AI 엔지니어에게 배우는 머신러닝 엔지니어링 완벽 실무 강의! 전처리, 모델 학습은 기본! 앙상블, 파라미터 튜닝, 후처리, 실험 관리까지!
환경 구축 및 데이터 전처리부터 모델 성능 향상을 위한 알고리즘, 서빙&로깅까지 탄탄한 커리큘럼을 준비했습니다.
생체과학 뇌 내 성분 분석, 심리 성향 예측, 신용카드 사용자 연체 예측 등 실제 현업과 유사한 데이터셋을 활용해 실습을 진행합니다.
실습 시 어려움에 부딪힐 때를 대비해, Teaching Assistant가 함께 붙어 1:1 실습 피드백을 돕습니다.
머신러닝 알고리즘에서의 올바른 설계 방향을 배울 수 있습니다!
전처리부터 모델 선택, 학습 ,후처리 등 머신러닝 파이프라인 설계 능력과 함께 결과물의 퀄리티가 올라갑니다.
커리어에 바로 활용할 수 있습니다.
현업에서 사용하는 머신러닝 엔지니어링 실전 테크닉을 배워 실무와 유사한 프로젝트 결과물을 얻습니다.
직접 실습을 도와드립니다.
현업 전문가의 실무 노하우는 물론, 코드리뷰가 진행됩니다. 여기에 추가적으로 개인 코치가 붙어 1:1 피드백이 가능합니다.
통계적인 지식이 없어도, 파이썬 기초 실력만으로 머신러닝 알고리즘을 기초부터 활용까지 탄탄하게 배울 수 있습니다. Pandas, Numpy, Scikit-Learn 등의 기초 머신러닝 라이브러리부터 XGBoost, LightGBM 등 현업 및 경진대회에서 자주 사용되는 최신 라이브러리를 학습할 수 있는 커리큘럼으로 구성되어 있습니다.
힘들게 머신러닝 이론을 배웠는데 직접 적용하지 못하면 아무런 의미가 없습니다. 또한 샘플 데이터로 연습만 해서는 실전에서 활용할 수 없습니다. 본 과정은 이론 3 / 실습 7 비율의 커리큘럼으로 구성되어 있습니다. 그리고 캐글 및 데이콘에서 제공하는 실제 경진대회 데이터를 활용하여 현업과 유사한 데이터를 간접 경험할 수 있습니다.
수업에서 진행하는 프로젝트와 관련된 피드백은 물론 실무 적용, 경진대회 등 다양한 상황에서의 머신러닝 적용과 관련된 피드백을 온·오프라인으로 받아볼 수 있습니다. 페이스북 캐글 코리아 운영진이자 캐글 상위 2%. 그리고 다양한 기업 프로젝트를 경험해보셨던 강사님과 함께 하는 머신러닝 강의!
해당 과정은 오프라인 현장 강의와 온라인 라이브가 동시 진행됩니다.
녹화본은 제공되지 않습니다.
과정 진행 시간 동안 담당 매니저가 디스코드 채널을 운영할 예정이며, 강사님과도 디스코드 채널을 통해 언제든 소통하실 수 있습니다.
실습을 위해 개인 PC가 꼭 필요합니다. OS는 Windows OS, Mac OS 모두 가능합니다.
또한 머신러닝 학습을 위해 파이썬 기초 문법 정도의 지식이 요구됩니다.
이론으로만 배우는 머신러닝이 아닌 현업에서 머신러닝 모델을 어떻게 적용하는지 궁금한 분
실제 데이터를 다뤄보며 머신러닝 기초 뿐 아니라 전반적인 머신러닝 엔지니어링 기술을 익히고 싶은 분
개발자, 백엔드 엔지니어에서 머신러닝 엔지니어로 커리어 전환을 원하는 분
안녕하세요. 인공지능 스타트업에서 AI Engineer 업무를 담당하고 있는 James입니다. 머신러닝 경진대회를 준비하거나 실무에 머신러닝 기술을 적용하고자 하는 분에게 현업 프로젝트 경험과 다양한 머신러닝 경진대회 경험을 압축하여 활용하실 수 있도록 도와드리겠습니다.
