Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
MLOps38490/3385/2425/1/07
Studiegids

MLOps

38490/3385/2425/1/07
Academiejaar 2024-25
Komt voor in:
  • Bachelor in de toegepaste informatica, trajectschijf 2
    Afstudeerrichting:
    • Artificiële Intelligentie
Dit is een enkelvoudig opleidingsonderdeel.
Studieomvang: 3 studiepunten
Men kan dit opleidingsonderdeel niet volgen binnen een
  • examencontract (met het oog op het behalen van een creditbewijs).
  • examencontract (met het oog op het behalen van een diploma).
Titularis: Van Battel Sam
Co-titularis(sen) zijn nog niet (allemaal) gekend.
Onderwijstalen: Nederlands
Kalender: Semester 2
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.03.2025 (2de semester)
Tweede examenkans: wel mogelijk.
Delibereerbaarheid/tolereerbaarheid: Dit opleidingsonderdeel komt in aanmerking voor deliberatie/tolerantie onder de voorwaarden van de opleiding waarvoor je bent ingeschreven.
Totale studietijd: 78,00 uren

Volgtijdelijkheid

Op dit opleidingsonderdeel is er geen volgtijdelijkheid van toepassing.

Korte omschrijving

MLOps richt zich op het ontwerpen, bouwen en implementeren van systemen en processen die nodig zijn voor het beheer van machine learning modellen in productie. Het omvat verschillende technieken en tools die worden gebruikt om de levenscyclus van een machine learning model te beheren, zoals model training, validatie, implementatie en monitoring. Het doel van MLOps is om de effectiviteit, betrouwbaarheid en schaalbaarheid van machine learning toepassingen te verbeteren door middel van automatisering en standaardisatie van de implementatie en beheer van modellen.

OLR-Leerdoelen (lijst)

Beheren
Gebruikt een versie controle systeem om data, modellen en code bij te houden.
Gebruikt orkestratie om de MLOps workflows te managen.
Monitort een model.
Deployt een ML-model.
Zet virtualisatie op met containers van een AI-toepassing.
Ontwerpen
Beschrijft de verschillende niveau's van een MLOps implementatie.
Beschrijft de uitdagingen van het deployen van een ML-model.
Optimaliseren
Voert al de relevante tests uit van een AI-applicatie.
Realiseren
Zorgt dat ML experimenten reproduceerbaar, georganiseerd en geoptimaliseerd zijn.

Leerinhoud

  • MLOps Maturity Model
  • Model training
  • Experiment tracking
  • Orchestration en ML pipelines
  • Model deployment (webservice, batch & streaming)
  • Model monitoring
  • VCS voor code, models en data
  • CI/CD
  • Testen van ML toepassingen: Unit tests en integration tests
  • Gebruik van hooks

Studiematerialen (lijst)

StudiewijzerVerplicht
Online leermateriaal op DigitapVerplicht

Onderwijsorganisatie

Werkvormen
Hoor- en/of werkcolleges12,00 uren
Practicum en/of oefeningen24,00 uren
Werktijd buiten de contacturen42,00 uren

Toetsing (lijst)

Evaluatie(s) voor de eerste examenkans
MomentVorm%Opmerking
Eerste examenperiodeKennis- en inzichtstoets in de examenreeks30,00Digitaal.
Eerste examenperiodeVaardigheidstoets in de examenreeks40,00Digitaal.
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennis- en inzichtstoets in de examenreeks30,00Digitaal.
Tweede examenperiodeVaardigheidstoets in de examenreeks40,00Digitaal.
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
Eerste examenperiodeVaardigheidstoets permanent tijdens de lesweken (Permanente evaluatie)30,00

Toetsing (tekst)

De totale examentijd voor de kennis- en inzichtstoets(en) en/of de vaardigheidstoets(en) die tijdens de examenreeks en de toetsweek plaatsvinden, bestaat uit de voorziene tijd hiervoor plus ¼ extra examentijd – met een max. van 30 min. – voor alle studenten. De extra examentijd als individuele aanpassing is hierbij dus inbegrepen. Indien er op het moment van de toetsing een aanvullende toetsing plaats zou vinden, dan wordt de extra examentijd met een maximum van 30 min. toegekend.