소득공제
PDF
eBook
MLOps 실전 가이드
DevOps와 MLOps의 이론과 실습부터 클라우드 컴퓨팅, AutoML, 엣지 컴퓨팅까지
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
이 상품의 태그
상세 이미지
소개
목차
|
CHAPTER 1 MLOps 세상으로 초대_1.1 머신러닝 엔지니어와 MLOps의 부상_1.2 MLOps란?_1.3 DevOps와 MLOps_1.4 MLOps 욕구 단계 이론__1.4.1 DevOps 구현__1.4.2 깃허브 액션을 사용하여 지속적 통합 구성하기__1.4.3 DataOps와 데이터 엔지니어링__1.4.4 플랫폼 자동화__1.4.5 MLOps_1.5 마치며연습해보기생각해보기CHAPTER 2 MLOps를 시작하기 위한 기본 개념 _2.1 배시와 리눅스 커맨드 라인_2.2 클라우드 셸 개발 환경_2.3 배시 셸과 명령어__2.3.1 파일 목록__2.3.2 실행 명령__2.3.3 파일 탐색__2.3.4 셸 입출력__2.3.5 셸 설정__2.3.6 셸 스크립트 작성_2.4 클라우드 컴퓨팅 기반과 구성 요소_2.5 클라우드 컴퓨팅 시작하기_2.6 파이썬 벼락치기_2.7 미니멀리스트를 위한 파이썬 튜토리얼_2.8 프로그래머를 위한 수학 벼락치기__2.8.1 기술 통계학과 정규분포__2.8.2 최적화__[역자 노트]_2.9 머신러닝의 핵심 개념_2.10 데이터 과학 해보기_2.11 간단한 파이프라인 밑바닥부터 작성하기_2.12 마치며연습해보기생각해보기CHAPTER 3 컨테이너와 엣지 디바이스를 위한 MLOps_3.1 컨테이너__3.1.1 컨테이너 런타임__3.1.2 컨테이너 생성하기__3.1.3 컨테이너 실행하기__3.1.4 컨테이너 모범 사례__3.1.5 HTTP로 모델 서빙하기_3.2 엣지 디바이스__3.2.1 구글 코랄__3.2.2 애저 퍼셉트__3.2.3 텐서플로 허브__3.2.4 구글 코랄 엣지 TPU 컴파일러_3.3 완전 관리형 머신러닝 시스템을 위한 컨테이너__3.3.1 MLOps 컨테이너 거래하기__3.3.2 다양하게 활용되는 컨테이너_3.4 마치며연습해보기생각해보기CHAPTER 4 머신러닝 애플리케이션에 지속적 배포를 적용하기_4.1 머신러닝 모델 패키징_4.2 머신러닝 모델의 지속적 배포를 위한 코드형 인프라_4.3 클라우드 파이프라인 사용하기__4.3.1 모델 배포 제어하기__4.3.2 모델 배포를 위한 테스팅 전략_4.4 마치며연습해보기생각해보기CHAPTER 5 AutoML과 KaizenML_5.1 AutoML__5.1.1 MLOps 산업 혁명__5.1.2 AutoML vs KaizenML__5.1.3 피처 스토어_5.2 애플 생태계__5.2.1 애플의 AutoML: Create ML__5.2.2 애플의 Core ML_5.3 구글의 AutoML과 엣지 컴퓨터 비전_5.4 애저의 AutoML_5.5 AWS AutoML_5.6 오픈 소스 AutoML__5.6.1 Ludwig__5.6.2 FLAML_5.7 모델 설명력_5.8 마치며연습해보기생각해보기CHAPTER 6 모니터링과 로깅_6.1 클라우드 MLOps와 관찰가능성__[역자 노트]_6.2 로깅 기초_6.3 파이썬에서 로깅 실습하기__[역자 노트]__6.3.1 로그 수준 설정하기__6.3.2 여러 애플리케이션을 동시에 로깅하기_6.4 모니터링과 관찰가능성__6.4.1 모델 모니터링의 기초__6.4.2 AWS 세이지메이커에서 드리프트 모니터링하기_6.5 애저 머신러닝에서 드리프트 모니터링하기_6.6 마치며연습해보기생각해보기CHAPTER 7 AWS를 이용한 MLOps_7.1 AWS에 입문하기__7.1.1 AWS 제품 사용해보기__7.1.2 AWS와 MLOps_7.2 AWS를 이용한 MLOps 레시피__7.2.1 명령행 인터페이스 도구__7.2.2 플라스크 마이크로서비스_7.3 AWS 람다 레시피__7.3.1 AWS 람다-SAM: 로컬 환경에서 사용하기__7.3.2 AWS 