## 머신러닝의 실험관리
- 머신러닝에서 '실험 관리'란, 데이터 - 모델 학습 - 모델 평가로 이어지는 일련의 실험 과정을 체계적으로 기록 및 관리하는 것.
- 실험을 거듭할 수록 수기나 엑셀로 정리 불가, 관리의 '자동화'의 필요성이 대두됨.
## 실험 관리의 대상
1. 실험중 발생하는 정보들 : train loss history, metric score ...
2. 실험 재현을 위한 정보들 : data, package version, code, parameters...
## 실험 관리 도구들
대표적인 실험 관리 도구들 아래와 같으며, 순서대로 local -> cloud 환경에 가깝다.
1. Tensorboard : local에 쉽게 설치 가능, tensorflow에 친화적
2. MLflow : 자체 서버 구축 쉽고, 실험 평가 지표 시각화 가능
3. WandB : SaaS 형식으로 실험 기록, 다양한 시각화 기능
이외에도 다양한 관리 도구들이 있음. 강의에서는 MLflow 중심으로 설명 예정
실험관리 관련 참고 링크
- https://brunch.co.kr/@chris-song/101
MLOps 1. 실험 관리
AI 혁신 속도는 모델 학습에서 배포까지 걸리는 속도에 비례한다 | AI 혁신 속도는 모델 학습에서 배포까지 걸리는 속도에 비례한다 단순하지만 정말 중요하고 중요한 말이다. 만약 여러분의 회
brunch.co.kr
- https://zzsza.github.io/mlops/2020/03/22/ml-experiment-management-using-neptune-ai/
머신러닝 Experiment Management 쉽게 하기(feat. neptune ai)
neptune ai를 활용해 머신러닝 실험 관리를 더 편하게 하는 방법에 대해 작성한 글입니다 키워드 : Machine learning experiment management
zzsza.github.io
* 프로그래머스의 마키나락스 MLOPS 강의를 참고하여 작성함
'MLOps' 카테고리의 다른 글
| [MLOps] 6. MLflow 로깅 방법 (1) | 2024.04.18 |
|---|---|
| [MLOps] 5. 도커 Compose로 MLflow 시작하기 (0) | 2024.04.17 |
| [MLOps] 4. MLflow 시작하기 (feat.도커) (0) | 2024.04.17 |
| [MLOps] 2. 도커 사용 실습 - 이미지 build 및 .py파일 재현 (1) | 2024.04.17 |
| [MLOps] 1. MLOps 개념 (0) | 2024.04.17 |