초격차 패키지 Online.

10개 프로젝트로 한 번에 끝내는
MLOps 파이프라인 구현

기업의 서버 환경에 따른
MLOps 파이프라인 구축

클라우드 환경과 도커 & 에어플로우 기반의
MLOps 파이프라인 구축부터 CI/CD 배포까지!
가상 환경이 아닌 실제 IT 기업들의
MLOps 구축 시 고려해야 할 노하우 학습

모델을 상용화해서 서비스화할 시에
고려해야 할 요소들을 IT 기업의 사례로 학습
10개의 최종 프로젝트로
완벽하게 구현하는 MLOps 파이프라인

MLOps 대표 사용 목표인 데이터의 업데이트 빈도
기반 변화하는 MLOps 파이프라인 설계/구축

기본 정보

· 4개 대주제 (약 62시간 분량)
· 입문 - 실전 - 응용
· 선수지식 : 주요 머신러닝 알고리즘의 이해(Anomaly Detection, Regression, Classfication 등), Python 라이브러리 활용, Tensorflow 프레임워크의 이해, Docker & Kubertentes 서버의 기본적인 이해, Git 활용법

강의 특징

· 수강료 1회 결제로 평생 소장
· 실제 현업 MLOps 엔지니어의 경험 기반 실습 강의
· MLOps 구현을 위한 4개의 부가자료 제공
· 강사님의 질의응답 제공

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

MLOps 서비스 구축/운영을 위해서는
어떤 역량이 필요할까요?

채용공고에서 알 수 있듯이
MLOps 기반 서비스 구축/운영에는

모든 단계의 경험이 필요로 합니다.

그러나 기존 강의들은 ML모델 개발에만 집중하여
서비스 목적에 맞는 모델 유지/관리 문제 해결에 한계가 있었습니다.

ML 모델 개발만 학습했을 때 발생하는 문제점

즉, MLOps를 구축하기 위해서
모델 개발 > 최적화 > CI/CD > 자동화 까지
하나의 흐름으로 경험해 봐야 합니다.

그래서 준비했습니다.
MLOps의 모든 흐름을 한번에 끝내기 위한 단 하나의 강의

실무의 경험을 그대로 옮겨 담은
IT 대기업 사례 기반의 10가지 MLOps 프로젝트 구축

프로젝트 뿐만 아니라,
수강생의 다양한 구축 환경을 고려한 폭 넓은 커리큘럼,
MLOps 학습에 필요한 부가적인 구성까지 제대로 준비 했습니다.

모델 개발에서 운영,관리까지!
MLOps 전체 파이프라인 구축을 위해 집중한

4가지 초격차 포인트!

미리보기

아직 고민 중이신가요?
강의를 미리보고 결정하세요!

Model Serving

Monitoring & Trouble Shooting

MLOps 파이프라인 구축에 더 도움이 될 수 있는

4가지의 부가자료 혜택까지!

초격차 Point 1

IT 대기업 이커머스, 금융, 제조업 실제 사례 기반
10가지 MLOps 파이프라인 구축 프로젝트

N사, H사, 카카오뱅크, CJ 올리브네트웍스의 MLOps 엔지니어 강사님들과 함께
모델 업데이트 빈도 기준에 따라 변화되는 MLOps 파이프라인을 설계 & 구축합니다.

| 학습 목표
N사 커머스에 입점한 여러 쇼핑몰에서 실시간으로 유입되는 상품 카테고리를
자동으로 분류하기 위한 서빙 파이프라인과 Inference 환경 구축

| 학습 내용
MLFlow 활용 상황 파악
KServe 및 여러 인프라 구축 및 활용법
gitops와 KServe를 이용한 Serving 파이프라인
Kafka를 이용한 실시간 유입 상품 Inference
효율적인 자원 사용을 위한 방법

| 주요 Key Point
상품 카테고리를 자동으로 분류하는
모델 배포의 자동화

| 학습 목표
커스텀한 MLOps Library를 개발하고 각 고객을 식별하여
관리할 수 있는 AI 서비스를 개발합니다.

