머신러닝을 위한 데이터 준비 및 데이터 관리 및 탐색
- Lakehouse에서 데이터 관리 및 탐색
데이터 준비 및 Feature Engineering
- 데이터 준비 및 Feature Engineering의 기초
- Data imputation
- 데이터 인코딩
- 데이터 표준화
Feature Store
- Feature Store 소개
머신러닝 모델 개발 및 모델 개발 워크플로우
- 모델 개발 및 MLflow
- 모델 성능 평가
Hyperparameter Tuning
- Hyperparameter Tuning 기초
- Hyperopt를 이용한 Hyperparameter Tuning
AutoML
- AutoML을 이용한 자동화된 모델 개발
머신러닝 모델 배포 및 모델 배포 기초
- 모델 배포 전략
- MLflow를 이용한 모델 배포
일괄 배포
- 일괄 배포 소개
파이프라인 배포
- 파이프라인 배포 소개
실시간 배포 및 온라인 스토어
- 실시간 배포 소개
- Databricks 모델 서빙
머신러닝 운영 및 최신 MLOps
- MLOps 정의
- Databricks의 MLOps
MLOps 솔루션 아키텍처 설계
- 특정 방식을 가진 MLOps 원칙
- 권장 MLOps 아키텍처
MLOps 솔루션 구현 및 모니터링
- MLOps 스택 개요
- 모델 모니터링 유형
- 머신러닝에서의 모니터링
- Lakehouse에서 데이터 관리 및 탐색
데이터 준비 및 Feature Engineering
- 데이터 준비 및 Feature Engineering의 기초
- Data imputation
- 데이터 인코딩
- 데이터 표준화
Feature Store
- Feature Store 소개
머신러닝 모델 개발 및 모델 개발 워크플로우
- 모델 개발 및 MLflow
- 모델 성능 평가
Hyperparameter Tuning
- Hyperparameter Tuning 기초
- Hyperopt를 이용한 Hyperparameter Tuning
AutoML
- AutoML을 이용한 자동화된 모델 개발
머신러닝 모델 배포 및 모델 배포 기초
- 모델 배포 전략
- MLflow를 이용한 모델 배포
일괄 배포
- 일괄 배포 소개
파이프라인 배포
- 파이프라인 배포 소개
실시간 배포 및 온라인 스토어
- 실시간 배포 소개
- Databricks 모델 서빙
머신러닝 운영 및 최신 MLOps
- MLOps 정의
- Databricks의 MLOps
MLOps 솔루션 아키텍처 설계
- 특정 방식을 가진 MLOps 원칙
- 권장 MLOps 아키텍처
MLOps 솔루션 구현 및 모니터링
- MLOps 스택 개요
- 모델 모니터링 유형
- 머신러닝에서의 모니터링
