Transitioning ML Workflows from Academia to Practice
This foundational course offers a comprehensive journey through the various stages of developing and deploying machine learning models. Participants will gain insights into transitioning models from academic research to practical applications. They will understand the significance of having a clear understanding of what to expect in real-world scenarios when deploying a machine learning model. The course also delves into strategies for scalability and efficiency, ensuring participants are equipped to handle diverse real-world scenarios. Additionally, it concludes with techniques for downscaling models to edge devices for real-time processing. Throughout the course, participants will acquire practical skills and knowledge essential for navigating these transitions smoothly, empowering them to face various real-world challenges.
Praktische info:
Leertraject
Inschrijven?
- Inschrijvingen: tot 31 jan. 2024
- Voorwaarden: programming skills (preferably Python), foundational understanding of machine learning concepts, laptop
- Prijs: researchers: €242/day | students: €60.50/day | professionals : €484/day (TVA included)
georganiseerd door:
Objectives
- Recognising the challenges of transitioning machine learning from academia to real-world deployment
- Understanding TinyML fundamentals and their application in edge devices like Raspberry Pi
- Introduction to containerisation with Docker
- Monitoring and ensuring the efficiency of deployed machine learning models in practical scenarios
Required skills
- A foundational understanding of machine learning concepts (i.e. algorithms, artificial neural networks, deployment among others)
- Familiarity with at least one programming language, preferably Python
- A laptop/computer with internet connectivity for hands-on sessions
Target audience
- MSc, BSc, PhD students and researchers interested in deploying ML models in real scenarios after testing in an academic environment.
Programme
Day 1
9:00: Overview of academic machine learning versus real-world deployment.
Dr Dirk Valkenborg & Christopher Patzanovsky - UHasselt
10:30: Break
10:45: Mapping the gaps in order to deploy the machine learning models.
Dr Gökhan Ertaylan - VITO
12:15: Lunch break
13:15: Possibilities of the use of Vlaams Supercomputer Centrum in machine learning models
Dr Kenneth Hoste & Dr Lara Peeters - Ghent University
14:45: Break
15:00: What is important in order to deploy the models in edge devices
Dr Peter Karsmakers - KU Leuven
16:30: Q&A and DAY 1 conclusion
Day 2
9:00: Tiny machine learning (TinyML) overview
Dr Sam Leroux - Ghent University
10:30: Break
10:45: Model optimisation for deployment
Dr Sam Leroux - Ghent University
12:15: Lunch break
13:15: Introduction to containerisation with Docker
Dr Bruna Piereck & Dr Alexander Botzki
14:45: Break
15:00: Hands-on Session: Docker for machine learning
Dr Bruna Piereck & Dr Alexander Botzki
16:30: Course conclusion, Q&A, and feedback session
Lesgevers / sprekers
Dr. Dirk Valkenborg heeft een uitgebreide academische en onderzoeksachtergrond. Hij behaalde zijn M.Sc. in Electrotechnical and Mathematical Engineering in 2004 aan de K.U.Leuven en zijn Ph.D. in Mathematics and Statistical Bioinformatics aan de Universiteit Hasselt in 2008, gevolgd door een M.Sc. in Biostatistics in 2009. Hij werkte als postdoctoraal onderzoeker aan de K.U.Leuven en begon later bij VITO als bedrijfswetenschapper. Hij was medeoprichter van the Center for Proteomics aan de Universiteit Antwerpen en richt zich op statistische bio-informatica en data-analyse in 'omics'-onderzoek. Sinds 2015 is hij professor aan de Universiteit Antwerpen en momenteel is hij ook professor bioinformatica aan de Universiteit van Hasselt, gespecialiseerd in computationele methodologieën voor 'omics' data-analyse en data-integriteit.
Dr. Gökhan Ertaylan is the Research Lead of the Digital Precision Health Group at VITO. He earned his MSc in Bioinformatics and Genomics from Utrecht University in 2006. He co-developed a personalized decision support system for HIV patients during his time at the University of Amsterdam and created the first HIV-human protein interaction network. After completing his PhD in Computational Systems Biology, he worked at the University of Luxembourg and Maastricht University. Currently, at VITO, he leads projects in health and disease transition analysis and teaches various subjects in biomedical and informatics fields. He also mentors PhD and postdoctoral researchers.
Dr Kenneth Hoste, holds a Masters (2005) and PhD (2010) in Computer Science from Ghent University (Belgium). His dissertation topic was "Analysis, Estimation and Optimization of Computer System Performance Using Machine Learning".
Since October 2010, he is a member of the HPC team at Ghent University where he is mainly responsible for user support & training. He is the lead developer of EasyBuild since 2011, a software build and installation framework for (scientific) software on HPC systems, an active contributor in the European Environment for Scientific Software Installations (EESSI, https:/eessi.io) project since 2020, and a partner in the MultiXscale EuroHPC Centre-of-Excellence (https://www.multixscale.eu) since 2023. He enjoys (co-)organizing workshops and meetups, like the EasyBuild User Meetings (yearly since 2016) and the HPC, Big Data & Data Science devroom at FOSDEM (since 2014).