| 학습 내용
FastAPI 활용 방법
Custom Library 생성 방법
Kubernetes 환경 구축 및 활용 방법
ArgoCD 기반 CI/CD 구축 및 활용 방법
GCP 기반 ETL 구축

| 주요 Key Point
모델 학습 후, 바로 AI 서비스로 배포될 수 있는 환경 구성과
서비스의 원활한 운영을 위한 CI/CD 파이프라인 구축

| 학습 목표
금융 환경에서 이상탐지 모델을 MLOps에 적용하기 위해
밑바닥부터 모든 환경을 구축합니다.

| 학습 내용
도입에 적합한 MLOps 솔루션 리서치
이상탐지 데이터 & 모델 구성
Gitlab 기반 CI/CD 환경 구성
Airflow를 활용한 ML 파이프라인 구성
ML 모델을 CI/CD에 배포
Bento ML을 이용한 ML 모델 서빙

| 주요 Key Point
금융환경에서 MLOps 구축에 필요한 제약 조건을 이해하고,
실제 파이프라인을 A to Z 모두 하나하나 구현 해봅니다.

| 학습 목표
개발한 이상탐지 모델 기반 MLOps 환경에서 이상탐지의 성능을
높이기 위한 모니터링 환경 구축과 메트릭 분석을 직접 수행합니다.

| 학습 내용
성능 튜닝을 위한 모니터링 환경을 이해
grafana & prometheus를 활용한 대시보드 구성
MLFlow 모델 모니터링
Airflow & BentoML을 활용한 모니터링 메트릭 수집
Airflow & BentoML 기반 모니터링 성능 개선

| 주요 Key Point
MLOps 모니터링을 위한 환경을 이해하고, 성능 개선에 필요한
메트릭을 분석합니다.

| 학습 목표
MLFlow를 활용하여 모델을 개발부터 배포 단계까지의 과정을
간소화하고 효율적으로 관리하는 방법을 학습합니다.

| 학습 내용
MLFlow 환경 설정
은행 마케팅 고객 데이터 셋 로딩
모델 개발 및 하이퍼파라미터 튜닝
모델 평가 및 배포

| 주요 Key Point
MLOps를 사용하기 전에 비해 MLFlow를 활용하여 모델을
효율적으로 개발하는 방법 학습

| 학습 목표
AWS SageMaker를 활용하여 신용 승인 예측 모델을 개발하고 한 달 주기로
모델을 자동으로 업데이트 후 배포하는 MLOps 파이프라인을 구축합니다.

| 학습 내용
신용 승인 데이터의 이해
신용 승인 모델 개발
CI/CD 구축 및 모델 스케쥴링
로그 및 모니터링 설정

| 주요 Key Point
한 달 주기로 모델을 업데이트 하는 CI/CD 구축 후,
로그 및 모델 성능 모니터링을 구성

| 학습 목표
챗봇 등 자연어 처리에서 자주 활용하는 개체명 인식을 학습 시키기 위한
Kubeflow 활용 및 파이프라인을 구성합니다.

| 학습 내용
Kubeflow 활용 시나리오 파악
Cloud Native 환경 구축에 대한 이해
IaaC에 기반한 Cloud Engineering 및 Terraform 활용
설치형 환경에서의 Cloud 접근 및 서비스 활용
Jupyter Notebook, Terminal 등 ML/DL 연구자를 위한 리소스 할당
Kubeflow 파이프라인 구축을 통한 연구와 서비스의 연계

| 주요 Key Point
ML/DL 연구자와의 학습 리소스 할당과 학습 결과물의 파이프라인 연계

| 학습 목표
실무에서 경험할 수 있는 Multiple ML/DL Framework에 대한
고성능 모델 서빙 파이프라인을 구성합니다.

