cv_results['test_accuracy'].mean():.3f}")
print(f"Précision : {cv_results['test_precision_macro'].mean():.3f}")
print(f"Rappel : {cv_results['test_recall_macro'].mean():.3f}")
print(f"F1 : {cv_results['test_f1_macro'].mean():.3f}")

from sklearn.metrics import (
    precision_score, recall_score, f1_score,
    classification_report, confusion_matrix
)
import numpy as np

# Exemple de prédictions
y_true = np.array([0, 1, 1, 0, 1, 1, 0, 1, 0, 0])
y_pred = np.array([0, 1, 0, 0, 1, 1, 0, 1, 1, 0])

# Calculer les métriques
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print(f"Précision : {precision:.3f}")  # 0.800
print(f"Rappel : {recall:.3f}")        # 0.800
print(f"Score F1 : {f1:.3f}")          # 0.800

# Matrice de confusion
cm = confusion_matrix(y_true, y_pred)
print(f"\nMatrice de confusion :\n{cm}")
# [[4 1]
#  [1 4]]

# Rapport de classification (toutes les métriques)
print("\nRapport de classification :")
print(classification_report(y_true, y_pred))

# Exemple de compromis
from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt

# Obtenir les prédictions de probabilité
y_proba = model.predict_proba(X_test)[:, 1]

# Calculer la précision-rappel à différents seuils
precisions, recalls, thresholds = precision_recall_curve(y_test, y_proba)

# Trouver le seuil optimal (maximiser F1)
f1_scores = 2 * (precisions * recalls) / (precisions + recalls + 1e-10)
optimal_idx = np.argmax(f1_scores)
optimal_threshold = thresholds[optimal_idx]
print(f"Seuil optimal : {optimal_threshold:.3f}")

from sklearn.linear_model import Ridge, Lasso, ElasticNet, LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

# Générer des données avec de nombreuses caractéristiques
X, y = make_regression(
    n_samples=100, n_features=50,
    n_informative=10, noise=10, random_state=42
)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# Pas de régularisation
lr = LinearRegression()
lr.fit(X_train, y_train)
lr_score = r2_score(y_test, lr.predict(X_test))
print(f"R² de la régression linéaire : {lr_score:.3f}")

# Régularisation L2 (Ridge)
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, y_train)
ridge_score = r2_score(y_test, ridge.predict(X_test))
print(f"R² de Ridge : {ridge_score:.3f}")

# Régularisation L1 (Lasso)
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
lasso_score = r2_score(y_test, lasso.predict(X_test))
print(f"R² de Lasso : {lasso_score:.3f}")
print(f"Coefficients non nuls de Lasso : {np.sum(lasso.coef_ != 0)}")

# Elastic Net (L1 + L2)
elastic = ElasticNet(alpha=0.1, l1_ratio=0.5)
elastic.fit(X_train, y_train)
elastic_score = r2_score(y_test, elastic.predict(X_test))
print(f"R² d'Elastic Net : {elastic_score:.3f}")

# Réglage des hyperparamètres pour alpha
from sklearn.model_selection import GridSearchCV

param_grid = {'alpha': [0.001, 0.01, 0.1, 1.0, 10.0]}
grid = GridSearchCV(Ridge(), param_grid, cv=5)
grid.fit(X_train, y_train)
print(f"\nMeilleur alpha : {grid.best_params_['alpha']}")
print(f"Meilleur score de validation croisée : {grid.best_score_:.3f}")

import joblib
import pickle
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

# Entraîner le modèle
X, y = load_iris(return_X_y=True)
model = RandomForestClassifier()
model.fit(X, y)

# Méthode 1 : Joblib (recommandée pour scikit-learn)
joblib.dump(model, 'model.joblib')
loaded_model = joblib.load('model.joblib')

# Méthode 2 : Pickle
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)

with open('model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

# Pour TensorFlow/Keras
import tensorflow as tf

# Sauvegarder le modèle entier
# keras_model.save('model.h5')
# loaded_model = tf.keras.models.load_model('model.h5')

# Sauvegarder uniquement les poids
# keras_model.save_weights('model_weights.h5')
# new_model.load_weights('model_weights.h5')

# Pour PyTorch
import torch

# Sauvegarder le dictionnaire d'état du modèle
# torch.save(model.state_dict(), 'model.pth')
# model.load_state_dict(torch.load('model.pth'))

