Subject

Operationalising Machine Learning and Prescriptive Analytics

Course Title

Operationalising Machine Learning and Prescriptive Analytics
Machine Learning Operations and Prescriptive Analytics

Code

m23_s_056

Study Programme

—

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Second cycle

Academic year / semester

10 / Summer

Number of ECTS credits

Teacher

Eftim Zdravevski, Petre Lameski

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Овој предмет од напредно податочно рударење ќе покрива модерни техники и алгоритми за предиктивна и прескриптивна аналитика. Курсот ќе се фокурира на применливите аспекти и ќе се концентрира на проблеми и апликации од реланиот свет со цел испорака во продукција на решенија кои користат машинско учење. Овој предмет го надминува јазот помеѓу продукционализација и пуштање во погон на корпоративни решенија и проекти/експерименти од машинско учење. За да се овозможи тоа, предметот ќе дискутира операционализирање на машинско учење (Machine Learning Operations - MLOps), зошто е тоа важно за пуштање на погон на модели изградени со машинско учење во продкциски корпоративни средини. Како разултат, со студентите ќе бидат разработени разновидни идеи, алатки и платформи за инженерство и продукционализација на модели од машинско учење.

Курсот опфаќа три главни столба на MLOps и софтверско инженерство, инженерство на модели и инженерство на пуштање во погон. Меѓу опфатените теми спаѓаат софтверски архитектури за континуирана интеграција и испорака, во контекст на машинско учење и верзионирање на податоци. Дополнително, предметот се фокусира на најдобрите практики во индустријата што се неопходни за пуштање во погон на проекти од машинско учење во корпоративни средини.

Студентите кои успешно ќе го завршат предметот ќе можат да ги објаснат животниот циклус на машинското учење и што е неопходно за да се земе идеја од зачнување до операционализација во корпоративна средина. Дополнително, студентите ќе бидат изложени на современи платформи и технологии на MLOps, како на пример ги Allegro AI, xpresso, Dataiku, LityxIQ, DataRobot, AWS Sagemaker, Jenkins, Slack, Docker, Kubernetes итн.

11.

Course content

Разлики помеѓу деловна аналитика: дескриптивна, предиктивна и прескриптивна;
Дизајнирање на прескриптивни платформи, моделирање на ситуации и развој на алтернативи;
Инженерство на податоци фокусирано на вештачка интелгиенција и машинско учење: принципи и практики;
Дефинирање на MLOps и кои предизвици ги носи;
Дефинирање на клучни карактеристики на MLOps: развој на модели, продукционализација и пуштање во погон, мониторинг, итерирање и одржување на животен тек;
Чекори за подготовка за продукција;
Повторливост и следливост;
Безбедност и раководење со ML модели;
Справување со ризик на ML модели;
Стратегии за пуштање во погон;
Скалабилност и контејнеризација;
Мониторинг и повратна врска;
Откривање на отстапување на моделите;
Постигнување на бизнис вредност со машинско учење и вештачка интелигенција.

12.

Learning methods

Lectures supported by slide presentations, interactive lectures, practical classes (using equipment and software packages), teamwork, case studies, guest lecturers, independent preparation and defence of a project assignment and seminar paper, and learning in an electronic environment (forums and consultations).

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

30 + 15 + 45 + 45 + 45 = 180 часа

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	30 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	15 hours

16.

Other forms of activities

16.1.	Project assignments	45 hours
16.2.	Independent assignments	45 hours
16.3.	Home study	45 hours

17.

Assessment method

17.1.	Tests	30 points
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	10 points
17.4.	Final exam	0 points

18.

Grading criteria (points / grade)

up to 50 points	5 (five) (F)
from 51 to 60 points	6 (six) (E)
from 61 to 70 points	7 (seven) (D)
from 71 to 80 points	8 (eight) (C)
from 81 to 90 points	9 (nine) (B)
from 91 to 100 points	10 (ten) (A)

19.

Requirement for obtaining a signature and taking the final exam

Activities 15.1 and 15.2 completed

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

22.2.

Additional literature

No. Author Title Publisher Year