| 학습 내용
NVIDIA 공식 Serving 방식인 Trition Inference Server에 대한 이해
범용성 높고 재활용성이 높은 Triton을 활용한
Multiple ML/DL Framework 대응
Dynamic Batching, Ensemble 등을 활용한 고성능 모델 서빙

| 주요 Key Point
MLOps Engineer가 자주 맞이하게 되는 다양한 프레임워크로
구성된 ML/DL 모델들의 서빙에 필수적인 Triton Inference
Server에 대한 사용 및 활용방법

| 학습 목표
Data Drift 탐지를 통해 운영하고 있는 이상 탐지 모델 성능을 모니터링하고
성능이 떨어졌을 때, 배치성으로 모델을 재학습 및 배포합니다.

| 학습 내용
Data Drift를 통한 트리거 발동 구현
Airflow 환경 구축
배치성 트리거 기반 재학습 파이프라인 개발

| 주요 Key Point
운영 중인 이상 탐지 모델의 성능을 지속적으로 판단하기 위한
모델 성능 모니터링 및 업데이트 자동화

| 학습 목표
도메인에 종속받지 않고 어떤 상황에서든지 서비스에 적용하고자
하는 ML 모델을 얻기 위한 Airflow 환경 구축

| 학습 내용
MLOps 활용 상황 파악
MLEngineer를 위한 독립적인 Airflow 환경 구축
Airflow를 활용한 ML 모델 학습 파이프라인
효율적인 자원 사용을 위한 모델 학습 방법

| 주요 Key Point
다양한 데이터로 실험해보면서 독립적으로 ML 모델을
구축해볼 수 있는 환경 구성

초격차 Point 2

머신러닝 서비스를 구축하기 위한 모델 개발부터
Airflow & Docker를 활용한 MLOps 파이프라인 구축

MLOps를 활용한 머신러닝 서비스 구축을 위해 머신러닝 모델을 개발하는 과정부터
 모델을 실제 서비스단에서 관리하고 모니터링하는 방법을 한 번에 학습합니다.

∞ Model Development

MLOps를 활용하여, Model을 개발하면서 발생하는 비효율화를 어떻게 제거하는지 방법을 학습합니다.

∞ Model Operation

MLOps를 활용하여, Model을 서빙하고 운영하면서 발생하는 비효율화를 어떻게 제거하는지 방법을 학습합니다.

초격차 Point 3

ML Flow, AWS Sagemaker, GCP 3개의 클라우드
플랫폼 환경에서 구축하는 MLOps 파이프라인 구축

클라우드 환경에서의 MLOps를 설계하는 방법을 학습하고, 각 클라우드 플랫폼에서
제공하는 ML 플랫폼으로 서버 환경 별 MLOps 파이프라인을 구현합니다.

✓ MLFlow 기술을 활용해 반복되는 데이터 엔지니어링과 모델 학습을 효율적으로 하는 방법을 학습합니다.
✓ MLFlow 기술을 활용해 Model Serving 방법을 학습합니다.

자세히 보기 Click!

∙데이터 전처리와 EDA
∙Model 학습과 성능 개선
∙Model Selection과  
∙Model Registry

✓ 데이터 준비를 위해 Data Labeling과 Feature Engineering을 수행합니다.
✓ 모델을 개발하기 위한 학습부터 모델 선택까지 전 과정을 학습합니다.
✓ 모델을 개발하기 위한 학습부터 모델 선택까지 전 과정을 학습합니다.
✓ ML을 서비스화 하기 위한 전체 파이프라인을 직접 구성합니다.
✓ 서비스화 한 ML을 모니터링하며 문제점을 발견하고 해결합니다.

자세히 보기 Click!

∙Free Account 신청 및 환경 설정
∙Data Labeling
∙Feature Engineering
자세히 보기 Click!

∙Model Training
∙Model Hyperparameter Tuning
∙Model Selection
∙Model Bias
자세히 보기 Click!

