[나노디그리] Kaggle 1%의 머신러닝 엔지니어 소수정예 취업 코스

2-1. 전처리를 위한 머신러닝 알고리즘 알아보기

강의 목표

• 전처리, 모델 선택, 학습, 후처리 등으로 이루어진 기본 머신러닝 파이프라인의 흐름을 배웁니다.
• 또한, 프로젝트를 진행하며 저지르기 쉬운 실수와 주의사항에 대해 알아봅니다.
• 정형 데이터를 다루기 위한 Numpy, Pandas 라이브러리의 기본적인 사용 방법에 대해 실습을 진행합니다.

이론

• 머신러닝 프로젝트의 흐름
• Numpy, Pandas 라이브러리 소개

실습

• Numpy, Pandas 라이브러리 실습

2-2. 분류를 위한 머신러닝 알고리즘 알아보기

강의 목표

• 데이터의 분포, 자료형, 값의 범위를 조정하는 스케일링 방법에 대해 학습합니다.
• 결측치를 처리하는 방법, 범주형 변수를 다루는 방법들에 대해 학습합니다.

이론

• 스케일링, 결측치 처리 범주형 변수 인코딩 등 기초 전처리 이론에 대해 학습합니다.

실습

• 스케일링, 결측치 처리(MICE), 범주형 변수 인코딩 등 전처리 실습
• 데이콘 대회 데이터에 전처리 실습

2-3. 모델의 성능을 향상하기 위한 알고리즘

강의 목표

• 지도 학습 알고리즘의 종류 중 하나인 분류(Classification)에 대해 학습합니다.
• 로지스틱 회귀, SVM, 결정트리, 랜덤 포레스트 등 기본적인 머신러닝 알고리즘
• 경진대회에서 자주 사용되는 모델에 대해 학습하고 실습을 진행합니다.
• 분류 모델을 위한 평가 방법과 혼동 행렬(Confusion Matrix)에 대해 학습합니다.
• 분류 모델 평가 시 주의 사항에 대해 배우고 실습을 진행합니다.

이론

• 분류 모델에 대한 기초 이론
• 분류 모델 평가 방법과 주의 사항
• 경진대회에서 자주 사용되는 모델

실습

• Logistic Regression, SVM, Decision Tree, Random Forest 모델 실습 및 평가
• XGBoost, LightGBM 라이브러리 모델 실습 및 평가
• 데이콘 대회 데이터를 활용한 분류 모델 적용 및 실습

2-4. 앙상블과 AutoML 라이브러리

강의 목표

• 주어진 데이터뿐만 아니라 학습하지 않은 데이터에 대해 일반화 성능을 향상하기 위한 모델 검증과 앙상블에 대해 학습합니다.
• 일반화 성능을 향상하기 위한 모델 검증과 앙상블에 대해 학습합니다.
• AutoML 라이브러리를 활용한 파라미터 튜닝에 대해 학습하고 실습을 진행합니다.

이론

• 모델 검증 기초 이론
• 앙상블 기초

실습

• K-Fold를 활용하여 모델 교차 검증 실습
• Out-of-Fold 모델 앙상블 실습
• AutoML 라이브러리를 활용한 파라미터 튜닝에 대해 학습 및 실습
• 데이콘 대회 데이터에 모델 검증 및 앙상블 실습

3-1. 머신러닝 서빙 기초 이론 학습

강의 목표

• 모델을 학습하기 서빙하기 위한 전체적인 흐름에 대해 학습합니다.
• 앞으로 우리가 직접 구축할 내용이 무엇인지 하나하나 살펴봅니다.

이론

• 모델 서빙 기초 이론

  모델 파이프라인

  모델 레지스트리

  모델 서빙 API 등

• Online Serving vs Offline Serving

3-2. Airflow를 활용한 모델 학습 파이프라인 구축

강의 목표

• 모델 학습 파이프라인 구축 방법에 대해 학습합니다.
• AirFlow를 활용해 모델 학습 파이프라인을 구축합니다.

이론

• 모델 학습 파이프라인 기초 이론

이론

• Airflow로 모델 학습 파이프라인 구축하기
• Airflow로 파이프라인 배포 및 Github Action 워크플로 구축하기

3-3. 모델 레지스트리 구축 및 파이프라인 연동

강의 목표

• 모델 레지스트리의 역할과 구축 방법에 대해 학습합니다.
• MLflow를 활용해 모델 레지스트리를 구축합니다.

이론

• 모델 레지스트리 기초 이론

실습

• MLflow, Minio, PostgreSQL로 모델 레지스트리를 구축하기
• Airflow 파이프라인에 MLflow 연동하기

3-4. FastAPI를 활용한 API 서비스 개발 및 모델 레지스트리 연동

강의 목표

• API 서버를 만들기 위한 기본 지식을 학습합니다.
• FastAPI 서버와 모델 레지스트리를 연동해 파이프라인에서 학습한 모델을 서빙합니다.

이론

• 모델 서빙에 대한 기초 이론

실습

• FastAPI로 모델 API 서버 만들기
• MLflow 모델 레지스트리와 연동하기

3-5. 모델의 자동 배포 파이프라인 프로세스 구축

강의 목표

• 학습한 모델 및 API 서버를 자동 배포하는 파이프라인에 대해 학습합니다.
• 일반적인 방식의 모델 배포 및 API 서버를 자동 배포하는 프로세스를 구축합니다.

