論文の概要: Teaching MLOps in Higher Education through Project-Based Learning
- arxiv url: http://arxiv.org/abs/2302.01048v1
- Date: Thu, 2 Feb 2023 12:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 14:11:57.998126
- Title: Teaching MLOps in Higher Education through Project-Based Learning
- Title(参考訳): プロジェクトベース学習による高等教育におけるmlops教育
- Authors: Filippo Lanubile, Silverio Mart\'inez-Fern\'andez, Luigi Quaranta
- Abstract要約: MLOpsを教えるためのプロジェクトベースの学習手法を提案する。
このアプローチに基づくコースの設計について検討する。
コースの第1版から予備結果について報告する。
- 参考スコア(独自算出の注目度): 7.294965109944707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building and maintaining production-grade ML-enabled components is a complex
endeavor that goes beyond the current approach of academic education, focused
on the optimization of ML model performance in the lab. In this paper, we
present a project-based learning approach to teaching MLOps, focused on the
demonstration and experience with emerging practices and tools to automatize
the construction of ML-enabled components. We examine the design of a course
based on this approach, including laboratory sessions that cover the end-to-end
ML component life cycle, from model building to production deployment.
Moreover, we report on preliminary results from the first edition of the
course. During the present year, an updated version of the same course is being
delivered in two independent universities; the related learning outcomes will
be evaluated to analyze the effectiveness of project-based learning for this
specific subject.
- Abstract(参考訳): プロダクショングレードのML対応コンポーネントの構築とメンテナンスは、研究室におけるMLモデルパフォーマンスの最適化に焦点を当てた、現在の学術教育のアプローチを超えた、複雑な取り組みである。
本稿では,ml対応コンポーネント構築の自動化を目的とした,新たなプラクティスやツールの実証と経験に焦点を当てた,mlops教育のためのプロジェクトベース学習手法を提案する。
本稿では,モデル構築から製品展開まで,エンドツーエンドのMLコンポーネントライフサイクルをカバーする実験室セッションを含む,このアプローチに基づくコースの設計について検討する。
また,本コースの第1版から予備結果について報告する。
本年中、同科の更新版が2つの独立大学に提供され、関連する学習成果を評価し、この特定の科目に対するプロジェクトベース学習の有効性を分析する。
関連論文リスト
- Evaluating and Optimizing Educational Content with Large Language Model
Judgments [58.82156185222133]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。
本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。
ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文 参考訳(メタデータ) (2024-03-05T09:09:15Z) - From Summary to Action: Enhancing Large Language Models for Complex
Tasks with Open World APIs [62.496139001509114]
大規模な現実世界のAPIを制御するために設計された新しいツール呼び出しパイプラインを導入します。
このパイプラインは人間のタスク解決プロセスを反映し、複雑な実際のユーザクエリに対処する。
ToolBenchベンチマークにおけるSum2Actパイプラインの実証的な評価は、大幅なパフォーマンス向上を示している。
論文 参考訳(メタデータ) (2024-02-28T08:42:23Z) - Structured Entity Extraction Using Large Language Models [54.53348483973769]
大規模言語モデル(LLM)は、構造化されていないテキストから構造化された情報を抽出する上で重要な役割を果たす。
本稿では,構造化エンティティ抽出における現行手法の課題と限界について考察する。
本研究では,LLMのパワーを有効・効率的に活用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - An Empirical Study on Usage and Perceptions of LLMs in a Software
Engineering Project [1.433758865948252]
大規模言語モデル(LLM)は人工知能の飛躍であり、人間の言語を用いたタスクに優れる。
本稿では、AI生成したコードを分析し、コード生成に使用するプロンプトと人間の介入レベルを分析し、コードをコードベースに統合する。
ソフトウェア開発の初期段階において,LSMが重要な役割を担っていることが示唆された。
論文 参考訳(メタデータ) (2024-01-29T14:32:32Z) - Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
我々は、ITの一般的な方法論、ITデータセットの構築、ITモデルのトレーニング、異なるモダリティ、ドメイン、アプリケーションへのアプリケーションを含む、文献を体系的にレビューする。
また、ITの潜在的な落とし穴とそれに対する批判、および既存の戦略の現在の欠陥を指摘し、実りある研究の道筋を提案する。
論文 参考訳(メタデータ) (2023-08-21T15:35:16Z) - Pupil Learning Mechanism [0.0]
2層ニューラルネットワーク(2LNN)のネットワーク構造と重みを修飾する瞳孔学習機構(PLM)を導出する。
PLMは、逐次学習、適応学習、完全学習、過度に適合しない学習のためのモジュールで構成されている。
実験により, PLMモジュールの設計が線形回帰モデルと従来のバックプロパゲーションベース2LNNモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-30T06:38:44Z) - Exploring MLOps Dynamics: An Experimental Analysis in a Real-World
Machine Learning Project [0.0]
この実験には総合的なMLOpsワークフローが含まれており、問題定義、データ取得、データ準備、モデル開発、モデルデプロイメント、監視、管理、スケーラビリティ、ガバナンスとコンプライアンスといった重要なフェーズをカバーしている。
体系的な追跡手法を用いて、焦点を絞ったメインフェーズから特定のフェーズへの修正を文書化し、そのような修正の理由を捉えた。
その結果得られたデータは、MLOpsプロセスの相互依存性と実験フレームワーク内の反復的な特性を視覚的に表現する。
論文 参考訳(メタデータ) (2023-07-22T10:33:19Z) - Scaling Evidence-based Instructional Design Expertise through Large
Language Models [0.0]
本稿では,大規模言語モデル(LLM),特にGPT-4を教育設計の分野で活用することを検討する。
本研究は,エビデンスに基づく教育設計の専門知識のスケールアップに着目し,理論教育学と実践実践のギャップを埋めることを目的としている。
我々は,AIによるコンテンツ生成のメリットと限界について論じ,教育資料の品質確保に人的監督が必要であることを強調した。
論文 参考訳(メタデータ) (2023-05-31T17:54:07Z) - Machine Learning Operations (MLOps): Overview, Definition, and
Architecture [0.0]
機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。
MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。
必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
論文 参考訳(メタデータ) (2022-05-04T19:38:48Z) - Self-directed Machine Learning [86.3709575146414]
教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。
本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。
提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
論文 参考訳(メタデータ) (2022-01-04T18:32:06Z) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳(メタデータ) (2021-06-29T12:52:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。