∙ML 파이프라인 구성
∙파이프라인 모니터링
∙Trobule Shooting

✓ GCP 플랫폼에 대한 이해와 GCP 환경에서 MLOps 파이프라인을 구축하기 위한 환경을 구현합니다.
✓ 모델 학습을 위한 데이터를 어떻게 준비하는지 학습합니다.
✓ GCP 플랫폼 기반으로 어떻게 모델을 구축하는지 학습합니다.
✓ ML 파이프라인을 구성하며 반복되는 작업을 어떻게 최적화하는지 학습합니다.
✓ CI/CD를 직접 구성합니다.

자세히 보기 Click!

∙Free Account 신청 및 환경 설정
∙Vertex AI와 데이터 준비
자세히 보기 Click!

∙AI 플랫폼을 활용한 모델 구축과 훈련
∙Kubeflow를 활용한 파이프라인 구성
자세히 보기 Click!

∙Cloud Build를 통한 CI/CD
∙GCP MLOps

초격차 Point 4

대표적인 3가지 자동화 목표에 따른
MLOps 파이프라인 특성 학습의 이해

MLOps의 등장 배경과 핵심 구성 요소를 학습하고
각 단계 별로 자동화할 수 있는 MLOps 파이프라인의 특징을 이해합니다.

1. 데이터 분석, 데이터 준비, 모델 학습, 모델 검증을 포함한
모든 단계를 수동으로 수행합니다.
2. 모델 구현시에 최적화/모델 선택을 manually(손수) 진행합니다.
모델 업데이트 주기가 길거나 관리할 모델이 적은경우에 사람이
직접  모델 업데이트를 진행합니다.
3. 구현 변경사항과 모델 버전이 자주 배포되지 않으므로 CI/CD가
고려되지 않습니다.
4. 모델 최적화를 진행하기 위한 모니터링을 수행합니다.

1. ML 파이프라인 자동화를 통해 모델을 지속적으로 학습하고
모델  예측 서비스를 지속적으로 수행할 수 있습니다.
2. 실시간 파이프라인 트리거를 기반으로 하는 새로운 데이터를
사용하여 모델이 프로덕션 단계에서 자동으로 학습됩니다.
3.새로운 데이터로 학습된 새 모델에 예측 서비스를 지속적으로
배포합니다.
4. 학습된 모델을 예측 서비스로 제공하기 위한 자동 반복
실행되는 전체 학습 파이프라인을 배포합니다.

1. 프로덕션 단계에서 파이프라인을 빠르고 안정적으로 업데이트
하기위한 강력하고 자동화 된 CI/CD 시스템을 구축합니다.
2. 특성 추출, 모델 아키텍쳐, 초매게변수에 대한 새로운
아이디어를 빠르게 살펴볼 수 있습니다.
3. CI : 소스 코드를 빌드하고 이후 단계에서 배포할 파이프라인
구성요소(패키지, 실행 파일 및 아티팩트)를 테스트합니다.
4. CD : CI 단계에서 생성된 아티팩트를 대상 환경에 배포하고,
모델의 새로운 구현이 포함된 파이프라인을 출력합니다.
5. 일정에 따라 혹은 트리거에 대한 응답으로 프로덕션 환경에서
파이프라인을 자동으로 실행합니다.

궁금한 내용은 언제든
디스코드 질의응답 채널에 질문하세요!

현직 MLOps 엔지니어 강사님들이 직접 답변 드립니다!

*교육 내용 범주 안에서만 질의응답 가능합니다.
*2023년 11월 24일부터 2025년 11월 24일까지 운영됩니다.

아무리 구성이 좋아도 아무나 가르친다면 의미 없죠!
MLOps를 가장 대표적으로 활용하고 있는 IT 대기업 & 스타트업 MLOps 엔지니어 전문가들과 함께 배워보세요!

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

Question 1.

어떤 분들이
수강하시면 좋을까요?

• 모델을 지속적으로 관리하고 프로덕션화에 필요한 역량을 쌓고 싶은 Data Scientist
• AI 서비스를 운영하기 위해 머신러닝 모델을 소프트웨어 시스템에 통합하고 관리하는
방법을 배우고 싶은 소프트웨어 엔지니어 및 개발자
• 모델을 훈련 후, 운영 환경으로의 신속한 배포와 지속적인 모니터링이 필요한
ML Engineer

Question 2.

