머신러닝 서비스


Online Course.

머신러닝 서비스 구축을 위한
실전 MLOps

  • 국내 유일 MLOps 총정리 강의

    현재 머신러닝/AI에서 화두인 MLOps 관련 파편화된 개념들을 강의 하나로 정리

  • 쿠버네티스 기반 파이프라인 구축

    오픈소스 통해 MLOps 구성요소 학습 후
    CI/CD 파이프라인 구현까지 완성

  • MLOps 대표 플랫폼 배포/운영 실습

    AWS, Azure, GCP, 폐쇄형 클라우드 등 다양한
    클라우드 플랫폼에서 MLOps 실습 진행

👇11월 1일 가격인상까지 남은시간👇
0 0시간 0 0 2021-10-31T23:59
  • 평생소장
  • 머신러닝
  • MLops

한번 구매로, 평생 소장하세요.
(자동 구성) 가격이 인상됩니다.

지금 최저가로 구매하세요!

  • 정상가 (자동 구성)
  • 할인 금액 (자동 구성)
  • 최종 금액 (자동 구성)
  • 12개월 할부 시 (자동 구성)
오늘이 최저가!

AI 4대천왕 앤드류 응은 최근 MLOps에 대해 다음과 같이 말했습니다.

🤔MLOps, 도대체 뭐길래?

머신러닝 엔지니어 업무의 대부분은 데이터 관리라는 농담 한 번쯤 들어보셨죠?

실제로 업무에서 모델 코드를 짜는 것은 전체의 5%에 불과하고
데이터 전처리, 모델 서빙 등 데이터 관련 업무가 95%나 차지합니다.

그만큼 고품질의 데이터를 준비하는 일은 머신러닝 엔지니어의 핵심 업무입니다.

따라서 데이터를 체계적으로
관리하기 위해 MLOps가 필요합니다!

MLOps는 ML 시스템 개발(Dev)과 ML 시스템 운영(Ops)을 통합하는 것으로,
데이터 레이블링의 일관성을 위해 인프라를 만들어 자동으로 운영되도록 만드는 역할을 합니다.

데이터의 품질을 높이려면 데이터의 양만큼이나 질도 중요하기 때문에
데이터를 체계적으로 관리하고 개선시키는 MLOps의 중요성이 강조되고 있습니다.

  • MLOps를 배우면 무엇이 좋을까요?

    1. 지속적 통합(CD)과 지속적 배포(CD)를 운영 과정에 도입해 개발 주기를 단축시킵니다.
    2. 머신러닝 모델 배포 속도를 증가시키고, 안정적인 출시를 가능케 해줍니다.
    3. 데이터 품질을 일정하게 유지하게 해줍니다.
    4. 프로덕션까지 살아남는 성공적인 모델이 많아지고, 자연스럽게 모델 부채 문제가 해결됩니다.

패캠 MLOps 강의는 다릅니다.

MLOps 플랫폼 직접 개발해본 강사님과 MLOps 구축해보고,
실제 서비스 배포 및 운영 방법까지 배워보세요!

한 번에 정리

국내 유일!
MLOps 총정리 강의

당신의 MLOps 공부가 어려웠던 이유, 그래서 준비했습니다

여기저기 파편화된 개념들을 이 강의 하나에 모두 담았습니다!
MLOps 기본 개념부터 배우고 오픈소스 쿠버네티스를 활용해 직접 파이프라인을 구축해봅니다.
다양한 클라우드에서 배포하는 방법까지 익히면 실무에 바로 적용할 수 있을 거예요.


학습 로드맵

기본+심화+응용
차별화된 수준별 로드맵 제공

수준에 따라 필요한 부분만 골라 들을 수 있도록 로드맵을 준비했습니다.
MLOps의 기본부터 심화, 그리고 실무 활용까지 전 과정을 담았으니
필요한 부분만 학습하고 내게 필요한 ML모델 서비스화 방법을 얻어가세요!


플랫폼별 배포 가이드

오픈형 & 폐쇄형 플랫폼에서의
ML 모델 배포 방법 FULL커버!

MLOps를 위한 환경과 쿠버네티스 기반으로 CI/CD 파이프라인까지 구축했다면
상황에 맞춰 MLOps를 배포하고 운영하는 방법을 배워볼 차례입니다.

AWS(Sagemaker, AutoML), Azure, GCP 등 Public Cloud
실무에서 가장 많이 활용하는 Private Cloud에서의
ML 파이프라인 생성법과 모델 배포 노하우까지 모두 다룹니다!