람다-SAM: 컨테이너화하여 배포하기_7.4 현실의 문제를 해결하기 위한 AWS 머신러닝 제품과 조언__[인터뷰] 스포츠 SNS 서비스의 사례 __[인터뷰] AWS 머신러닝 기술 전도사 줄리앙의 커리어 조언언_7.5 마치며연습해보기생각해보기CHAPTER 8 애저 환경과 MLOps_8.1 애저 CLI와 파이썬 SDK_8.2 인증__8.2.1 서비스 주체__8.2.2 API 서비스 인증_8.3 컴퓨팅 인스턴스_8.4 배포__8.4.1 모델 등록__8.4.2 데이터셋 버전 관리__[역자 노트]_8.5 컴퓨팅 클러스터에 모델 배포하기__8.5.1 클러스터 구성하기__8.5.2 모델 배포하기_8.6 배포 문제 해결하기__8.6.1 로그 검색하기__8.6.2 애플리케이션 인사이트__8.6.3 로컬 환경에서의 디버깅_8.7 애저 머신러닝 파이프라인__8.7.1 퍼블리싱 파이프라인__8.7.2 애저 머신러닝 디자이너_8.8 머신러닝 생애 주기_8.9 마치며연습해보기생각해보기CHAPTER 9 구글 클라우드 플랫폼과 쿠버네티스_9.1 구글 클라우드 플랫폼 둘러보기__9.1.1 지속적 통합과 지속적 배포__9.1.2 hello world 쿠버네티스__9.1.3 클라우드 네이티브 데이터베이스 선택과 설계_9.2 구글 클라우드 플랫폼에서의 DataOps_9.3 머신러닝 모델 운영_9.4 마치며연습해보기생각해보기 CHAPTER 10 머신러닝 상호운용성_10.1 상호운용성이 중요한 이유_10.2 ONNX: Open Neural Network Exchange__10.2.1 ONNX Model Zoo__10.2.2 파이토치를 ONNX로 변환하기__10.2.3 텐서플로를 ONNX로 변환하기__10.2.4 애저에서 ONNX 모델 배포_10.3 애플의 Core ML과 ONNX_10.4 엣지 통합_10.5 마치며연습해보기생각해보기CHAPTER 11 MLOps 명령줄 도구와 마이크로서비스 구축_11.1 파이썬 패키징_11.2 Requirements 파일_11.3 명령줄 도구__11.3.1 데이터셋 린터 생성__11.3.2 명령줄 도구 모듈화_11.4 마이크로서비스__11.4.1 서버리스 기능 만들기__11.4.2 클라우드 기능 인증__11.4.3 클라우드 기반 명령줄 인터페이스 구축_11.5 머신러닝 명령줄 인터페이스 워크플로_11.6 마치며연습해보기생각해보기CHAPTER 12 MLOps 실사례 연구_12.1 머신러닝에서 무지함이 주는 뜻밖의 이점_12.2 스포츠 소셜 네트워크의 MLOps 프로젝트__12.2.1 기계적인 반복 작업: 데이터 라벨링__12.2.2 인플루언서 등급__12.2.3 인공지능 프로덕트_12.3 현실 vs 완벽한 기술_12.4 MLOps의 중요한 과제__12.4.1 윤리적 문제와 의도치 않은 결과__12.4.2 운영 능력의 부족__12.4.3 기술력에 집중할 것인가, 비즈니스에 집중할 것인가__[인터뷰] MLOps 실무자 피에로 몰리노 __[인터뷰] MLOps 실무자 프란체스카 라제리 _12.5 MLOps 구현을 위한 마지막 권장 사항__12.5.1 데이터 거버넌스와 사이버보안__12.5.2 MLOps 구축 시 자주 언급되는 개념과 도구들_12.6 마치며연습해보기생각해보기부록 A. 기술 자격증부록 B. MLOps를 위한 기술 포트폴리오 작성 Tip
|
저자 소개 6
Noah Gift
UC 데이비스 경영대학원 MSBA 프로그램의 강사 겸 컨설턴트인 노아 기프트는 CTO, 총괄 관리자, 컨설팅 CTO, 클라우드 설계자 등 비즈니스 역할을 담당해 왔다. 프래그매틱 에이아이랩스(Pragmatic AI Labs)의 설립자로서, 머신러닝과 클라우드 아키텍처에 대해 스타트업, 기타 회사들과 협업한다. 파이썬 소프트웨어 재단 펠로우(Python Software Foundation Fellow)로, 머신러닝 분야에 관한 AWS SME(Subject Matter Expert)이며, 클라우드 머신러닝과 데브옵스(DevOps)에 관한 책을 출간했다.
