Modellen är inte klar
när den funkar
i en notebook.

1. Tillämpad Python och dataengineering för ML

En stabil grund i Python för dataarbete och i att hämta, förbereda och versionshantera data. Utan det finns ingen maskininlärning att tala om.

NumPy · Pandas · SQL · Airflow · DVC

Datakällor och filformat, städning och transformering, feature engineering, datapipelines och arbetsflöden, dataversionshantering, datakvalitet och validering.

Efter kursen kan du hämta, städa och transformera data från olika källor, bygga reproducerbara bearbetningsflöden, versionshantera data och feature-transformationer, och resonera om vad datakvalitet gör med en modell.

2. Maskininlärning och modellträning

Praktisk förmåga att träna, utvärdera och förbättra modeller, och att se när ett bra mätvärde ljuger.

scikit-learn · PyTorch · TensorFlow

Övervakad och oövervakad inlärning, klassiska algoritmer, modellutvärdering och korsvalidering, över- och underanpassning, avvägningen bias mot varians, feature selection och hyperparameteroptimering.

Efter kursen kan du träna och utvärdera modeller för olika problemtyper, välja algoritm och mätvärde med motivering, diagnostisera vanliga modellproblem, och dokumentera ett experiment så att någon annan kan upprepa det.

3. Molnplattformar och infrastruktur för ML

Molnet som både utvecklings- och driftplattform, och vad det kostar.

Linux · Bash · AWS eller Azure · SageMaker · Azure ML

Linux och skal, nätverksgrunder, compute, lagring och behörigheter, GPU-resurser för träning, managed ML-tjänster, kostnad och resurseffektivitet.

Efter kursen kan du arbeta obehindrat i en Linux- och molnmiljö, provisionera resurser för träning, använda managed tjänster, och räkna på vad ett träningsjobb kostar innan du startar det.

4. Containerisering och utvecklingsflöde

Att paketera ML-kod så att den beter sig likadant hos dig, hos kollegan och i produktion.

Git · Docker · Docker Compose · GitHub Actions

Versionshantering i team och kodgranskning, images och registries, lokala ML-miljöer, reproducerbara miljöer och beroendehantering, grundläggande CI, kodkvalitet och testning av ML-kod.

Efter kursen kan du containerisera ML-applikationer reproducerbart, arbeta med Git och kodgranskning i team, och bygga enkla CI-flöden.

5. MLOps-grunder: pipelines, experimentspårning och feature stores

Kärnan i hela utbildningen. Att göra maskininlärning spårbar och automatiserad, från experiment till modellregister.

MLflow · Weights & Biases · Kubeflow Pipelines · Metaflow · Feast

ML-livscykeln, experimentspårning och modellregister, träningspipelines, feature stores och återanvändning, artefakthantering och metadata, automatiserad omträning och CI/CD för ML.

Efter kursen kan du bygga spårbara träningspipelines, använda modellregister, konstruera en feature store, och automatisera delar av modellivscykeln.

6. Djupinlärning och neurala nätverk

Grunden för både moderna AI-modeller och det som senare ska krympas ner på en enhet.

PyTorch · TensorFlow · CNN · transformer

Neurala nätverk, träning och optimering, faltningsnätverk för bild, sekvensmodeller och transformer-arkitekturen, överföringsinlärning, träning på GPU.

Efter kursen kan du bygga och träna nätverk för bild- och sekvensdata, tillämpa överföringsinlärning, och utvärdera en djupinlärningsmodell på något mer än slutsiffran.

7. LIA 1: MLOps i praktiken

Tio veckor hos ett företag, i ett skarpt ML- eller dataprojekt. Du prövar yrkesrollen som bidragande teammedlem, med handledare och tydliga mål.

Du bidrar till datapipelines, träning eller driftsättning, och arbetar med versionshantering och experimentspårning i en miljö där någon annan är beroende av att det du gör fungerar.