👉 이런 실습을 할 거에요
* 다음은 예시 이미지이고, 실제 실습 이미지와 상이할 수 있습니다.

[프로젝트 1] MLOps on Amazon SageMaker 실습
- 실습 툴 : Amazon SageMaker

- 실습 목표
1. SageMaker Studio 의 기본적인 기능 알아보기
2. SageMaker Autopilot 을 활용한 AutoML
[프로젝트 2] MLOps on Azure 실습
- 실습 툴 : Azure ML, Azure DevOps Tools


- 실습 목표
1. Azure ML 을 이용한 간단한 ML Pipeline 구축 및 Model/Metric/Log 생성
2. 원본 데이터 변경에 따라 자동 재학습 가능한 Workflow 구축
3. Azure DevOps Tools 를 이용한 최신 모델의 컨테이너 배포 및 테스트
4. 배포된 모델 관리 및 성능 모니터링을 통한 모델 최적화
[프로젝트 3] MLOps on Google Cloud Flatform 실습
- 실습 툴 : Google AI Platform, GCP Services

- 실습 목표
1. Google AI Platform 을 이용한 간단한 ML Pipeline 구축
2. BigQuery 등의 스토리지와 Cloud Function 을 결합하여 데이터 변경 사항 감지
3. 모델 변화가 감지되면 ML Pipeline 을 통해 새로 수집된 데이터로 재학습
4. 분석 코드가 변경되는 경우 Cloud Build 를 사용하여 ML Pipeline 실행

˙
˙
˙

더 많은 실습은 강의에서 확인해보세요!


MLOps 학습 전용 커리큘럼

MLOps 플로우 고려한
맞춤 커리큘럼

전체 커리큘럼은 머신러닝 파이프라인 플로우를 기반으로 구성되었습니다.
그대로 따라오시면 실제 실무 흐름에 맞는 활용 방법을 자연스럽게 체득하실 수 있습니다.

먼저 머신러닝(MLOps) 파이프라인 흐름을 알아볼까요?

① Data analysis 코드를 생성하면 머신러닝 Feature 들을 다양한 방법으로
② Feature Store 에 저장하고
③ Experimentation 코드는 Github과 같은
④ Code Repository에 저장하게 됩니다.
저장된 Feature 와 코드를 바탕으로 kubeflow 등을 사용하여
⑤ ML pipeline을 생성하는데, 이 때의 여러 메타 정보를
⑥ Metadata store에 저장하게 됩니다. 그리고 만들어진 모델들을
⑦ Model registry를 통해 저장하면서 버전 관리를 하기 시작하고
이 모델들과 미리 저장된 Feature 들을 사용해
⑧ Model serving모듈과 CI/CD 파이프라인 으로 배포하게 되며 이를
⑨ Model monitoring 을 통해 성능 변화를 감지하여
⑤ ML pipeline을 수정하도록 합니다.

이러한 흐름에 따라 커리큘럼을 재배열했습니다.

데이터 준비→모델 구현→모델 배포 순서에 맞춘 커리큘럼으로
먼저 파이프라인 흐름을 익힌 후, 개별 구성 요소를 설명해드립니다.

적재적소에 구성요소를 활용하여 고성능 MLOps를 구현할 수 있도록
근본적인 실력을 키워드릴게요!

강사님을 소개합니다.

김재연 님
현) 마키나락스 MLOps 엔지니어
전) 티맥스 클라우드 소프트웨어 엔지니어
--
[자격증] Certified Kubernetes Admisitrator
[수상] 2018 빅콘테스트 금융 부문 최우수상
[프로젝트] 사내 MLOps 플랫폼 개발 및 서비스 CI/CD 파이프라인 도입
[프로젝트] 사내 및 외부 고객사 환경 Kubernetes 구축 및 운영
[기타] kubernetes/minikube, kubeflow 등 MLOps 관련 오픈소스 컨트리뷰터
장영준 님
현) Nota ai 소프트웨어 엔지니어
전) 삼성전자 DS부문 데이터 사이언티스트
--
[프로젝트] PaaS 클라우드 기반 머신러닝 서비스 플랫폼 구축 과제
[프로젝트] 반도체 제조 공정 Defect 불량의 원인 설비 부품 탐색 시스템 개발
[프로젝트] 반도체 Wafer Defect Map 불량 분류/검색 시스템 개발

Question 1.