필요한
선수지식이 있을까요?

• 주요 머신러닝 알고리즘의 이해(Anomaly Detection, Regression,
Classfication 등)
• Python(Pandas, Numpy, Scikit Learn) 라이브러리의 이해, Tensorflow 기본
• Docker & Kubernetes & 클라우드 플랫폼 등 각 서버의 기본적인 이해
• Git 활용법

Question 3.

개발 환경

• Mac & Linux 환경(Window 환경에서도 가능하나 일부 환경 설정에 어려움이
있을 수 있습니다.
• Python, Jupyter Notebook, Scikit Learn, ML을 위한 Python 라이브러리
• Pytorch, Tensorflow 프레임워크
• MLFlow, AWS SageMaker, GCP 클라우드 플랫폼
• Kubernetes, minikube, Docker, Airflow 환경
• ArgoCD, heml, FastAPI 환경
• Visual Studio Code

커리큘럼

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

Part 1. 머신러닝, 제대로 알고 가자!

01. 머신러닝, 제대로 알고 가자!

• 실생활 속 ML은 어떻게 쓰이는가?
• ML은 성능만 좋다고 서비스 할 수 없다.
• 전통적인 소프트웨어 시스템은 ML 시스템에 적용할 수 없다.
• 그러면 우리는 무엇을 공부하고 알아야 하는가?

Part 2. 머신러닝 상품화

01. 머신러닝 상품화 모델을 만들기 위한 실전 여정

• 머신러닝 상품화까지의 의사결정 과정은 복잡하다.
• 학습 데이터 준비 (1) Data 유형
• 학습 데이터 준비 (2) Data Sampling
• 학습 데이터 준비 (3) Labeling과 이에 따른 모델 학습 유형
• 학습 데이터 준비 (4) Class Imbalance
• 학습 데이터 전체 실습
• Feature Engineering (1) Data Cleansing
• Feature Engineering (2) Feature Selection 통계 기법
• Feature Engineering (3) Feature Selection 데이터 분석 기법
• Feature Engineering (4) Feature Selection ML 분석 기법
• Feature Engineering (5) Feature Reduction
• Feature Engineering (6) Data Augmentation
• Feature Engineering (7) Data Scailing & Encoding
• Feature Engineering 전체 실습
• Model Training
• Model Evaluation
• Model HyperParameter Tuning
• Model Selection
• Ensembles & AutoML
• 머신러닝 상품화 모델 만들기 실습 (1) HR Data Classification
• 머신러닝 상품화 모델 만들기 실습 (2) Airplane Delay Regression
• 머신러닝 상품화 모델 만들기 정리

02. 머신러닝 상품화를 위한 기술

• ML LifeCycle은 어떻게 구성되어 있는가?
• ML System은 무엇인가?
• ML System 구축을 위한 요구사항
• MLOps의 등장과 핵심 기능
• 직무에 따라 다르게 사용하는 MLOps
• 여러 단계로 나눌 수 있는 MLOps 구현 수준
• 머신러닝 상품화를 위한 기술 정리

03. 머신러닝 상품화를 위한 인프라와 도구들

• MLOPS 구현을 위한 인프라 요소에는 어떤 것들이 있는가?
• MLOPS를 구현하기 위한 인프라와 도구 (1) Storage와 Computing
• MLOPS를 구현하기 위한 인프라와 도구 (2) Container 이론
• 실습 (1) Container 구축
• MLOPS를 구현하기 위한 인프라와 도구 (2) Orchestrator 이론
• 실습 (2) Airflow 실습
• MLOPS를 구현하기 위한 인프라와 도구 (2) Scheduler 이론
• 실습 (3) Cron, Jenkins 실습
• MLOPS를 구현하기 위한 인프라와 도구 (2) 환경 관리 이론 : conda
• 실습 (4) conda
• MLOPS를 구현하기 위한 인프라와 도구 (2) 버전 관리 이론 : Git
• MLOPS를 구현하기 위한 인프라와 도구 (2) 서버 통신 이론 : HTTP & REST API
• 실습 (5) HTTP Server & REST API
• 머신러닝 상품화를 위한 인프라와 도구들 정리

