이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
오늘날 머신 러닝 관련 콘텐츠의 대부분은 모델 학습과 매개변수 튜닝에 초점을 맞추지만, 실험용 모델의 90%는 결국 운영 환경에 배포되지 못합니다. 주된 이유는 오래 사용할 수 있도록 설계되지 않았기 때문입니다. 이 강의에서는 머신 러닝 엔지니어링 마인드셋에서 MLOps(Machine Learning Operations) 마인드셋으로 전환하면 모델을 최대한의 잠재력까지 학습, 문서화, 유지 관리, 확장할 수 있는 방법을 살펴보게 됩니다.
쉽게 실험하고 문서화하세요
ML 모델을 실험하는 것은 종종 즐겁지만 시간이 많이 걸릴 수 있습니다. 여기에서는 이 과정을 가속화하면서 자신과 팀원을 위한 문서를 작성하는 동시에, 파이프라인에서의 향후 작업을 훨씬 수월하게 만들 수 있도록 재현 가능한 실험을 설계하는 방법을 배우게 됩니다.프로덕션용 MLOps 모델 구축
프로덕션에서 모델이 최대한 오래 유지될 수 있도록 모델과 환경을 패키징하고 직렬화하는 모범 사례를 배우게 됩니다.ML 파이프라인을 확장하고 자동화하세요
모델과 데이터 복잡성, 그리고 연속형 자동화를 고려하면, 모델을 프로덕션 환경에 맞게 확장하고 순식간에 모니터링 및 배포할 수 있습니다.이 강의를 완료하면, 프로덕션에 바로 적용할 수 있는 머신 러닝 모델을 설계하고 개발하며, 시간이 지남에 따라 이를 연속형으로 개선할 수 있게 됩니다.
선수 과목
커리큘럼
강의 개요
1
연구 단계에서 프로덕션으로 전환하기
이 장에서는 연구·개발 단계의 Machine Learning 모델을 프로덕션 환경으로 이전하는 데 필요한 기술과 지식을 익히게 됩니다. 연구용 프로토타입을 신뢰할 수 있고 확장 가능하며 유지 관리 가능한 시스템으로 전환하는 과정을 배우게 됩니다.
2
재현 가능성 보장하기
이 장에서는 Machine Learning에서 재현 가능성이 왜 중요한지, 그리고 시간이 지나도 모델의 재현 가능성과 신뢰성을 어떻게 보장할 수 있는지 학습합니다. 모델의 재현 가능성을 확보하기 위해 활용할 수 있는 다양한 기법과 모범 사례를 살펴봅니다.
3
프로덕션 환경에서의 ML
3장에서는 Machine Learning 모델을 프로덕션 환경에 배포할 때 마주치는 다양한 과제를 다룹니다. 프로덕션에서 ML 모델을 배포하는 여러 접근 방식과, 프로덕션 환경에서 ML 모델을 모니터링하고 유지 관리하는 전략을 배우게 됩니다.
4
ML 파이프라인 테스트
마지막 장에서는 Machine Learning 파이프라인을 다양한 방식으로 테스트하고 기대한 대로 동작하는지 확인하는 방법을 배웁니다. ML 파이프라인 테스트의 중요성을 이해하고, 파이프라인을 테스트하고 검증하는 기법을 익히게 됩니다.
R
프로덕션을 위한 Machine Learning 모델 개발
강의
완료
