머신러닝은 세상의 많은 문제들을 해결하는 방법 중 하나일 뿐 입니다.
- 머신러닝을 사용하고 싶어서 프로젝트를 수행하는 것이 아니라, 머신러닝을 활용하면 더 좋은 결과를 만들어 낼 수 있을 때 사용해야 합니다.
- 내가 흥미를 느끼는 문제를 꾸준히 따라가다 보면, 시간이 흐른 후 좋은 고민과 열정이 담긴 노력의 결과를 얻을 수 있습니다.
- 머신러닝 워크플로우 중 작업을 정의하기 위해 더 많은 배경 정보를 조사해야 합니다.
-
(미션) 본인이 관심있는 딥러닝의 주요 분야를 정하고, 이 분야를 설명하는 키워드를 조사해봅니다. 결과는 공동 작업 마인드맵에 추가해봅니다(키워드, 주요 개념을 설명하는 그림, 하이퍼링크 등)
-
(답을 여기)
-
-
참고 자료
-
- 머신러닝 워크플로우 중 작업을 정의하기 위해 더 많은 배경 정보를 조사해야 합니다.
머신러닝 모델은 순도 높은 데이터를 제외하고는 논할 수 없습니다. Data-centric AI 라는 트랜드에서도 알 수 있듯이, 머신러닝 프로젝트를 다룬다면 꾸준히 그리고 손쉽게 데이터의 품질을 관리할 수 있어야 합니다.
- 적절한 데이터를 확보할 수 없다면, 기존의 데이터를 내 상황에 맞게 변형하거나, 새로운 데이터를 수집하여 활용해야 합니다
-
(미션) 본인이 관심있는 분야에서 활용할 수 있는 데이터셋은 무엇이 있을지 고민해보고, 데이터를 수집하거나 구할 수 있는 방법에 대해 조사해봅시다.
-
(미션) 데이터 레이블링 소프트웨어를 검색하고 간단하게 소개해봅니다.
-
데이터와 모델을 확보했다면, 결과물을 누군가 사용할 수 있도록 형태를 잡아주어야 합니다. 사용자가 서비스를 이용할 수 있도록 프로그램을 효율적으로 배포하는 과정이 필수적입니다.
- 서비스 이용자가 직접 보고 누를 수 있는 인터페이스를 제외하면, 연산장치와 사용자 사이에 데이터가 오고 가는 과정을 설계해야 합니다.
- 전체 과정을 설계하기엔 아직 이른 시점이기 때문에, 나중에 머신러닝 시스템에 활용할 수 있는 구성 요소들에 대해 살펴보겠습니다.
- (미션) URL 을 통한 통신 방식인 REST API 에 대해 조사해봅시다.
- (미션) 딥러닝 모델의 구조(파라미터)를 저장하는 형식인 ONNX 포맷에 대해 조사해봅시다.
- (미션) 프로그램이 작동하는 환경 자체를 고정시켜 배포할때 유용한 도커와 쿠버네티스의 차이점에 대해 조사해봅시다.