[데이터 청년 캠퍼스] 경남대학교 빅리더 AI 아카데미 - Day 19

07.24

머신러닝 용어집

https://developers.google.com/machine-learning/glossary

머신러닝 용어집  |  Google Developers

Neural Network 시각적

https://playground.tensorflow.org/

Tensorflow — Neural Network Playground

엔지니어에게 가장 중요한 것은 자동화

• 자동화를 하면 한 사람이 100인분의 일을 할 수 있기 때문이다.

---

머신러닝 프로젝트의 일반적인 프로세스

1. 데이터 수집
2. 데이터 EDA 및 분석
3. feature engineering
4. Modeling
5. Test set에 성능 개선되었는지 확인

머신러닝 팀 혁신의 속도는 모델 학습과 배포까지 걸리는 시간에 반비례한다.

---

머신러닝 프로젝트와 소프트웨어 프로젝트의 차이

소프트웨어: 밤 새면 된다.

머신러닝: 잘 된다는 보장 x / 실험횟수(엔지니어의 KPI는 실험횟수, 컴퓨터의 도움을 받아서) / 실험의 속도를

---

머신러닝 프로젝트 자동화 요소(1,2는 항상 해줘야 함)

1. 실험 관리(wandb) | install → login → config(자주 바뀌는 거) 설정

   callback

2. 하이퍼 파라미터 검색

3. 피처 엔지니어링

4. 모델 검수

5. 모델 배포

---

2. 하이퍼 파라미터 최적화

정답이 없다. 만드는 사람 마음.

search space 정의

문제: 가장 좋은 하이퍼 파라미터를 찾아내는데 비용이 많이 든다

솔루션: AutoML 솔루션을 사용하여 하이퍼파라미터 탐색을 자동화

어떤 하이퍼파라미터를 찾을건지, search space, 탐색을 할 곳(컴퓨터, 클라우드)

---

mongodb

git

google cloud

Google SDK

Google function

nni

---

autoML( nni, weight&bias, sweep 튜토리얼)

postman(https://www.postman.com/): 배포한 API를 테스트

wnb의 sweep을 써서 실험을 해보자.

sweep autoML을 내 컴터로 돌릴 수 있다.

AI platform : 학습한 모델을 쓰기 전에 올려두는 곳

nnictl create -c nni.yml