Chaque module vaut 3 ECTS. Vous sélectionnez 10 modules/30 ECTS parmi les catégories suivantes:
- 12-15 crédits ECTS en Modules technico-scientifiques (TSM)
Les modules TSM vous transmettent une compétence technique spécifique à votre orientation et complètent les modules de spécialisation décentralisés. - 9-12 crédits ECTS en Bases théoriques élargies (FTP)
Les modules FTP traitent de bases théoriques telles que les mathématiques élevées, la physique, la théorie de l’information, la chimie, etc., vous permettant d’étendre votre profondeur scientifique abstraite et de contribuer à créer le lien important entre l’abstraction et l’application dans le domaine de l’innovation. - 6-9 crédits ECTS en Modules contextuels (CM)
Les modules CM vous transmettent des compétences supplémentaires dans des domaines tels que la gestion des technologies, la gestion d’entreprise, la communication, la gestion de projets, le droit des brevets et des contrats, etc.
Le descriptif de module (download pdf) contient le détail des langues pour chaque module selon les catégories suivantes:
- leçons
- documentation
- examen
Ce module présente des techniques puissantes pour gérer le cycle de vie des modèles d'apprentissage automatique, couvrant en particulier les modèles de base, l'infrastructure (clusters, cloud, edge AI, gestion des ressources) et les outils (frameworks), la formation et le débogage de modèles, l'évaluation et l'ajustement de modèles, la gestion des données (sources, stockage, versioning, vie privée), les tests systèmes (CI/CD) et l'explicabilité, le déploiement (batch, service, edge), la surveillance (glissement des données) et l'apprentissage continu. L'accent est mis sur les outils pratiques, les scénarios d'utilisation réels, et les plateformes matérielles et logicielles pertinentes. Des sujets supplémentaires tels que les exigences et objectifs commerciaux, la gestion de projet pour la ML, la structure d'équipe, l'expérience utilisateur ainsi que l'utilisation responsable des systèmes ML, y compris l'AI durable, sont également pris en compte.
Compétences préalables
- Connaissances de base en apprentissage automatique, apprentissage profond, gestion de données et ingénierie des données.
- Bonne maîtrise d'un langage de programmation impératif, connaissances de base en Python.
- Connaissances de base en probabilité, statistique, algèbre linéaire (vecteurs, matrices).
Objectifs d'apprentissage
- Reconnaître le cycle de vie complet des projets d'apprentissage automatique, des exigences de données au développement, déploiement et surveillance.
- Démontrer des compétences dans la maintenance du code et des données ML, sa version et son intégration, et définir des environnements appropriés, avec un accent sur des applications pratiques telles que le nettoyage et la prétraitement des données.
- Déployer des modèles ML à grande échelle, surveiller leurs performances et adapter les modèles aux exigences changeantes, en se concentrant sur l'évaluation et l'ajustement à la dérive des données et aux changements de distribution des données.
- Analyser des outils pertinents et des scénarios d'utilisation réelle, tels que la gestion des services en temps réel ; analyser de manière critique les implications et applications dans des scénarios pratiques.
- Sélectionner des plateformes logicielles et matérielles en fonction des exigences de différents scénarios, démontrant une compréhension approfondie des besoins et contraintes de chacun.
- Extraire et intégrer des idées à partir de conférences données par des professionnels de l'industrie (sous réserve de disponibilité), démontrant la capacité d'interpréter des connaissances d'experts à partir de la littérature scientifique et des ressources en ligne, et de l'appliquer efficacement pour compléter leur expérience pratique.
Contenu des modules
- Récapitulatif bref de l'apprentissage automatique et de l'apprentissage profond.
- Introduction au cycle de vie d'un projet d'apprentissage automatique.
- Comprendre les besoins et les exigences des données pour les projets ML (par exemple, versionnage, stockage, traitement, étiquetage, augmentation, simulation).
- Développement ML : définition de l'environnement, maintenance du code ML, intégration du code ML (versionnage, évaluation, références).
- Déploiement ML : exécution des modèles à grande échelle (par exemple, par lots vs en ligne, compression de modèle, déploiement sur le cloud / edge), garantie de la disponibilité du système, surveillance des performances, adaptation aux changements (décalages de distribution des données, défaillances, métriques, logs, apprentissage continu).
- Exploration des outils et des scénarios du monde réel.
- Aperçu des plateformes matérielles et logicielles pertinentes.
- Sélection de sujets avancés tels que :
- Trustworthy AI (y compris les aspects réglementaires).
- Conférence(s) d'invité(s) de professionnels de l'industrie (sous réserve de disponibilité).
- Gestion de projet et perspective commerciale (par exemple, rôles professionnels, équipes).
Méthodes d'enseignement et d'apprentissage
Enseignement en classe; exercices de programmation utilisant des outils MLOps et Python (entre autres); conférences d'invités de professionnels de l'industrie (sous réserve de disponibilité).
Bibliographie
- Chip Huyen , “Designing Machine Learning Systems: An Iterative Process for Production-Ready Application”, O-Reily, 2022
- Noah Gift & Alfredo Deza, “Practical MLOps - Operationalizing Machine Learning Models”, O’Reilly, 2021
- Littérature scientifique et articles tels que discutés pendant les cours
Télécharger le descriptif complet
Retour