04.17

MLOps

• 쿠버네티스는 왜 쓰는가??

  • 인스턴스 컨테이너를 1000개 이상 띄울 경우에는 유용, 하지만 너무 복잡
  • 작게 띄울 때는 도커 스웜만으로도 충분, 도커만 설치하면 자동으로 깔려서 구현도 편하고 다룰 컨테이너가 적을 경우에는 용이
  • 요즘은 k3s 같은 경량화 툴이 많이 나와서 비교적 편리해진 편 + 산업계의 표준이 돼버려서 배울 필요는 있을듯..?
  • mlops 0단계 구현할 때는 필요 없다고 한다

• MLflow 튜토리얼: https://github.com/vhrehfdl/MLflow_tutorial

---

04.19

확률과 통계

이산형 확률분포

• 단순임의추출법(simple random sampling)
  • 크기가 $N$개인 유한모집단에서 크기$n$의 표본을 추출하는 방법의 수는 $_NC_n$
  • $_NC_n$에서 모든 경우가 동일한 확률로 뽑힐 때 단순임의추출법

이항 분포(binomial distribution)

• n번의 독립적인 베르누이 시행
• 베르누이 시행: 시행의 결과가 2개고 상호배반, 각 시행이 서로 독립일 경우
• 확률변수 $X$: $n$번의 시행에서 성공한 횟수
  • $n$: 시행 횟수
  • $p$: 확률

• 순열(permutation): 순서를 고려
• 조합(combination): 순서 고려x

• n이 고정일 때, p=1/2에 가까울수록 그래프가 좌우대칭
• p가 고정일 때, n이 커질수록 그래프가 좌우대칭

초기하 분포(Hypergeometric distribution)

• 크기가 $N$인 유한모집단에서 $M$개는 특별한 속성, 나머지 $N-M$개는 속성을 갖고있지 않을 경우

포아송 분포(Poisson distribution)

• 확률변수 $X$: 단위구간(일정한 시간, 거리, 면적, 무게 등)에서 관심의 사건이 일어나는 횟수가 다음 가정을 만족할 경우 $X$는 푸아송 분포
  • 사건은 구간에서 무작위
  • 단위구간에서 2번 이상 사건이 일어날 확률은 0
  • 사건이 일어날 확률은 모두 같다
  • 한 구간에서의 사건은 다른 구간에서의 사건과 독립
• $X$의 확률질량함수
  • $\mu$: 기대값, 평균, E(x)

---

04.20

확률과 통계

연속형 확률분포

균등분포

지수분포

정규분포

• $\mu$는 중심, $\sigma$는 퍼진 정도를 결정

• 표준정규분포(Standard normal distribution): 평균이 0, 표준편차가 1인 정규분포

• 정규분포의 성질
  • $X \sim N(\mu, \sigma^2)$일 때 임의의 상수 a,b에 대해 $aX+b \sim N(a\mu+b, a^2\sigma^2)$가 성립
  • 따라서 모든 정규분포는 표준정규분포로 변환해 확률값을 계산할 수 있음
  • $X_1 \sim N(\mu_1, {\sigma_1}^2)$이고 $X_2 \sim N(\mu_2, {\sigma_2}^2)$이며 $X_1, X_2$가 서로 독립이라면 $Y = X_1 + X_2 \sim N(\mu_1+\mu_2, {\sigma_1}^2+{\sigma_2}^2)$
  • 만약 $X_i \sim N(\mu, \sigma^2)$(identically normal)이고, $1 \leq i\leq n$이며 서로 독립(independent)라고 하면, 표본평균 $\bar{X}=\frac{\sum_{i=1}^{n} X_{i}}{n}$의 분포는 $\bar{X} \sim N(\mu, \sigma^2/n)$(i.i.d)

• 이항분포의 정규분포 근사
  • $X \sim Binomial(n,p)$일 때 $\frac{(X-n p)}{\sqrt{n p(1-p)}}$는 근사적으로 표준정규분포를 띈다
  • 여기서 0.5는 연속화 보정
  • 일반적으로 근사화는 $np\geq5$이며, 큰 값일수록 정확해짐