ML
1.[ML] 머신러닝 시스템 설계 : 1장 머신러닝 시스템 개요
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다. M
2.[ML] 머신러닝 시스템 설계 : 2장 머신러닝 시스템 설계 소개
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다. 데
3.[ML] 머신러닝 시스템 설계 : 3장 데이터 엔지니어링 기초
본 게시물은 한빛미디어의 <머신러닝 시스템 설계>를 참고하여 작성하였습니다.프로그래머스의 과제테스트 연습 중 연습과제에서 실무 역량 과제 데이터 분석 및 조작에서 json 파일로 핸들링하는 과정에서 json 파일에 있는 각 프로퍼티에 접근해서 조건에 맞는 프로퍼티
4.[ML] 머신러닝 시스템 설계 : 4장 훈련 데이터
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다. 양
5.[ML] 머신러닝 시스템 설계 : 5장 피처 엔지니어링
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.올바
6.[ML] 머신러닝 시스템 설계 : 6장 모델 개발과 오프라인 평가
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.모델
7.[ML] 머신러닝 시스템 설계 : 7장 모델 배포와 예측 서비스
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.배포
8.[ML] 머신러닝 시스템 설계 : 8장 데이터 분포 시프트와 모니터링
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.
9.[ML] 머신러닝 시스템 설계 : 10장 MLOps를 위한 인프라와 도구
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.
10.[ML] 머신러닝 시스템 설계 : 11장 머신러닝의 인간적 측면
해당 게시물은 ML 프로덕션 환경 속에 있는 내가 모델 개발에만 열중하고 전반적인 시스템 설계에 대한 배경지식이 없었던 와중에 옆자리 팀원한테 추천 받아서 읽게된 한빛미디어의 "머신러닝 시스템 설계"를 공부하면서 요약한 게시물로, 저작권은 한빛미디어에게 있겠습니다.ML
11.[ML] Bayes Error(베이즈 오류/에러)
베이즈 오류/에러는 달성할 수 있는 가장 낮은 예측 오차로, 감소 불가능한 오류이다. Traning data를 완벽히 학습하였을 때 (그 사건의 underlying density function확률 분포을 알고 있을 때), 그 Traning data에 대해 가장 확률이
12.[ML] 데이터의 종류(학습 데이터, 학습 개발 데이터, 개발 데이터, 테스트 데이터)
알고리즘에게 가용가능한 학습 데이터를 주는 측면에서, 학습 데이터를 두 개의 군으로 나눌 수 있는데하나는 (1) 실제 알고리즘이 학습을 수행할 학습 데이터 군, 다른 하나는 (2) 학습 개발(traing devel) 데이터이다.알고리즘을 학습하는 데이터를 분류함에 따라
13.[ML] Bias와 Variance
f(x) : 입력 데이터 x에 대하여 실제 정답에 해당하는 값 => 그림에서의 빨간 점f^(x) : 머신러닝 모델에 입력 데이터 x를 넣었을 때, 모델이 출력하는 예측 값 이 값은 모델의 상태(파라미터 값)에 따라 다양한 값들을 출력할 수 있음 => 그림에서의 파란 점
14.[ML] Human-level Performance
Deep Learning의 발전으로 컴퓨터 성능이 인간의 성능과 견주어도 지지 않을 정도로 실효성이 입증 되었고, 이에 따라 사람과 컴퓨터간의 비교 연구가 진행되었따.위 그래프는 시간에 따라 사람과 컴퓨터의 정확도 추이를 나타낸 것인데, 인간의 수준을 넘은 시점 부터는
15.[ML] 머신러닝 디자인 패턴 1장. 머신러닝 디자인 패턴의 필요성
Machine Learning Design Pattern (머신러닝 디자인 패턴) 효율적인 머신러닝 파이프라인과 MLOps를 구축하는 30가지 디자인 패턴 진짜 필요한 비즈니스 로직에 중점을 두고 프로그래밍 하기 검증된 아키텍처와 비즈니스 사용 사례로 필요한 비즈
16.머신러닝과 통계적 방법의 차이
머신러닝. 기계학습을 공부하고 이를 이해하기 위해서는 기본적인 통계를 공부하게 된다. 나는 일련의 과정을 거치면서 머신러닝이 통계이고 통계가 머신러닝이라고 생각했다. 일전에 머신러닝 엔지니어 필수 질문에서 '통계적 방법과 머신러닝의 차이는?' 이라는 question을
17.[ML] AUC vs log loss/cross-entorpy(auc와 log loss의 차이점)
Instroduction AUC(Area Under the Curve)와 Log loss는 둘 다 분류 모델의 성능을 측정하는데 사용되는 지표이다. 해당 지표들은 각 다른 측면을 평가하는데, 해당 평가 지표를 공부할 때 둘의 차이점을 제대로 파악하지 못하고 있는 것