Part 3. 머신러닝 상품화를 위한 클라우드 플랫폼

01. 머신러닝 상품화를 위한 클라우드 플랫폼

• MLOPS 구현을 도와주는 플랫폼들
• MLFlow
• KuberFlow
• AWS SageMaker
• Google GCP AI Platform
• 머신러닝 상품화를 위한 클라우드 플랫폼 정리

02. MLFlow를 활용한 머신러닝 상품화

• MLFlow란 무엇인가?
• 실습 (1) MLFlow 설치와 환경 구축
• 실습 (2) 데이터 전처리와 EDA
• 실습 (3) Model 학습과 성능 개선
• 실습 (4) Model Selection과 Model Registry
• 실습 (5) Model Serving
• 실습 (6) MLFlow로 효율적으로 모델 연구 상품화
• 실습 : Credential Approval
• Classification
• MLFlow 정리

03. AWS를 활용한 머신러닝 상품화

• SageMaker를 활용한 머신러닝 상품화(MLOPS)
• 실습 (1) Free Account 신청 및 환경 설정
• 실습 (2) 데이터 준비 (Data Labeling, Feature Engineering)
• 실습 (3) 모델 구축
• 실습 (4) 모델 훈련
• 이론과 실습 (5) 모델 하이퍼 파라미터 튜닝
• 실습 (6) 모델 Selection
• 이론과 실습 (7) 모델 bias 감지
• 실습 (8) ML 학습 workout 자동화 (파이프라인 구축)
• 실습 (9) ML Deployment
• 실습 (10) Model Monitoring
• 실습 (11) Monitoring & Trouble Shooting
• 실습 (12) Trigger 기반의 모델 주기적 재학습 및 생성정리

04. Google Cloud를 활용한 머신러닝 상품화

• AI Platform과 KuberFlow를 활용한 머신러닝 상품화(MLOPS)
• 실습 (1) Free Account 신청 및 환경 설정
• 이론과 실습 (2) Vertex AI와 데이터 준비
• 이론과 실습 (3) AI Platform을 활용한 모델 구축과 훈련
• 실습 (3) KuberFlow 설치 및 환경 설정
• 실습 (4) KuberFlow를 활용한 Pipeline 구축
• 이론과 실습 (5) Cloud Build를 통한 CI/CD 수행 및 연동
• GCP에서 활용할 수 있는 그 외 MLOPS 기능들
• Google Cloud 정리

Part 4. IT 대기업 이커머스, 금융, 제조업 사례 기반 10개의 MLOps 파이프라인 구축

01. 실시간으로 유입되는 상품 카테고리 분류를 위한 환경 구축

• 강의 들어가기 전
• 강의 커리큘럼 소개
• 강의 대상 소개
• MLOps 활용 해야하는 상황
• MLOps 도입 시 고려해야 하는 점
• 인프라 소개 및 구축 방법과 사용법
• 모델 Serving/Inference 파이프라인 흐름도 소개
• 모델 API와 Kafka 연결하는 python 코드 소개
• 파이프라인 운영 방법 소개
• 장애 방지를 위한 다양한 방법 소개
• 각 인프라 구축 실습
• 모델 Serving 파이프라인 실습
• 데이터 Inference 파이프라인 실습

