머신러닝 엔지니어링: 전처리부터 모델 서빙 및 관리까지

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

• 스케일링, 결측치 처리 범주형 변수 인코딩 등 기초 전처리 이론
• 회귀 모델 기초 이론
• 회귀 모델 평가 방법과 주의사항
• 머신러닝 모델을 기반으로한 회귀 모델

실습

• 스케일링, 결측치 처리(MICE), 범주형 변수 인코딩 등 전처리 실습
• Linear Regression 모델 및 머신러닝 모델을 기반으로 한 회귀 모델 실습 및 평가
• 개인 프로젝트 데이터에 전처리 및 회귀 모델 실습

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

• 분류 모델 기초 이론
• 분류 모델 평가 방법과 주의사항
• 경진대회에서 자주 사용되는 모델

실습

• Logistic Regression, SVM, Decision Tree, Random Forest 모델 실습 및 평가
• XGBoost, LightGBM 라이브러리 모델 실습 및 평가
• 개인 프로젝트 데이터에 분류 모델 실습

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

• 모델 검증 기초 이론
• 앙상블 기초 이론

실습

• k-Fold을 활용하여 모델 교차 검증 실습
• Out-Of-Fold 모델 앙상블 실습
• AutoML 라이브러리를 활용한 파라미터 튜닝에 대해 학습하고 실습을 진행합니다.
• 개인 프로젝트 데이터에 모델 검증 및 앙상블 실습

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

• 모델 서빙 기초 이론 (파이프라인, 모델 레지스트리, 모델 서빙 API 등)
• 도커 기초 이론

실습

• 도커 실습, 데이터 베이스 구축하기
• 데이터베이스에 데이터셋 저장하기 (파이프라인 사전 작업)

강의 목표

• 모델 학습 파이프라인을 자동화할 수 있도록 합니다.Prefect를 활용해 파이프라인을 작성하고 자동화합니다.

이론

• 파이프라인 및 Prefect 기초 이론

실습

• 강의에서 사용한 학습 파이프라인을 Prefect 파이프라인으로 만들기
• 데이터베이스 연동하기

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
• Prefect 파이프라인에 MLflow를 연동하기

강의 목표

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

이론

• 모델 서빙 기초 이론

실습

• FastAPI로 모델 API 서버 만들기
• MLflow 모델 레지스트리와 연동하기