과정정보
교육소개
머신러닝 모델을 보다 효과적으로 관리하기 위한 MLOps의 기초부터 파이프라인 구축까지, MLOps 도입을 위한 내용을 담고 있습니다.
학습목표
1) 쿠버네티스 기반 On-premise 환경에서 AI 워크플로우 구축부터 최적화까지 학습할 수 있다.
2) Kubeflow 최신 기술 스택을 통해 현업에서의 기술을 활용하고 향상시킬 수 있다.
3) AI 초보자부터 전문가까지 사용 가능한 데이터 전처리, 모델 구축, 배포 등 올인원(All-in-One) 서비스 운영할 수 있다.
학습대상
1) AI(머신러닝. 딥러닝)에 대한 기본 지식 및 이해도를 가지는 학습자
2) 효율적인 AI 코드 아키텍처 구상 및 가독성이 좋은 코드를 작성하고 싶은 모든 학습자
3) 대용량 및 고가용성 시스템을 고려하여 AI 워크플로우 시스템을 설계하고 싶은 모든 학습자
강사 및 내용전문가 소개
평가비율 및 수료기준
학습목차
1
MLOps의 개념과 이해
-
MLOps가 필요한 이유
-
MLOps 단계
-
MLOps 구성 요소
-
Kubernetes가 필요한 이유
2
MLOps AI 도구와 기능
-
AI 역할
-
AI 프로그래밍 언어
-
데이터 전처리
-
모델 설정
3
MLOps 워크플로우 구성하기
-
Docker 및 Container 기술
-
데이터 스토리지
4
개발 환경 구성하기
-
Docker 설치
-
Kubernetes 설치
-
S/W 추가 설치
5
Kubeflow 설치하기
-
Kubeflow 개념
-
Kubeflow 설치
6
Kubeflow 살펴보기
-
Kubeflow Component 예제
-
Kubeflow Pipeline 예제
7
Kubeflow 데이터 스토리지 설정하기
-
Persistent Storage 설정
-
MinIO 설정
8
Kubeflow 데이터 연동하기
-
미가공 데이터 가져오기
-
데이터 연동 결과 확인
9
Kubeflow 데이터 전처리
-
이미지 데이터 전처리
-
데이터 전처리 결과 확인
10
AI 학습 데이터 생성 및 훈련하기
-
학습 데이터 생성
-
알고리즘 설정
-
매개 변수 설정
-
모델 훈련 결과 확인
13
실무 Skill Up! AI 모델 배포 전략
-
FastAPI 개념
-
FastAPI 설치 및 실행
14
실무 Skill Up! AI 모델 최적화
-
Katib 개념
-
Katib 설치
-
Katib 실행
-
Katib 확인
15
실무 Skill Up! AI 모델 버전 관리
-
MLflow 개념
-
MLflow 설정
-
MLflow 확인
16
실무 Skill Up! AI 모델 모니터링
-
Grafana 개념
-
Grafana 설치
-
Grafana 확인
수강후기
연관과정
동일 카테고리 내 인기과정