02. 이커머스 운영 효율화를 위한 NLP 모델의 실시간 API 서빙 및 인증 기반 사용량 모니터링 파이프라인 구축

• 서빙 실습 및 배경 소개
• 서빙 실습 순서 및 준비사항
• AI API Service 작성
• Cloud Storage 기반 모델 관리 (1) - 모델 업로드 구현
• Cloud Storage 기반 모델 관리 (2) - 모델 다운로드 구현
• Cloud Storage 기반 모델 관리 (3) - 라이브러리 패키징
• 배포환경 구축 (1) - 쿠버네테스 클러스터 생성
• GCP Kubernetes 배포 환경 구축 (1) 환경 세팅
• GCP Kubernetes 배포 환경 구축 (2) helm
• CI/CD 구축 (1) ArgoCD
• CI/CD 구축 (2) Build CI 작성
• CI/CD 구축 (3) Deploy CI 작성
• Nginx Ingress 기반 API 인증 (1) 도메인 생성
• Nginx Ingress 기반 API 인증 (2) 도메인 적용
• Nginx Ingress 기반 API 인증 (3) 도메인 앱 연결
• Nginx Ingress 기반 API 인증 (4) Nginx 인증
• 로그 기반 API 사용량 모니터링 (1) 로그 Big Query 저장
• 로그 기반 API 사용량 모니터링 (2) Call Count 추출
• 실습 내용 정리

03. 금융 이상탐지 수행을 위한 MLOps 파이프라인 구축

• 강의 커리큘럼 소개
• 환경파악 (1) 주어진 환경 분석
• 환경파악 (2) 금융규제
• 환경파악 (3) 기존 ML서비스의 운영 상태
• 사용될 솔루션 선택 (1) 솔루션 리서치
• 사용될 솔루션 선택 (2) 솔루션 확정
• 실습에 사용한 데이터 및 모델 소개 (1) 실습에 사용한 데이터 소개
• 실습에 사용한 데이터 및 모델 소개 (2) 실습에 사용할 모델 소개
• 실습에 사용한 데이터 및 모델 소개 (3) Feature Store 구성 범위
• MLOps 환경 구성 (1) gitlab 설치
• MLOps 환경 구성 (2) airflow 설치
• MLOps 환경 구성 (3) airflow를 이용한 ML파이프라인 구성
• MLOps 환경 구성 (4) bentoml을 이용한 서빙 환경 구성
• MLOps 환경 구성 (5) gitlab을 이용한 ML모델 CI/CD 구성
• ML 서비스 구현부터 배포까지 (1) ML모델을 CI/CD를 통해 배포
• ML 서비스 구현부터 배포까지 (2) ML파이프라인 작동
• ML 서비스 구현부터 배포까지 (3) ML모델을 bentoml을 이용해 서빙

04. 금융 이상탐지 파이프라인의 효과적인 모니터링과
 성능개선을 위한 환경 구성

• 강의 커리큘럼 소개
• 환경파악 (1) 전재가 되는 환경 소개
• 환경파악 (2) ML 파이프라인 모니터링 조건
• 모니터링 가능한 MLOps 아키텍처 설계
• 모니터링 환경 구성 (1) grafana 설치
• 모니터링 환경 구성 (2) prometheus 설치
• 모니터링 환경 구성 (3) mlflow 설치
• 모니터링 환경 구성 (4) mlflow tracking server 설치
• 모니터링 환경 구성 (5) airflow 모니터링 데이터 수집
• 모니터링 환경 구성 (6) bentoml 모니터링 데이터 수집
• 모니터링 환경 구성 (7) grafana 대시보드 구성 - airflow
• 모니터링 환경 구성 (8) grafana 대시보드 구성 - bentoml
• 성능 개선 과정 예시 (1) grafana를 이용한 airflow 모니터링
• 성능 개선 과정 예시 (2) grafana를 이용한 bentoml 모니터링
• 성능 개선 과정 예시 (3) mlflow tracking server를 이용한 mlflow model 모니터링

05. Bank Marketing 데이터를 활용한 ML Cycle 이해와 MLFLow 기반의 모델 효율화

• ML Cycle 소개
• MLFlow 소개 및 환경 설정
• Bank Marketing 데이터 셋의 이해
• MLFlow를 활용한 모델 개발
• MLFlow를 통한 모델 추적 및 저장
• 모델 평가 및 효율화
• 모델 배포

