Detail View

MLOps의 기본적인 작동 원리를 이해하고 머신러닝 모델을 실제 서비스에 적용하기 위한 실습을 단계별로 구성했다. 데이터 과학자가 다루는 MLOps 파이프라인을 반영한 데이터 수집, 데이터 전처리, 모델 학습 등의 ML 모델 개발은 물론 모델 성능 모니터링, Nginx 구성 및 무중단 배포 등의 과정까지 경험해볼 수 있다. 이를 통해 개발 업무의 효율성을 높이고 모델의 지속적 관리와 시스템의 안정성을 구축하며 데이터 과학자로서 갖출 개발 역량과 전략을 기를 수 있다.

MLOps의 기본 시스템 구성부터
실제 운영 서비스에 적용하는 워크플로우까지
모든 과정을 한 권에 담았다!
MLOps의 기본적인 작동 원리를 이해하고 머신러닝 모델을 실제 서비스에 적용하기 위한 실습을 단계별로 구성했습니다. 데이터 과학자가 다루는 MLOps 파이프라인을 반영한 데이터 수집, 데이터 전처리, 모델 학습 등의 ML 모델 개발은 물론 모델 성능 모니터링, Nginx 구성 및 무중단 배포 등의 과정까지 경험해볼 수 있습니다. 이를 통해 개발 업무의 효율성을 높이고 모델의 지속적 관리와 시스템의 안정성을 구축하며 데이터 과학자로서 갖출 개발 역량과 전략을 기를 수 있습니다.

★이 책의 특징★
- 성공적인 ML 모델 서비스화를 위한 단계별 실습 진행
- 가상의 은행 사례를 구성한 MLOps 파이프라인 구현
- 초보자도 가능한 머신러닝 모델의 실시간 API 개발과 지속적 배포 경험
- 테스트 주도 개발(TDD)로 구성된 MLOps 파이프라인 개발 과정 안내
- 코드 리팩토링 반영 및 지속적인 코드 업데이트 지원

★이 책의 대상 독자★
- 기본 시스템 설정부터 체계화된 MLOps 가이드라인이 필요한 개발자
- 가상 사례를 통한 MLOps 구축 프로세스를 경험해 보고 싶은 ML 엔지니어
- MLOps 개발 방법론을 운영 시스템에 접목하고 싶은 데이터 과학자

Information Provided By: :

01장 ML 서비스 이해하기

_1.1 ML 모델 서비스 이해

__1.1.1 대출 시스템 구성 

__1.1.2 신용대출 ML 서비스 목표 

_1.2 ML 시스템 구성 

_1.3 시스템 환경 구성 

__1.3.1 Github 프로젝트 가져오기 

__1.3.2 JupyterLab 서비스 

__1.3.3 MariaDB 서비스 



02장 ML 모델 개발 실습하기

_2.1 데이터 수집 

__2.1.1 데이터 설명 

__2.1.2 데이터 상세 설명 

_2.2 ML 모델 개발 

__2.2.1 데이터 추출 

__2.2.2 데이터 전처리 

__2.2.3 모델 학습 

__2.2.4 모델 예측 



03장 Airflow 프로젝트 생성 및 DAG 개발

_3.1 Apache Airflow 소개 

_3.2 프로젝트 환경 설정 

__3.2.1 Github 프로젝트 다운로드 

__3.2.2 PyCharm 프로젝트 환경 설정 

__3.2.3 Apache Airflow 2.7.2 설치 

__3.2.4 기타 설정 

_3.3 Airflow DAG란? 

__3.3.1 DAG 정의(Definition) 

__3.3.2 Task 정의(Definition) 

__3.3.3 Task 의존성(Dependencies) 

_3.4 Airflow DAG 개발 

__3.4.1 DAG 개발 

__3.4.2 DAG 실행 

__3.4.3 DAG 결과 확인 

_3.5 데이터추출 파이프라인 개발 

__3.5.1 준비 사항 

__3.5.2 DAG 개발 



04장 MLOps 알아보기

_4.1 MLOps란? 