# Sauvegarder le modèle entier
# torch.save(model, 'model_complete.pth')
# model = torch.load('model_complete.pth')

# Contrôle de version pour les modèles
import datetime

model_version = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
model_path = f'models/model_{model_version}.joblib'
joblib.dump(model, model_path)
print(f"Modèle sauvegardé dans {model_path}")

from flask import Flask, request, jsonify
import joblib
import numpy as np

app = Flask(__name__)

# Charger le modèle au démarrage
model = joblib.load('model.joblib')

@app.route('/predict', methods=['POST'])
def predict():
    try:
        # Obtenir les données de la requête
        data = request.get_json()
        features = np.array(data['features']).reshape(1, -1)
        
        # Faire la prédiction
        prediction = model.predict(features)
        probability = model.predict_proba(features)
        
        # Renvoyer la réponse
        return jsonify({
            'prediction': int(prediction[0]),
            'probability': probability[0].tolist(),
            'status': 'success'
        })
    
    except Exception as e:
        return jsonify({
            'error': str(e),
            'status': 'error'
        }), 400

@app.route('/health', methods=['GET'])
def health():
    return jsonify({'status': 'healthy'})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

# Alternative FastAPI (moderne, plus rapide)
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel

app = FastAPI()

class PredictionRequest(BaseModel):
    features: list

class PredictionResponse(BaseModel):
    prediction: int
    probability: list
    status: str

@app.post("/predict", response_model=PredictionResponse)
async def predict(request: PredictionRequest):
    try:
        features = np.array(request.features).reshape(1, -1)
        prediction = model.predict(features)
        probability = model.predict_proba(features)
        
        return PredictionResponse(
            prediction=int(prediction[0]),
            probability=probability[0].tolist(),
            status="success"
        )
    except Exception as e:
        raise HTTPException(status_code=400, detail=str(e))

# Utilisation :
# curl -X POST "http://localhost:5000/predict" \
#      -H "Content-Type: application/json" \
#      -d '{"features": [5.1, 3.5, 1.4, 0.2]}'

# Dockerfile pour le modèle d'apprentissage automatique
FROM python:3.9-slim

WORKDIR /app

# Copier les exigences
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# Copier le modèle et le code
COPY model.joblib .
COPY app.py .

# Exposer le port
EXPOSE 5000

# Exécuter l'application
CMD ["python", "app.py"]

# Construire l'image Docker
docker build -t ml-model:v1 .

# Exécuter le conteneur
docker run -p 5000:5000 ml-model:v1

# Docker Compose pour une configuration multi-conteneurs

# docker-compose.yml
version: '3.8'
services:
  model:
    build: .
    ports:
      - "5000:5000"
    environment:
      - MODEL_PATH=/app/model.joblib
    volumes:
      - ./models:/app/models

import logging
from datetime import datetime
import numpy as np

class ModelMonitor:
    def __init__(self, model):
        self.model = model
        self.predictions = []
        self.actuals = []
        self.latencies = []
        self.input_stats = []
        
        # Configuration du logging
        logging.basicConfig(
            filename='model_monitor.log',
            level=logging.INFO,
            format='%(asctime)s - %(message)s'
        )
    
    def predict(self, X):
        import time
        
        # Suivre les statistiques d'entrée
        self.input_stats.append({
            'mean': X.mean(),
            'std': X.std(),
            'min': X.min(),
            'max': X.max()
        })
        
        # Mesurer la latence
        start = time.time()
        prediction = self.model.predict(X)
        latency = time.time() - start
        
        self.predictions.append(prediction)
        self.latencies.append(latency)
        
        # Enregistrer la prédiction
        logging.info(f"Prédiction : {prediction}, Latence : {latency:.3f}s")
        
        # Alerter si la latence est trop élevée
        if latency > 1.0:
            logging.warning(f"Latence élevée détectée : {latency:.3f}s")
        
        return prediction
    
    def log_actual(self, y_true):
        self.actuals.append(y_true)
        
        # Calculer l'exactitude si nous avons suffisamment de données
        if len(self.actuals) >= 100:
            accuracy = np.mean(
                np.array(self.predictions[-100:]) == np.array(self.actuals[-100:])
            )
            logging.info(f"Exactitude glissante (100 derniers) : {accuracy:.3f}")
            
            if accuracy < 0.8:
                logging.error(f"Performances du modèle dégradées : {accuracy:.3f}")
    
    def check_data_drift(self, reference_stats):
        if not self.input_stats:
            return
        
        current_stats = self.input_stats[-1]
        
        # Détection simple de la dérive (comparer les moyennes)
        mean_diff = abs(current_stats['mean'] - reference_stats['mean'])
        if mean_