MK EN
ФИНКИ

Subject

Автоматизирање на процеси во машинско учење

1. Course Title Автоматизирање на процеси во машинско учење
Automated machine learning
2. Code F23L3S163
3. Study Programme —
4. Organizer of the study programme (unit, institute, department or division) Faculty of Computer Science and Engineering
5. Degree level (first, second, third cycle) Прв циклус
6. Academic year / semester 6 / Летен
7. Number of ECTS credits 6
8. Teacher Билјана Тојтовска Рибарски, Бојан Илијоски, Панче Рибарски
9. Prerequisites for enrolling in the course Алгоритми и податочни структури или Примена на алгоритми и податочни структури
10. Objectives of the course programme (competences) Запознање со основните чекори за поставување на модели од машинско учење во продукција, оптимизација на piplelines во ML, дизајн на целосен животен циклус на ML моделите, CI/CD кај ML, упраување со ML код, следење на моделите во продукција, менаџирање со модели.
11. Course content Предавања:
1. 1. Извлекување, трансформација и вчитување на податоци
2. 2. Тек и стриминг на податоци
3. 3. Автоматизирање на ML - управување со код
4. 4. Автоматизирање на ML - управување со модели
5. 5. Автоматизирање на ML - управување со процеси
6. 6. Логирање на модели
7. 7. Следење на модели
8. 8. Сервирање на модели
9. 9. Континуирана интеграција и континуиран развој
10. 10. Тестирање
11. 11. Завршен проект

Вежби:
1. 1. Извлекување, трансформација и вчитување на податоци
2. 2. Тек и стриминг на податоци
3. 3. Автоматизирање на ML - управување со код
4. 4. Автоматизирање на ML - управување со модели
5. 5. Автоматизирање на ML - управување со процеси
6. 6. Логирање на модели
7. 7. Следење на модели
8. 8. Сервирање на модели
9. 9. Континуирана интеграција и континуиран развој
10. 10. Тестирање
11. 11. Завршен проект
12. Learning methods Предавања, аудиториски вежби, лабораториски вежби, проектни задачи, домашни задачи, разработка на програмски пакети за автоматизација на процеси во машинско учење
13. Total available time 6 ECTS x 30 hours = 180 hours
14. Distribution of available time 30 + 45 + 15 + 15 + 75 = 180 часа
15. Forms of teaching activities
15.1. Lectures - theoretical instruction 30 hours
15.2. Exercises (laboratory, auditory), seminars, teamwork 45 hours
16. Other forms of activities
16.1. Project assignments 15 часови
16.2. Independent assignments 15 часови
16.3. Home study 75 часови
17. Assessment method
17.1. Tests 40 бодови
17.2. Seminar paper / project (presentation: written and oral) 15 бодови
17.3. Activities and learning 20 бодови
17.4. Final exam 100 бодови
18. Grading criteria (points / grade)
up to 50 points5 (five) (F)
from 51 to 60 points6 (six) (E)
from 61 to 70 points7 (seven) (D)
from 71 to 80 points8 (eight) (C)
from 81 to 90 points9 (nine) (B)
from 91 to 100 points10 (ten) (A)
19. Requirement for obtaining a signature and taking the final exam —
20. Language of instruction Macedonian and English
21. Method for monitoring the quality of teaching internal evaluation and survey mechanism
22. Literature
22.1. Required literature
1. Mark Treveil, Nicolas Omont, Clément Stenac, Kenji Lefevre, Du Phan, Joachim Zentici, Adrien Lavoillotte, Makoto Miyazaki, Lynn Heidmann | Introducing MLOps: How to Scale Machine Learning in the Enterprise | O`reilly | 2020
2. Emmanuel Raj | Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale | Packt Publishing | 2021
3.
22.2. Additional literature
No. Author Title Publisher Year
Деканат Dean’s Office Студии Studies Акти Acts Проекти Projects