입문 강의가 아닌 기초~중급 단계의 강의이므로 머신러닝 알고리즘의 기초부터 실제 머신러닝 프로젝트에 사용할 수 있는 기술 및 노하우를 전달해드리려고 합니다. 프로젝트(과제)를 통해 배운 것을 즉시 활용하여 적용해볼 수 있도록 진행할 예정입니다.
머신러닝 입문 단계에서 기초, 중급으로 나아갈 수 있도록 도와드리겠습니다. 기초뿐만 아니라 경진대회나 실무에 도전할 수 있는 수준을 목표로 하는 강의이며, 본 강의를 수강한 이후에는 데이터를 살펴보고 목적에 맞는 머신러닝 파이프라인을 설계할 수 있는 능력을 갖출 수 있게 됩니다.
1. 실제로 프로젝트를 경험해보지 않으면 얻을 수 없는 노하우를 배울 수 있습니다. 뿐만 아니라 앙상블, 모델 튜닝(AutoML), 실험 관리 등 프로젝트를 진행하면서 유용하게 쓰일 수 있는 라이브러리들에 대해 배우고 실습을 진행할 수 있습니다.
2. 오프라인 강의뿐만 아니라 과제 및 별도의 온라인 세션을 통해 질의 응답 및 코칭을 진행할 예정입니다. 지속적으로 수강생분들의 의견을 반영하여 좋은 강의가 될 수 있도록 노력하겠습니다.
"빠르게 전문가로 만들어드리겠습니다."라는 말씀은 드리지 않겠습니다. 또한, 본 강의를 수강하며 과제와 프로젝트로 인해 힘드실 수 있습니다. 하지만 자신 있게 말씀드릴 수 있는 건 본 머신러닝 강의를 제대로 수강하신 분이라면 데이터를 보고 무엇을 시도해봐야 할지 어떤 방식으로 프로젝트를 진행해야 할지 판단하고 적용할 수 있는 수준으로 만들어드리겠습니다.
1회차. 프로젝트 환경 구축 및 데이터 전처리
[강의 목표]
- 전처리, 모델 선택, 학습, 후처리등으로 이루어진 기본 머신러닝 파이프라인의 흐름을 배웁니다. 또한, 프로젝트를 진행하며 저지르기 쉬운 실수와 주의사항에 대해 알아봅니다.
- Anaconda, Jupyter Lab등 머신러닝 개발 환경을 구축합니다.
- 정형 데이터를 다루기 위한 Numpy와 Pandas 라이브러리의 기본적인 사용 방법에 대해 실습을 진행합니다.
[이론]
1) 머신러닝 프로젝트의 흐름
2) Anaconda, Jupyter 등 머신러닝 개발 환경 라이브러리 소개
3) Numpy, Pandas 라이브러리 소개
[실습]
1) Numpy, Pandas 라이브러리 기본 사용법
2) 개인 프로젝트 데이터 분리 실습
2회차. 전처리 및 회귀를 위한 머신러닝 알고리즘 알아보기
[강의 목표]
- 데이터의 분포, 자료 형, 값의 범위를 조정하는 스케일링, 결측치를 처리하는 방법, 범주형 변수를 다루는 방법들에 대해 배웁니다.
- 선형 회귀(Linear Regression)의 기본적인 개념에 대해 학습합니다.
- 머신러닝 모델을 기반으로한 회귀 모델의 개념 및 실습을 진행합니다.
- 회귀 모델을 위한 평가 방법과 회귀 모델 평가 시 주의 사항에 대해 배우고 실습을 진행합니다.
[이론]
1) 스케일링, 결측치 처리 범주형 변수 인코딩 등 기초 전처리 이론
2) 회귀 모델 기초 이론
3) 회귀 모델 평가 방법과 주의사항
4) 머신러닝 모델을 기반으로한 회귀 모델
[실습]
1) 스케일링, 결측치 처리(MICE), 범주형 변수 인코딩 등 전처리 실습
2) Linear Regression 모델 및 머신러닝 모델을 기반으로 한 회귀 모델 실습 및 평가
3) 개인 프로젝트 데이터에 전처리 및 회귀 모델 실습
3회차. 분류를 위한 머신러닝 알고리즘 알아보기
[강의 목표]
- 지도 학습 알고리즘의 종류 중 하나인 분류(Classification)에 대해 학습합니다.
