Subject

Автоматизирање на процеси во машинско учење

Наслов на наставниот предмет

Автоматизирање на процеси во машинско учење
Automated machine learning

Код

F23L3S163

Студиска програма

—

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Faculty of Computer Science and Engineering

Степен (прв, втор, трет циклус)

First Cycle

Академска година / семестар

6 / Летен

Број на ЕКТС кредити

Наставник

Билјана Тојтовска Рибарски, Бојан Илијоски, Панче Рибарски

Предуслови за запишување на предметот

Алгоритми и податочни структури или Примена на алгоритми и податочни структури

10.

Цели на предметната програма (компетенции)

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.

Содржина на предметната програма

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.

Методи на учење

Предавања, аудиториски вежби, лабораториски вежби, проектни задачи, домашни задачи, разработка на програмски пакети за автоматизација на процеси во машинско учење

13.

Вкупен расположив фонд на време

6 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Форми на наставните активности

15.1.	Предавања - теоретска настава	30 часови
15.2.	Вежби (лабораториски, аудиториски), семинари, тимска работа	45 часови

16.

Други форми на активности

16.1.	Проектни задачи	15 часови
16.2.	Самостојни задачи	15 часови
16.3.	Домашно учење	75 часови

17.

Начин на оценување

17.1.	Тестови	40 бодови
17.2.	Семинарска работа / проект ( презентација: писмена и усна)	15 бодови
17.3.	Активности и учење	20 бодови
17.4.	Завршен испит	100 бодови

18.

Критериуми за оценување (бодови/ оценка)

до 50 бода	5 (пет) (F)
од 51 до 60 бода	6 (шест) (E)
од 61 до 70 бода	7 (седум) (D)
од 71 до 80 бода	8 (осум) (C)
од 81 до 90 бода	9 (девет) (B)
од 91 до 100 бода	10 (десет) (A)

19.

Услов за потпис и полагање на завршен испит

—

20.

Јазик на кој се изведува наставата

Македонски и англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Literature

22.1.

Задолжителна литература

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.

Дополнителна литература

Ред.бр. Автор Наслов Издавач Година