Операционализирање на машинско учење и прескриптивна аналитика

1.

Наслов на наставниот предмет

Операционализирање на машинско учење и прескриптивна аналитика

Machine Learning Operations and Prescriptive Analytics

2.

Код

m23_s_056

3.

Студиска програма

Пресметување во облак, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Едукација со ИКТ, Еко-информатика, Интелигентни системи, Интернет технологии и сајбер безбедност, Компјутерски науки, Статистика и аналитика на податоци, Софтвер за вградливи системи, Софтверско инженерство, Пресметување во облак, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Статистика и аналитика на податоци, Софтверско инженерство, Data science in computer science and engineering,

4.

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

Факултет за информатички науки и компјутерско инженерство

5.

Степен (прв, втор, трет циклус)

Втор циклус

6.

Академска година / семестар

5 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

ворн. проф. д-р Ефтим Здравевски ворн. проф. д-р Петре Ламески

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):

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.

Содржина на предметната програма:

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.

Методи на учење:

Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 15 + 45 + 45 + 45 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

30 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

15 часови

16.

Други форми на активности

16.1.

Проектни задачи

45 часови

16.2.

Самостојни задачи

45 часови

16.3.

Домашно учење

45 часови

17.

Начин на оценување

17.1.

Тестови

30 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

45 бодови

17.3.

Активности и учење

10 бодови

17.4.

Завршен испит

0 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

Реализирани активности 15.1 и 15.2

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.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература