Machine Learning Operations

• Organisere kode effektivt der gør det nemmer at vedligeholde og dele
• Forstå vigtigheden af reproducerbarhed og hvordan man laver reproducerbare containerized applikationer og eksperimenter
• I stand til at bruge version control til effektivt samarbejde på kode udvikling
• Kendskab til continuous integration (CI) og continuous machine learning (CML) for at automatisere kode udvikling
• Være i stand til at fejlfinde, profilere, visualisere og overvåge multiple eksperimenter for at vurdere model performance
• Være i stand til at bruge online cloud baseret computing services for at skalere eksperimenter
• Demonstrere viden omkring forskellige distributed trænings paradigmer indenfor maskine læring og hvordan man anvender dem
• Deploy maskine læringsmodeller, både lokalt og i cloud
• Foretage et mindre forskningsprojekt i samarbejde med ens medstuderende hvor der anvendes de værktøjer lært i kurset

reproducerbare og containerized miljøer, reproducerbare eksperimenter, kode fejlfinding tools, kode profilering, storskala experiment logging og monitoring, unit testing, continuous integration, continues maskine læring, cloud infrastruktur, cloud baseret maskine læring, distribueret data loading og træning, lokal og cloud baseret deployment, monitorering af deployed applikation

02456, General forståelse for maskine læring (datasets, sandsynlighedsregning, klassifikationsmodeller, overfitting etc.) og grundlæggende erfaring med dyb læring (backpropagation, convolutional neural networks, auto-encoders etc.)
– Kodning i Pytorch

Kurset inkludere forelæsninger, øvelser og projekt arbejde. Forelæsningerne er kortet og er ment til at give kontekst hvorfor hvert emne er vigtigt. Hovedfokus er øvelserne med vægt på praktiske værktøjer og kode praksis for at implementere maskine læring modeller i produktion. Omkring 30% af kurset bliver brugt på projektarbejde i grupper på 3-5 personer, hvor værktøjer gennemgået i kurset skal anvendes på et selv valg maskine lærings problem.