2023-2024 / INFO9023-1

Machine Learning Systems Design

Durée

17h Th, 17h Labo., 18h Proj.

Nombre de crédits

 Master en science des données, à finalité5 crédits 
 Master : ingénieur civil en informatique, à finalité5 crédits 
 Master : ingénieur civil en science des données, à finalité5 crédits 
 Master en sciences informatiques, à finalité5 crédits 

Enseignant

Thomas Vrancken

Langue(s) de l'unité d'enseignement

Langue anglaise

Organisation et évaluation

Enseignement au deuxième quadrimestre

Horaire

Horaire en ligne

Unités d'enseignement prérequises et corequises

Les unités prérequises ou corequises sont présentées au sein de chaque programme

Contenus de l'unité d'enseignement

Nous sommes à l'aube de la révolution IA, qui devrait avoir un impact important sur de nombreux secteurs. Il existe une forte demande d'ingénieurs qualifiés capables de créer des applications de Machine Learning.

Implémenter une application ML en production nécessite bien plus d'efforts que le seul développement du modèle ML. Il existe d'importantes dettes techniques cachées dans la conception et la mise en œuvre de tous les composants qui entourent la modèle.

Le cours de Machine Learning System Designs (MLOps) vise à permettre aux étudiants de véritablement créer des applications ML entièrement fonctionnelles, qui peuvent servir des utilisateurs dans le monde réel. Il examinera l'ensemble du cycle de vie de la création d'une application ML réelle, d'un point de vue technique et fonctionnel. À la fin du cours, les étudiants seront familiarisés avec les outils et frameworks clés de MLOps.

Thèmes à aborder (provisoires et sujets à changement) :

  • Introduction to MLOps
  • Model development
  • Data ingestion
  • Model training
  • Model serving
  • Containerised pipeline
  • Model maintenance
  • Communication and collaboration
Outils et concepts à couvrir (provisoires et sujets à changement) :

Carte modèle/données, Kanban, Agile, Développement Cloud, MLFlow, Docker (compose), Github Flow, Github Flow/Actions, Pytest, Pylint

Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement

A l'issue du cours, l'étudiant aura acquis une compréhension solide et détaillée des principaux concepts d'implémentation et d'applications ML. L'étudiant aura acquis une expérience de base des principaux outils et frameworks utilisés par les données de données et les ingénieurs ML. Cette expérience sera acquise au cours d'un ensemble de missions et d'un projet plus vaste.

Ce cours contribue aux acquis d'apprentissage III.3, III.4, IV.3, IV.4, V.1, V.2, V.3, VI.1, VI.2, VII.1, VII.2 , VII.3, VII.4, VII.5. Du MSc en science et ingénierie des données.

Ce cours contribue aux acquis d'apprentissage III.3, III.4, IV.3, IV.4, IV.5, IV.6, V.1, V.2, V.3, VI.1, VI.2 , VII.1, VII.2, VII.3, VII.4, VII.5, VII.6. Du MSc en informatique et ingénierie.

Savoirs et compétences prérequis

Expérience de base en Machine Learning.

Codage de base en Python.

Il est fortement recommandé de suivre "ELEN0062 Introduction to Machine learning" avant de suivre ce cours.

Activités d'apprentissage prévues et méthodes d'enseignement

 

  • Cours théoriques
  • Projet

Mode d'enseignement (présentiel, à distance, hybride)

Combinaison d'activités d'apprentissage en présentiel et en distanciel


Explications complémentaires:

Les lectures et labos techniques seront dispensés en présentiel. Les projets seront réalisés à distance.

Potentiellement, certaines sessions de bureau ouvert pourraient être organisées pour fournir un soutien sur le projet en cours.

Lectures recommandées ou obligatoires et notes de cours

Le materiel de cours sera mis à disposition au cours du semestre.

Il sera inclus dans le Github suivant: info9023-mlops

Modalités d'évaluation et critères

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation orale

Travail à rendre - rapport


Explications complémentaires:

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation orale

Travail à rendre - rapport


Explications complémentaires:

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation orale

Travail à rendre - rapport

L'évaluation sera séparée entre:

Examen

Projet de groupe

Stage(s)

Pas officiellement. Des experts de l'industries seront liés au cours et pourront guider les étudiants vers des possibilités contractuelles (nottament chez ML6).

Remarques organisationnelles et modifications principales apportées au cours

Contacts

Teacher: Thomas Vrancken (t.vrancken@uliege.be)

Support: Matthias Pirlet (matthias.pirlet@uliege.be)

Association d'un ou plusieurs MOOCs