__4.1.1 MLOps 정의 

__4.1.2 MLOps의 탄생 배경 

__4.1.3 MLOps의 주요 발전 과정 

__4.1.4 DevOps와 MLOps 차이점 

_4.2 MLOps의 원칙 

__4.2.1 테스트(Testing) 

__4.2.2 모니터링(Monitoring) 

__4.2.3 버전 관리(Versioning) 

__4.2.4 지속적인 X(Continuous X) 

__4.2.5 자동화(Automation) 

__4.2.6 재현성(Reproducibility) 

_4.3 MLOps 필요성 

_4.4 MLOps 목표 

_4.5 MLOps 라이프사이클 

__4.5.1 ML 개발 

__4.5.2 학습 조작화 

__4.5.3 지속적 학습 

__4.5.4 모델 배포 

__4.5.5 예측 서빙 

__4.5.6 지속적 모니터링 

__4.5.7 데이터 및 모델 관리 

_4.6 MLOps 성숙도 수준 

__4.6.1 MLOps 0단계 

__4.6.2 MLOps 1단계 

__4.6.3 MLOps 2단계 



05장 MLOps 수준 0: 배치 ML 파이프라인 구현

_5.1 Empty Task DAG 개발 

_5.2 데이터 추출 Task 구현 

__5.2.1 패키지 및 파일 생성 

__5.2.2 데이터 처리 SQL 작성 

__5.2.3 DAG Task 기능 추가 

__5.2.4 테스트 코드 추가 

_5.3 데이터 전처리 Task 구현 

__5.3.1 패키지 및 파일 생성 

__5.3.2 Preparation 클래스 생성 및 테스트 코드 추가 

__5.3.3 Preparation 클래스 개발 

__5.3.4 Preparation 클래스 리팩토링 

__5.3.5 Docker 이미지 개발 

__5.3.6 DAG Task 추가 

_5.4 예측 Task 구현 

__5.4.1 패키지 및 파일 생성 

__5.4.2 Prediction 클래스 생성 및 테스트 코드 추가 

__5.4.3 Prediction 클래스 개발 

__5.4.4 Prediction 클래스 리팩토링 

__5.4.5 Docker 이미지 추가 개발 

__5.4.6 DAG Task 추가 

_5.5 서비스 적용 

__5.5.1 스케줄 시작 



06장 MLOps 수준 1: 지속적 학습 ML 파이프라인

_6.1 Empty Task DAG 개발 

_6.2 데이터 추출 Task 구현 

__6.2.1 패키지 및 파일 생성 

__6.2.2 데이터 처리 SQL 작성 

__6.2.3 DAG Task 기능 추가 

__6.2.4 테스트 코드 추가 

_6.3 데이터 전처리 Task 구현 

__6.3.1 Preparation 클래스 생성 및 테스트 코드 추가 

__6.3.2 Preparation 클래스 개발 

__6.3.3 Docker 이미지 개발 

__6.3.4 DAG Task 추가 

_6.4 모델 학습 및 모델 평가 Task 구현 

__6.4.1 Training 클래스 생성 및 테스트 코드 추가 

__6.4.2 Training 클래스 개발 

__6.4.3 Docker 이미지 추가 개발 

__6.4.4 DAG Task 추가 

_6.5 모델 버전 관리 구현 

__6.5.1 모델 버전이란? 

__6.5.2 지속적 학습 로깅 개발 

__6.5.3 모델 버전 관리 개발 

__6.5.4 Training 클래스 적용 



07장 MLOps 수준 1: ML 모델 API 개발

_7.1 FastAPI 맛보기 

__7.1.1 FastAPI란? 

__7.1.2 프로젝트 생성 

__7.1.3 Hello World 

_7.2 모델 실시간 API 개발 

__7.2.1 _ _main_ _ 블록 추가 

__7.2.2 라우트(Route) 개발 

__7.2.3 서비스 클래스 개발 

__7.2.4 모델 자원 로드 

__7.2.5 데이터 전처리 개발 

__7.2.6 모델 예측 개발 

__7.2.7 모델 API 로그 개발 

__7.2.8 도커 이미지 개발 



08장 MLOps 수준 1: ML 모델 지속적 배포

_8.1 ML 모델 API 가용성 

__8.1.1 Nginx 서비스 구성 

__8.1.2 Nginx를 이용한 Reverse proxy 설정 

_8.2 ML 모델 지속적 배포 

__8.2.1 CT모델버전 및 CT모델학습기준일 Task 개발 

__8.2.2 대상서비스확인 Task 개발 

__8.2.3 모델 서비스 재시작 Task 개발 

__8.2.4 지속적 배포 Trigger 개발 

Information Provided By: :