CHAPTER 1 머신러닝 파이프라인
1.1 머신러닝 파이프라인의 필요성
1.2 머신러닝 파이프라인을 고려해야 할 시기
1.3 머신러닝 파이프라인 단계
1.4 파이프라인 오케스트레이션
1.5 예제 프로젝트
1.6 요약
CHAPTER 2 TFX - 텐서플로 익스텐디드
2.1 TFX 소개
2.2 TFX 설치
2.3 TFX 컴포넌트 개요
2.4 ML 메타데이터
2.5 대화형 파이프라인
2.6 TFX의 대체 솔루션
2.7 아파치 빔 소개
2.8 요약
CHAPTER 3 데이터 수집
3.1 데이터 수집의 개념
3.2 데이터 준비
3.3 수집 전략
3.4 요약
CHAPTER 4 데이터 검증
4.1 데이터 검증의 필요성
4.2 TFDV - 텐서플로 데이터 검증
4.3 데이터 인식
4.4 GCP를 사용한 대용량 데이터셋 처리
4.5 TFDV를 머신러닝 파이프라인에 통합하기
4.6 요약
CHAPTER 5 데이터 전처리
5.1 데이터 전처리의 필요성
5.2 TFT를 사용한 데이터 전처리
5.3. 요약
CHAPTER 6 모델 학습
6.1 예제 프로젝트의 모델 정의하기
6.2 TFX Trainer 컴포넌트
6.3 대화형 파이프라인에서 텐서보드 사용하기
6.4 분산 학습 전략
6.5 모델 튜닝
6.6 요약
CHAPTER 7 모델 분석 및 검증
7.1 모델 분석 방법
7.2 텐서플로 모델 분석
7.3 공정성을 위한 모델 분석
7.4 모델 설명 가능성
7.5 TFX에서의 분석과 검증
7.6 요약
CHAPTER 8 텐서플로 서빙을 사용한 모델 배포
8.1 간단한 모델 서버
8.2 파이썬 기반 API를 사용한 모델 배포의 단점
8.3 텐서플로 서빙
8.4 텐서플로 아키텍처 개요
8.5 텐서플로 서빙용 모델 내보내기
8.6 모델 서명
8.7 내보낸 모델 검사하기
8.8 텐서플로 서빙 설정
8.9 텐서플로 서버 구성
8.10 REST 대 gRPC
8.11 모델 서버에서
파이프라인으로 머신러닝 자동화를 구축하는 명확한 가이드!
이 책에서 처음부터 끝까지 단계별로 구체적인 예제 프로젝트를 안내하는 방식이 마음에 들었습니다. 많은 코드 예제와 명확하고 간결한 설명 덕분에, 여러분의 머신러닝 파이프라인을 가동하고 자신의 사용 사례에 맞게 조정하는 데 필요한 개념적 도구를 사용할 수 있을 것입니다. 노트북을 가지고 여러분이 배운 내용을 실제로 사용해보기를 강력히 추천합니다.
이제 전문적인 머신러닝 파이프라인을 만들 때입니다!
대상 독자
기본적인 머신러닝 개념을 이해하고 하나 이상의 머신러닝 프레임워크(예: 파이토치, 텐서플로, 케라스에 익숙한 독자님께 추천합니다. 이 책의 머신러닝 예시는 텐서플로와 케라스를 기반이지만, 핵심 개념은 어떤 프레임워크에도 적용할 수 있습니다.
● 일회성 머신러닝 모델 학습을 넘어 데이터 과학 프로젝트를 성공적으로 출시하고자 하는 데이터 과학자와 머신러닝 엔지니어
● 프로젝트 관리자, 소프트웨어 개발자, 데브옵스 엔지니어
주요 내용
● 머신러닝 파이프라인 구축 단계 이해
● 텐서플로 익스텐디드(TFX를 사용한 파이프라인 구축
● 아파치 빔, 아파치 에어플로, 쿠베플로 파이프라인을 사용한 머신러닝 파이프라인 조정
● 텐서플로 데이터 검증 및 변환을 사용한 데이터 작업
● 텐서플로 모델 분석을 사용하여 모델 세부 분석
● 모델 성능의 공정성과 편향성 조사
● 모바일 장치용 텐서플로 서빙 또는 텐서플로 라이트(TFLite로 모델 배포
● 개인 정보를 보호하는 머신러닝 기술