06. 카드사 고객 신용도 등급 책정 모델 개발 및 한 달 주기로  신용도 알림을 제공하는 MLOps 파이프라인 구축

• ML Cycle 소개
• AWS Sagemaker 소개 및 환경 설정
• Credit Approval 데이터 셋의 이해
• Credit Approval 모델 개발
• MLOps 구축 및 프로세스 설정
• 로그 및 모니터링 설정

07. 챗봇에서 활용하는 개체명 인식을 위한 Container Native 학습 환경 구축

• 강의 들어가기 전
• 강의 커리큘럼 소개
• 강의 대상 소개
• MLOps 활용 해야하는 상황 소개
• MLOps 도입 시 고려해야하는 점 소개
• Named Entitiy Recognition 소개
• Container Native Architecture에 대하여
• Kubeflow 소개
• IaaC 기반 Cloud Engineering
• Terraform 소개
• k9s 소개
• minikube 설치
• kubeflow 설치
• terraform을 이용한 GCP 리소스 설치
• 학습 코드 개발
• 학습 코드 도커화
• 파이프라인 생성
• 실험 생성 및 Run 생성
• 학습 결과물 확인

08. Multi ML/DL Framework 활용 가능한 Triton Inference Server을 이용한 고성능 모델 서빙

• 강의 들어가기 전
• 강의 커리큘럼 소개
• 강의 대상 소개
• Model Serving
• Model Serving 단계에서 중요한 점
• 아키텍처
• 지원하는 Backend
• Triton Inference Server의 Framework Coverage
• PyTorch Backend를 이용한 Triton Inference Server 활용
• Tensorflow Backend를 이용한 Triton Inference Server 활용

09. 제조 이상탐지 분야에서의 지속적인 모델 평가 및 재학습 /
 모델 업데이트 파이프라인 구축

• 배경 및 MLOps Level2 기반 아키텍처 설명
• Airflow 구축
• Data Drift 알고리즘
• Airflow 기반 ML Pipeline 작성
• Data Drift를 이용한 Trigger 발동
• Trigger / Batch 시 모델 재 학습
• Trigger / Batch 시 모델 재 배포
• 추가 고려사항 소개

10. ML 모델 실험을 위한 독립적인 환경의 Airflow 구축

• 강의 들어가기 전
• 강의 커리큘럼 소개
• 강의 대상 소개
• MLOps를 활용 해야하는 상황
• MLOps 도입 시 고려해야 하는 점
• 인프라 소개 및 구축 방법과 사용법
• ML 모델 실험을 위한 독립적인 환경의 airflow 구축 파이프라인
흐름도 소개
• 각 인프라 구축 실습
• ML Engineer를 위한 Airflow 환경 구축 실습

이 강의도 추천해요.

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.
– 본 강의의 실습 환경은 Pytorch, Tensorflow, Kubernetes, Minikube, Docker, Airflow, MLFlow, AWS Sagemaker, GCP, ArgoCD, HEML, FastAPI, Visual Studio Code 환경에서 실습합니다.
- Mac운영체제에서 수강하실 수 있습니다(Window 환경에서도 가능하나 일부 환경 설정에 어려움이 있을 수 있습니다).

총 학습기간:
– 정상 수강기간(유료 수강기간) 최초 3개월(90일), 무료 수강 기간은 91일차 이후로 무제한이며,  유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
– 본 패키지는 약 62시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일: 수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 해당 강의의 세부 커리큘럼은 촬영 및 편집을 거치며 일부 변경될 수 있으나, 전반적인 강의 내용에는 변동이 없습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 미만, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이내, 5강 이상 수강 시 전체 강의에서 수강한 강의의 비율에 해당하는 수강료를 차감 후 환불 가능합니다.
– 수강시작 후 7일 초과 시 정상 수강기간 대비 잔여일에 대해 아래 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 환불요청일시 기준 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 환불요청일시 기준 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

root layout

초격차 패키지 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현