어떤 분들이
수강하시면 좋을까요?
- 모델 개발에 집중하고 싶은데 데이터 준비에 항상 많은 시간을 할애하게 되는 분
- 갈수록 형태가 다양해지는 분석 데이터를 효율적으로 관리하고 싶으신 분
- 개선된 머신러닝 코드를 자동으로 배포하는 CI/CD Pipeline을 구축하고 싶으신 분
- 기존 모델과 새로운 모델의 성능 비교 모니터링을 배포 과정에서 자동으로 수행하고 싶으신 분
- AWS 외 클라우드 환경에서의 MLOps 모습이 궁금하신 분

Question 2.

필요한 선수지식이
있을까요?
- 파이썬 머신러닝 분석 기초
- 클라우드 기초
- Docker 기초
- Github 기초
- Kubeflow 기초
- Prometheus & Grafana 연계 사용법

💻 수업 환경 💻

*맥과 윈도우 환경 모두에서 수강 가능합니다.

커리큘럼.

아래의 모든 클립을 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!

* 현재 해당 강의는 사전 예약중으로, 순차적으로 오픈되며 일부 분량과 챕터가 변경될 수 있습니다.
* 본 강의는 흐름의 완성도를 위해 아래 강의 일부를 발췌하였습니다.
초격차 패키지 : 한 번에 끝내는 머신러닝과 데이터분석 A-Z'의 'Part 7. 머신러닝 서비스화를 위한 MLOps 파트가 일부 제공됩니다.

Part1. ML을 Service화하기 위한 기술, MLOps

Part2. MLOps 환경 구축을 위한 도커와 쿠버네티스

Part3. 오픈소스를 통해 알아보는 MLOps의 구성요소

Part4. 쿠버네티스 기반 MLOps Pipeline 구축하기

Part5. 다양한 클라우드 플랫폼에서의 MLOps

Part6. Future Works in MLOps

  • 상세 커리큘럼.

    자세한 커리큘럼 및 내용은 여기서 확인하세요!

👇11월 1일 가격인상까지 남은시간👇
0 0시간 0 0 2021-10-31T23:59
  • 한번 구매로, 평생 소장하세요.
  • 평생소장
  • 최저가

고민은 최저가 찬스를 놓칠 뿐!
(자동 구성) 가격이 인상됩니다.

  • 정상가 (자동 구성)
  • 할인 금액 (자동 구성)
  • 최종 금액 (자동 구성)
  • 12개월 할부 시 (자동 구성)
오늘이 최저가!
(자동) (자동) (자동)
정가 (자동)
현재 판매가 (자동)
12개월 무이자 할부 시 (자동)
해당 강의는 예약 구매 상품입니다.

영상 공개는 다음과 같이 3회에 걸쳐 공개됩니다.
(1회 구매 이후 모든 영상을 평생 소장가능합니다.)

-----

1차 공개 : 21년 10월 29일 (금)
2차 공개 : 21년 11월 19일 (금)
전체 공개 : 21년 12월 17일 (금)

아래 강의를 먼저 듣고 오면 더 좋아요!

🤔파이썬 웹 개발+크롤링+자동화를 배우고 싶다면? → 한 번에 끝내는 파이썬 웹 개발 초격차 패키지 Online.

🤔개발/운영/아키텍트를 아우르는 AWS/DevOps 전 과정을 알고 싶다면? → 초격차 패키지 : 한 번에 끝내는 AWS 인프라 구축과 DevOps 운영

🤔머신러닝 분석 기초를 다지고 싶다면? → 한 번에 끝내는 머신러닝과 데이터분석 A-Z 초격차 패키지

🤔빅데이터와 클라우드에 대한 이해가 필요하다면? → 클라우드를 활용한 데이터 파이프라인 구축 Online.

수강료.

  • 온라인 패키지 : 머신러닝 서비스 구축을 위한 실전 MLOps

    현재 정가 대비 60% 할인 중!
    10월 31일 일요일 자정 까지

    정가 900,000원
    현재 판매가 360,000원

    12개월 무이자 할부 시 월 30,000원

국내 9개 카드사 12개월 무이자 할부 지원! (간편 결제 제외)

  • 삼성카드
  • 신한카드
  • 롯데카드
  • 현대카드
  • 하나카드
  • BC카드
  • KB국민은행
  • 씨티카드
  • NH농협카드