Durée
17h Th, 17h Labo., 18h Proj.
Nombre de crédits
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au deuxième quadrimestre
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
L'intelligence artificielle n'est plus une promesse lointaine : elle transforme déjà la manière dont les entreprises conçoivent leurs produits, optimisent leurs opérations et créent de la valeur. Cette évolution crée un besoin croissant de professionnels capables de construire des systèmes de Machine Learning fiables, utiles et déployables à grande échelle.
Implémenter une application de ML en production nécessite bien plus d'efforts que le simple développement du modèle de ML. Il existe des dettes techniques cachée dans la conception et la mise en œuvre de tous les composants qui entourent le modèle.
Le cours de Machine Learning System Design (MLOps) vise à permettre aux étudiants de créer des applications de 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 de ML, 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.
Le matériel pour le cours précédent peut être trouvé sur Github (assurez-vous d'être sur la bonne version).
Sujets abordés :
- Introduction à MLOps
- Préparation des données
- Développement dans le cloud
- Docker
- API
- Déploiement du modèle
- Pipelines de ML
- Monitoring
- CI/CD
- Agile, Docker, REST, Flask, Cloud, GitFlow, Github Actions, CICD, Pytest
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.
Il est aussi recommandé (mais pas nécessaire) de suivre le cours "INFO8010-1: Deep learning".
Activités d'apprentissage prévues et méthodes d'enseignement
- Cours théoriques
- Travaux Dirigés
- Projet
Mode d'enseignement (présentiel, à distance, hybride)
Combinaison d'activités d'apprentissage en présentiel et en distanciel
Informations complémentaires:
Les lectures et travaux dirigés seront dispensés en présentiel. Les projets seront réalisés à distance.
La dernière partie de chaque classe sera gardée pour que les étudiants puissent travailler sur leur projet, après les lectures et labos. Pendant cette phase, les enseignants resteront à disposition pour offrir un soutien à chaque groupe.
Supports de cours, lectures obligatoires ou recommandées
Autre(s) site(s) utilisé(s) pour les supports de cours
- Github (https://github.com/ThomasVrancken/info9023-mlops)
Informations complémentaires:
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
Informations complémentaires:
Evaluation divisée entre:
- Examen (35%): Examen oral sur le contenu théorique du cours
- Travaux pratiques (15%): Validation ou non des exercices pratiques donnés à la fin des cours. Chaque exercice compte pour une part égale du score total.
- Projet (50%): Un projet de groupe réalisé tout au long du cours. La note finale est attribuée individuellement en fonction de la participation personnelle.
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)