이론

• 모델 서빙 형태에 따른 배포 방식 비교
• 모델 자동 배포 프로세스

실습

• Airflow를 활용한 모델 자동 배포 워크플로 구축 실습

3-5. 모델 API 서비스 및 모델 학습 파이프라인 모니터링

강의 목표

• 배포한 API 서버 및 모델 학습 파이프라인을 모니터링 할 수 있는 대시보드를 구현합니다.
• 마지막으로 우리 강의에서 다루지 못했지만, ML 엔지니어가 숙지하면 좋을 기술이나 내용들에 대해 다뤄봅니다.

이론

• 모니터링 기초 이론
• 시니어 ML 엔지니어가 되기 위해 더 공부해 보면 좋을 내용 공유

실습

• Grafana를 활용한 모니터링 대시보드 실습

4-1. FastAPI 서버 환경 구축 및 백엔드 배경지식

강의 목표

• 강의에서 사용할 프로젝트 환경 및 FastAPI를 사용한 기본적인 백엔드 서버를 만들어 봅니다.
• 백엔드 개발에 필요한 기초 배경 이론 수업을 진행합니다.

이론

• FastAPI 백엔드 서버 기초 이론
• Post, Get, Put, Delete HTTP Method
• Query, Path, Request Body
• API Router, Open API Swagger

실습

• 프로젝트 환경 구축
• 실습에 사용할 데이터베이스 세팅
• FastAPI 백엔드 서버 구현 실습
• FastAPI 도커 이미지 빌드 및 실행 실습

4-2. ORM을 활용한 데이터베이스 통신 구현 및 캐시 구현

강의 목표

• SQLAlchemy 라이브러리를 활용한 비동기 데이터베이스 통신에 대해 배우고 실습을 진행합니다.
• ORM을 사용하여 SQL Query를 직접 작성하지 않고 데이터베이스와 통신해 봅니다.
• Redis를 활용해 캐시 서버를 구축하고 사용해 보는 실습을 진행합니다.

이론

• ORM, SQLAlchemy 기초 이론
• In Memory DB 및 Redis 기초 이론

실습

• ORM 기반 비동기 SQLAlchemy 라이브러리 실습
• Redis 캐시 서버 구축 및 사용 실습

4-3. Error Handler, Dependency, Middleware를 활용한 추가 기능 구현

강의 목표

• Event Handler의 역할과 기능에 대해 배웁니다.
• Dependency, Middleware의 역할과 기능에 대해 배웁니다.

이론

• Event Handler 기초 이론
• Dependency, Middleware 기초 이론

실습

• Error Handler를 구현하고 예외 처리해 보기
• Middleware로 API Key 인증 로직 구현해 보기
• Dependency로 공통 로직 주입 구현해 보기

4-4. Layered Architecture 적용

강의 목표

• Data / Service / Controller로 구성된 Layered Architecture에 대해 이해하고 구현해 봅니다.

이론

• Layered Architecture 기초 이론

실습

• Data Access Layer 구현 실습
• Service Layer 구현 실습
• Controller Layer 구현 실습

4-5. API 서버 자동 배포(CD) 파이프라인 구축

강의 목표

• Github Action을 활용해 CI/CD를 구축합니다.
• CI 파이프라인에서 Pytest를 진행합니다.
• CD 파이프라인에서 도커 이미지 빌드 및 Google Cloud에 배포를 진행합니다.

이론

• Unit Test, Pytest 기초 이론
• CI/CD 파이프라인 기초 이론

실습

• Pytest 작성 및 실습
• Github Action에서 CI/CD 구축하기
• GCP Cloud Registry & Cloud Run 서비스 배포

1차 프로젝트 : 머신러닝 모델링과 성능 최적화 및 고도화

강의 목표

• 지금까지 배웠던 머신러닝의 개념을 응용할 수 있도록 프로젝트를 진행합니다.
• 팀별 데이콘의 주제를 선택하여 머신러닝 모델을 진행하고 성능을 평가해 봅니다.
• 성능 향상을 위한 방법을 고민하고 강사님의 피드백으로 실무에서 활용하는 성능 향상법을 학습합니다.

프로젝트

• 팀별 데이콘 주제 선정
• Feature Engineering부터 Modeling까지 일련의 과정 프로젝트
• 팀별 강사님의 실무 중점 피드백과 컨설팅
• 프로젝트 발표 및 마무리

파이널 프로젝트 : 모델 서빙, 운영, 파이프라인 설계 및 백엔드 서버 구축

강의 목표

• 지금까지 배웠던 머신러닝 서빙과 파이프라인 설계, 백엔드 엔지니어링을 실무 프로젝트에 응용합니다.
• 팀별 자유 주제를 선정하고 일련의 과정을 전부 설계하고 배포합니다.

프로젝트

• 팀별 브레인스토밍 후 주제 선정
• 팀별 R&R 설정 후 프로젝트 진행
• 머신러닝 서빙과 파이프라인 설계 및 백엔드 서버 구축
• 최종 발표 전 강사님의 팀별 피드백과 컨설팅
• 최종 발표 전 리허설 세션 진행

강의 목표

• 3차 프로젝트에서 진행했던 내용으로 마지막 발표를 진행합니다.

프로젝트

• 팀별 20분~30분 발표 진행
• 각 기업의 ML 팀장, CTO분들의 피드백
• 우수 팀 즉각 면접 및 채용 프로세스 진행

포트폴리오

• 네카라쿠배 급에서 원하는 이력서와 포트폴리오를 작성합니다.
• 실제 선배들의 피드백과 컨설팅으로 포트폴리오와 이력서를 고도화합니다.

모의 면접

• 반드시 뽑히는 면접 필수 전략을 습득합니다.
• 실제 모의 면접을 통해 다음 커리어를 책임질 면접 스킬을 습득합니다.