Lara Peeters, is a Digital Art Historian, who holds master degrees in Art History (2021) and Digital Humanities (2022) from the KU Leuven (Belgium).
Since May 2023, she is a member of the HPC team at Ghent University (Belgium) where she was hired to work on the EESSI project (https://eessi.io), the European Environment for Scientific Software Installations, and the MultiXscale project (https://www.multixscale.eu), a EuroHPC JU Centre of Excellence in multiscale modelling.
Peter Karsmakers
Dr. Peter Karsmakers behaalde het M.Sc. diploma in artificiële intelligentie in 2004 en het PhD diploma aan het departement Electrical Engineering, KU Leuven, in 2010. Van 2010 tot 2013 was hij postdoctoraal onderzoeker in het MOBILAB-onderzoeksteam van Thomas More. Van 2013 tot 2018 werkte hij als postdoctoraal onderzoeker aan de KU Leuven waar hij het ADVISE onderzoeksteam mee oprichtte. Momenteel is hij een Associate Professor binnen het departement Computerwetenschappen in de afdeling DTAI aan de KU Leuven en is hij lid van het Leuven.AI instituut. Sinds 2022 is hij PI van Flanders Make@KU Leuven. Zijn onderzoeksinteresses omvatten het ontwerpen van machine learning algorithm die rekening houden met toepassingsspecifieke beperkingen. Deze kunnen bijvoorbeeld betrekking hebben op het computerplatform waarop het machine learning algorithm zal worden ingezet, aan de behoefte van fysieke consistentie tussen modelvariabelen, aan het gebrek aan data annotatie of aan andere toepassingsgerelateerde specificaties. Hij werkte aan diverse projecten, meestal in samenwerking met industriële partners, waarbij zowel mensen als machines worden bewaakt met behulp van sensoren zoals microfoons, versnellingsmeters en radars.
Sam Leroux
Dr. ing. Sam Leroux behaalde in juli 2014 summa cum laude een Master of Science diploma in Information Engineering Technology aan de Universiteit Gent, België. In september van dat jaar ging hij aan de slag bij het departement Informatietechnologie aan de Universiteit Gent. Na het behalen van zijn doctoraat in 2019 werkt hij als postdoctoraal onderzoeker in het Distributed Machine Learning team bij IDLab Gent. Zijn belangrijkste onderzoeksinteresses zijn energie-efficiënt deep learning, edge computing en Tiny ML. Sam Leroux geeft ook verschillende cursussen in zowel de bachelor- als de masteropleiding Information Engineering Technology.
Expertise: Machine learning, Deep learning, Edge computing, resource efficient machine learning, TinyML
Dra. Bruna Piereck behaalde een PhD in Moleculaire Genetica, met een focus op Bio-informatica aan de UFPE (Federale Universiteit van Pernambuco), Brazilië, in september 2019. Tijdens haar doctoraat kreeg ze de kans om samen te werken met de universiteit van Luxemburg waar ze een half jaar doorbracht, gevolgd door een verblijf van nog eens een half jaar aan de McGill universiteit in Quebec. Sinds maart 2022 maakt ze deel uit van het Technology Training team bij VIB. Sinds haar masteropleiding is ze betrokken bij het lesgeven in verschillende cursussen voor bachelor-, master- en PhD-studenten.
Dr. Alexander Botzki staat aan het hoofd van de eenheid Technologieopleiding VIB, het Vlaams Instituut voor Biotechnologie, België. De belangrijkste missie van deze eenheid is het geven van technologische opleidingen in de domeinen van VIB-technologieën, Bioinformatica & AI, Softwareontwikkeling en Research Data Management. Tussen 2014 en 2022 was hij hoofd van de VIB Bioinformatics Core. Van september 2009 tot juli 2014 was hij verantwoordelijk voor de verspreiding van E-Notebook (electronic lab notebook) onder de onderzoekers van VIB binnen 75 onderzoeksgroepen. Voordat hij bij VIB kwam, werkte Alexander aan verschillende computationele biologieprojecten voor Algonomics (gekocht door Lonza, 2008/2009) en DevGen (nu Syngenta, van 2006-2008). Tijdens Alexander's PostDoc bij Sanofi Aventis in Straatsburg voerde hij verschillende virtuele screening campagnes uit op de compound collectie van de samengevoegde onderneming. Hij behaalde zijn doctoraatsdiploma bij de groep van Prof. Dr. Armin Buschauer (Universiteit van Regensburg, Duitsland) over 'Structure-based design of hyaluronidase inhibitors'.
