After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
머신 러닝 애플리케이션의 엔드투엔드 라이프사이클을 관리하는 일은 데이터 과학자, 엔지니어, 개발자에게 벅찬 과제가 될 수 있습니다. 머신 러닝 애플리케이션은 복잡하며, 추적하기 어렵고, 재현하기 힘들며, 배포하기 까다롭다는 것이 입증되어 있습니다.
이 강의에서는 MLflow가 무엇인지, 그리고 추적, 재현성, 배포와 같은 머신 러닝 라이프사이클의 어려움을 어떻게 단순화하려고 하는지 배우게 됩니다. MLflow를 학습한 후에는 머신 러닝 애플리케이션을 구축할 때의 복잡성을 극복하는 방법과 머신 러닝 라이프사이클의 다양한 단계를 어떻게 진행해야 하는지에 대해 더 잘 이해하게 됩니다.
강의 전반에 걸쳐 MLflow 플랫폼을 구성하는 네 가지 주요 요소를 깊이 있게 살펴보게 됩니다. MLflow Tracking으로 모델, 지표, 매개변수를 추적하는 방법을 살펴보고, MLflow Projects를 사용해 재현 가능한 ML 코드를 패키징하며, MLflow Models를 사용해 모델을 생성하고 배포하고, Model Registry를 사용해 모델을 저장하고 버전 관리하는 방법을 배우게 됩니다.
강의를 진행하면서 모델 버전 관리를 위해 MLflow를 사용하는 모범 사례, 모델 평가 방법, 모델에 사용자 지정 기능을 추가하는 방법, 그리고 학습 실행에 자동화를 구축하는 방법도 배우게 됩니다. 이 강의는 다음 머신 러닝 애플리케이션의 전체 수명 주기를 관리하는 데 성공할 수 있도록 준비시켜 줍니다.
사전 요구 사항
커리큘럼
코스 개요
1
MLflow 소개
이 장에서는 MLflow와 그것이 Machine Learning 라이프사이클의 여러 어려움을 어떻게 도와주는지 소개합니다. MLflow를 구성하는 네 가지 핵심 개념을 살펴보며, 특히 MLflow Tracking에 집중해요. 실험과 실행을 생성하고, 지표, 파라미터, 아티팩트를 추적하는 방법을 배웁니다. 마지막으로, MLflow를 프로그래밍 방식으로 검색해 특정 기준에 맞는 실험 실행을 찾는 방법도 익혀요.
2
MLflow Models
이 장에서는 MLflow Models를 소개합니다. MLflow의 Models 구성 요소는 Machine Learning 라이프사이클에서 모델 평가와 모델 엔지니어링 단계에 핵심적인 역할을 해요. MLflow Models가 ML 모델 패키징을 표준화하는 방식과 함께 모델을 저장, 로깅, 로드하는 방법을 배웁니다. 더 유연한 활용을 위해 커스텀 MLflow Models를 만드는 방법과 모델 성능을 평가하는 방법도 익혀요. 강력한 “Flavors” 개념을 활용하고, 마지막으로 명령줄 도구를 사용해 모델을 배포해 봅니다.
3
Mlflow Model Registry
이 장에서는 MLflow의 핵심 개념인 Model Registry를 소개합니다. Model Registry가 ML 모델의 라이프사이클을 관리하는 데 어떻게 사용되는지 살펴봐요. Model Registry에서 모델을 생성하고 검색하는 방법을 배우고, 모델을 등록한 뒤 사전에 정의된 단계 간에 전환하는 방법을 학습합니다. 마지막으로, Model Registry에서 모델을 배포하는 방법도 익힙니다.
4
MLflow Projects
이 장에서는 MLflow Projects를 사용해 데이터 과학 코드를 재사용 가능하고 재현 가능하도록 간소화하는 방법을 배웁니다. 먼저 MLflow Projects 개념을 소개하고 MLproject 파일을 만드는 과정을 안내해요. 이후 명령줄과 MLflow Projects 모듈을 통해 프로젝트를 실행하는 방법을 익히며, 코드의 유연성을 높이기 위한 파라미터 사용법도 알아봅니다. 마지막으로 MLflow Projects로 멀티 스텝 워크플로를 만들어 Machine Learning 라이프사이클의 단계를 관리하는 방법을 학습해요.
MLflow 소개
코스
완료
