Uvodna sekcija (tematski format)

  • Opšte informacije


    • Predmetni nastavnik: prof. dr Miloš Ivanović

      Teorijska nastava

      Razvijanje aplikacija za serversku stranu. Definicija računarstva u Oblaku, svrha, uloga i značaj, ciljevi. Izazovi: Upravljanje infrastrukturom, arhitektura aplikacija u oblaku, skladištenje podataka, bezbednost, drugi aspekti. Кarakteristike: elastičnost i skalabilnost, pristup u vidu usluga, monitoringa, deljenje resursa (udruživanje), itd. Modeli usluga: IaaS (Infrastructure-as-a-Service), PaaS (Platform-as-a-Service), SaaS (Software-as-a-Service).

      Praktična nastava

      • Instaliranje, podešavanje i konfigurisanje
      • Razvoj aplikacija za Oblak
      • Кonfigurisanje hibridnog oblaka
      • Upoznavanje najvažnijih javnih oblaka: Amazon, Google App Engine, Azure, OpenStack, itd.

  • Obaveštavanje i komunikacija

    • FORUM - Pitanja i odgovori

      Pitanja vezana za kurs možete postavljati ovde.

    • Komunikacija uživo - u zakazanim terminima

      Za komunikaciju uživo će biti korišćena neka od aplikacija za web konferencije:

      • Zoom - aplikacija za web konferencije. Instalirajte desktop aplikaciju. Dostupna je i na web-u, ali tada može sporije da radi.
      • BigBlueButton - dostupna na bbb.pmf.kg.ac.rs.

      Termini sastanaka, alat koji će biti korišćen i link za pristup će biti objavljivani na Oglasnoj tabli predmeta.

  • Predavanja

  • Domaći zadaci

    • Osnove Docker-a Zadatak

      Za četvrtak, 7. mart, potrebno je spremiti sledeće:

      1. Otvoriti https://github.com/ nalog. Formirati repozitorijum za sve vežbe koje ćemo raditi.
      2. Otovoriti nalog na https://hub.docker.com/ gde ćemo smeštati slike koje budemo kreirali.
      3. Proći Docker tutorijal https://docker-curriculum.com/ do dela "Docker on AWS"  (bez tog dela).
      4. Formirati sliku (image) neke svoje jednostavne web aplikacije (može i stateless, bez baze).

    • Docker-compose vežba Zadatak

      Za četvrtak, 14. mart Ppotrebno je napraviti web aplikaciju koja radi CRUD nad najmanje jednom tabelom podataka koja je smeštena u bazi. Aplikacija treba da ima definisan REST backend i jednostavan UI, koji može biti i Swagger. Aplikaciju treba upakovati u najmanje dva Docker image-a koji su dostupni javno na studentovom Docker Hub profilu. Preporuka je da baza podataka bude u jednom kontejneru, a sama aplikacija u drugom kontejneru.

      Čitavu kompoziciju upakovati u docker-compose.yaml fajl koji treba poslati kao rešenje zadatka. Student može koristiti bilo koju platformu za razvoj web aplikacija (Java, PHP, Python, C#, ...), kao i bilo koju bazu podataka koju poznaje (MySQL, MariaDB, SQLite, MongoDB, ...).

    • CWL radni tok Zadatak

      Za četvrtak, 21. mart treba kreirati CWL radni tok (workflow), koji kao ulaz prima 

      1. podatke u oblilku CSV fajla https://www.kaggle.com/datasets/altavish/boston-housing-dataset, 
      2. naziv kolone koja se modeluje i
      3. procenat podataka koji se uzima za trening.

      Kao izlaz treba da da performanse regresionog modela (RMSE, PRMSE, isl) na test setu. Radni tok se sastoji iz dva koraka (step):

      1. Uklanjanje outlier-a i popunjavanje nedostajućih vrednosti prosečnom za tu kolonu.
      2. Treniranje modela bilo kojom tehnikom mašinskog učenja i izračunavanje performansi.
      Oba koraka radnog toka treba obaviti u Docker okruženju, pri čemu Docker slike treba postaviti na DockerHub i odatle ih povlačiti.

    • CWL - Scatter workflow Zadatak

      Za četvrtak, 28. mart treba kreirati scatter CWL radni tok koji:

      Sa datasetom iz prethodnog domaćeg zadatka (Boston housing) radi k-fold cross validaciju. Radni tok na ulazu prima CSV fajl, naziv kolone koja se modeluje i ceo broj k. Na izlazu daje performanse regresionog modela (RMSE, PRMSE, ...)

      Napomena: Svaki fold se radi kao zaseban scatter korak u CWL-u.


    • Kubernetes jobs Zadatak
      Potrebno je unakrsnu validaciju iz prethodnog domaćeg zadatka implementirati u formi odgovarajućeg broja Kubernetes job-ova na k8s-master.unic.kg.ac.rs Kubernetes klaster pomoću YAML fajlova i kubectl naredbi. Ulaze prosleđivati u obliku promenljivih okruženja, pomoću K8s mehanizma ConfigMap.

    • Kubernetes ML Zadatak
      Kreirati sopstvenu ML Python aplikaciju koristeći Flask framework koja implementira sledeći API:
      1. Train - metod prihvata sve parametre koji su mu potrebni za treniranje klasifikacionog modela, obučava ga i vraća njegove performanse (Precision, Recall, F1-score).
      2. Predict - za ulazne podatke, vraća predikciju modela.

      Koristiti dataset https://www.kaggle.com/code/shulmandavid/wine-classification-with-mlpclassifier. Servis postaviti na K8s klaster k8s-master.unic.kg.ac.rs. CSV fajl sa podacima i obučeni model čuvati na PersistantVolume.


    • 12-faktorske aplikacije Zadatak

      Za aplikaciju po izboru, a najbolje neku svoju, napisati u 12 stavki na koji način je ispoštovan svaki od faktora. Imati u vidu čitav potencijalni životni vek aplikacije. Ako neki od faktora ne može da se primeni, prokomentarisati. Domaći zadatak predati kao tekstualni dokument.

    • Zookeeper Zadatak

      Potrebno je implementirati distribuirani sistem za čuvanje jednog ML modela u klasteru servera, gde će svaki server imati svoju kopiju datog ML modela, koja je sinhronizovana sa ostalim serverima. Za implementaciju koristiti Apache Zookeeper koji pomoću metoda:

      • Put (Update model) – vrši zamenu modela tako što prihvata novi CSV fajl sa trening podacima i trenira novi model, koji ažurira na svim serverima u klasteru,

      • Get (Predict) – za prosleđeni niz parametara u JSON formatu, vraća predikciju odgovarajućeg modela sa bilo kojeg servera.

      Klijentska aplikacija koja poziva prethodno definisane metode može biti implementirana pomoću Swagger UI okvira. Koristiti tutorijal koji smo obradili na času. ML model, radi jednostavnosti, može biti implementiran i u Javi, korišćenjem neke od biblioteka za ML.