- 로지스틱 회귀, SVM, 결정 트리, 랜덤 포레스트 등 기본적인 머신러닝 알고리즘부터 경진대회에서 자주 사용되는 모델에 대해 학습하고 실습을 진행합니다.
- 분류 모델을 위한 평가 방법과 혼동 행렬(Confusion Matrix)을 통해 분류 모델 평가 시 주의 사항에 대해 배우고 실습을 진행합니다.
[이론]
1) 분류 모델 기초 이론
2) 분류 모델 평가 방법과 주의사항
3) 경진대회에서 자주 사용되는 모델
[실습]
1) Logistic Regression, SVM, Decision Tree, Random Forest 모델 실습 및 평가
2) XGBoost, LightGBM 라이브러리 모델 실습 및 평가
3) 개인 프로젝트 데이터에 분류 모델 실습
4회차. 모델의 성능을 향상시키기 위한 알고리즘 알아보기
[강의 목표]
- 주어진 데이터 뿐만아니라 학습하지 않은 데이터에 대해 일반화 성능을 향상시키기 위한 모델 검증과 앙상블에 대해 학습합니다.
- AutoML 라이브러리를 활용한 파라미터 튜닝에 대해 학습하고 실습을 진행합니다.
[이론]
1) 모델 검증 기초 이론
2) 앙상블 기초 이론
[실습]
1) k-Fold을 활용하여 모델 교차 검증 실습
2) Out-Of-Fold 모델 앙상블 실습
3) AutoML 라이브러리를 활용한 파라미터 튜닝에 대해 학습하고 실습을 진행합니다.
4) 개인 프로젝트 데이터에 모델 검증 및 앙상블 실습
5회차. 모델 서빙 기초 이론 학습하기
[강의 목표]
- 모델을 학습하고 서빙하기 위한 전체적인 흐름에 대해 학습합니다.
- 앞으로 우리가 직접 구축할 내용이 무엇인지 하나하나 살펴봅니다.
- 우리 강의에서 자주 사용하게 될 도커에 대해 알아봅니다.
[이론]
1) 모델 서빙 기초 이론 (파이프라인, 모델 레지스트리, 모델 서빙 API 등)
2) 도커 기초 이론
[실습]
1) 도커 실습, 데이터 베이스 구축하기
2) 데이터베이스에 데이터셋 저장하기 (파이프라인 사전 작업)
6회차. 모델 학습 파이프라인 작성해보기
[강의 목표]
- 모델 학습 파이프라인을 자동화할 수 있도록 합니다.
- Prefect를 활용해 파이프라인을 작성하고 자동화합니다.
[이론]
1) 파이프라인 및 Prefect 기초 이론
[실습]
1) 강의에서 사용한 학습 파이프라인을 Prefect 파이프라인으로 만들기
2) 데이터베이스 연동하기
7회차. 모델 레지스트리 구축 및 파이프라인과 연동하기
[강의 목표]
- 모델 레지스트리의 역할과 구축 방법에 대해 학습합니다.
- Mlflow를 활용해 모델 레지스트리를 구축합니다.
[이론]
1) 모델 레지스트리 기초 이론
[실습]
1) MLflow, Minio, PostgreSQL로 모델 레지스트리를 구축하기
2) Prefect 파이프라인에 MLflow를 연동하기
8회차. 모델 API 서비스 개발 및 모델 레지스트리 연동하기
[강의 목표]
- API 서버를 만들기 위한 기본 지식을 학습합니다.
- API 서버와 모델 레지스트리를 연동해 파이프라인에서 학습한 모델을 서빙합니다.
[이론]
1) 모델 서빙 기초 이론
[실습]
1) FastAPI로 모델 API 서버 만들기
2) MLflow 모델 레지스트리와 연동하기
지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.