Efter perioden kan du tillämpa grunderna i en skarp miljö, bidra i ett ML-projekt, arbeta reproducerbart, och säga något vettigt om vad rollen kräver.

8. Modelldriftsättning, serving och skalning

Att få modellen ut i produktion utan att den blir det svagaste ledet.

FastAPI · BentoML · KServe · Seldon · Kubernetes

Serving-mönster för batch, online och strömmande, Kubernetes för ML-arbetslaster, CI/CD för modeller, API-design och latens, A/B-test samt canary- och skuggdriftsättning.

Efter kursen kan du driftsätta modeller som skalbara tjänster, bygga leveransflöden för modeller, välja serving-mönster efter kravbild, och hantera latens och tillförlitlighet.

9. Övervakning, drift och ML-observability

Kursen som handlar om vecka tolv: när modellen tappar kvalitet och ingen har märkt det.

Evidently · Prometheus · Grafana

Modell- och dataövervakning, data- och konceptdrift, larm, loggning och spårbarhet, omträningsstrategier och feedback-loopar, incidenthantering för ML-system.

Efter kursen kan du övervaka modeller och data i drift, upptäcka drift och skilja den från ett trasigt dataflöde, sätta upp larm och omträningsflöden.

10. Edge AI och on-device MLOps

Utbildningens specialisering. Modellen ska köras i en maskin med begränsat minne, begränsad ström och ingen uppkoppling att lita på.

TensorFlow Lite · LiteRT · ONNX Runtime · Apache TVM · Edge Impulse

Modelloptimering genom kvantisering, pruning och distillation, runtimes och format, hårdvaruacceleration på NPU, GPU, MCU och SoC, TinyML, benchmarking av latens och energi, driftsättning och uppdatering över luft ut till enheter.

Efter kursen kan du optimera modeller för resursbegränsad hårdvara, konvertera och driftsätta dem, mäta latens, minne och energiförbrukning, och bygga MLOps-flöden som når ända ut på enheten.

11. Generativ AI och LLMOps

Språkmodeller i produktion, med kostnad, kvalitet och säkerhet under kontroll.

RAG · vektordatabaser · LoRA · guardrails

Grunder i stora språkmodeller, promptdesign, retrieval-augmented generation, finjustering och parametereffektiv träning, driftsättning och utvärdering, hantering av hallucinationer, agentbaserade arbetsflöden.

Efter kursen kan du bygga och driftsätta LLM-baserade lösningar, utvärdera dem med något bättre än känsla, och hålla kostnaden nere.

12. Ansvarsfull AI, säkerhet och regelverk

Vad lagen kräver, vad säkerheten kräver, och varför det inte är samma sak.

EU AI Act · GDPR · adversariella attacker · explainability

Riskklassning och krav enligt AI-förordningen, dataskydd i maskininlärning, modell- och datasäkerhet, bias, rättvisa och förklarbarhet, modellstyrning och dokumentation, energieffektiv AI.

Efter kursen kan du klassificera ett AI-system enligt förordningen och motivera klassningen, tillämpa dataskydd och grundläggande ML-säkerhet, utvärdera bias, och dokumentera ett system så att det går att granska.

13. LIA 2: MLOps och Edge AI i produktion

Femton veckor, självständigt och med större ansvar, ofta kopplat till examensarbetet. Du äger avgränsade delar av ett ML-system i produktion.

Det är den här perioden som oftast leder till anställning, och därför den vi lägger mest arbete på att matcha rätt.

Efter perioden kan du verka självständigt i rollen, ta ansvar för delar av ett system i drift, och förbättra ditt eget arbete utan att någon säger till.

14. Examensarbete

Ett självständigt arbete i en MLOps- eller Edge AI-fråga: problemformulering, metod, genomförande, kritisk analys, dokumentation och muntligt försvar.

Efter kursen kan du planera och genomföra ett utvecklingsprojekt själv, värdera ditt eget resultat kritiskt, och försvara det inför någon som kan ämnet bättre än du.