Alfredo Deza
열정적인 소프트웨어 엔지니어이자 열렬한 오픈소스 개발자이며, 빔(Vim) 플러그인 작성자 겸 사진 작가, 전 올림픽 선수다. 오픈소스 소프트웨어, 자기 개발, 프로 스포츠에 대해 전 세계에서 여러 강의를 했다. 효율적이고 탄력적인 환경을 추구하며 회사 인프라 재구축, 공유 스토리지 설계, 복잡한 빌드 시스템 교체를 수행했다. 테스트 및 문서화에 대한 강한 신념으로 강력한 개발 관행을 어디에서든 지속적으로 추진하고 있다. 지식을 갈망하는 개발자이며, 자신의 지역에서 파이썬, 파일시스템 및 스토리지, 시스템 관리, 프로 스포츠에 대한 프레젠테이션을 한다.
대학교에서 컴퓨터공학을 공부하다가 갑자기 휴학 후 창업에 도전해 칵테일 바를 열어보기도 하고, 자율주행 킥보드를 만드는 일에 1년 6개월간 뛰어들었다가 최근에는 AI MSP를 다루는 회사에서 데이터 사이언티스트로 일하기도 했다. 이 소개를 쓰는 순간에는 학생 신분으로 프랑스에서 경험을 쌓고 있다. 살아가며 배우고 느낀 것들을 광적으로 쓰고 기록하며 롤모델의 이름을 딴 개인 블로그 다빈치 작업실(https://davincijang.space)에 포스팅하고 있다.
국내 카드사 AI 팀에서 근무하고 있으며 산업공학과 박사과정을 통해 생성형 AI를 연구하고 있다. 커뮤니티 ‘데이터야놀자’와 AI 교육봉사 단체 ‘AI야, 놀자’에서 활동하고 있다. 『데이터 품질의 비밀』(디코딩, 2023)과 『MLOps 실전 가이드』(한빛미디어, 2023), 『GPT-4를 활용한 인공지능 앱 개발』(한빛미디어, 2023 ), 『AI 시대의 프로그래머』(한빛미디어, 2024) 등을 번역했다.
이일섭의 다른 상품
GS 리테일에서 머신러닝 엔지니어 및 데이터 플랫폼 엔지니어로 근무하고 있다. 2022년 하반기에는 GS 리테일 우수사원상을 수상하였다. 클라우드 기반 MLOps 파이프라인 설계 및 구현에 전문성을 갖추고 있으며, 효율적이고 현대적인 아키텍처를 구축하는 데 관심이 있다.
최근에는 데이터 분석 플랫폼의 고도화와 기술 지원을 담당하며 아키텍처 고도화, IaC, 데이터 저장 정책 및 메커니즘, 비용 최적화, 모니터링, 분석 환경 정책 등 다양한 영역의 업무를 수행하고 있다. 2018년 IITP의 지원을 받아 퍼듀 대학교에서 빅데이터와 관련된 연구와 프로젝트를 수행하면서 데이터에
GS 리테일에서 머신러닝 엔지니어 및 데이터 플랫폼 엔지니어로 근무하고 있다. 2022년 하반기에는 GS 리테일 우수사원상을 수상하였다. 클라우드 기반 MLOps 파이프라인 설계 및 구현에 전문성을 갖추고 있으며, 효율적이고 현대적인 아키텍처를 구축하는 데 관심이 있다.
최근에는 데이터 분석 플랫폼의 고도화와 기술 지원을 담당하며 아키텍처 고도화, IaC, 데이터 저장 정책 및 메커니즘, 비용 최적화, 모니터링, 분석 환경 정책 등 다양한 영역의 업무를 수행하고 있다. 2018년 IITP의 지원을 받아 퍼듀 대학교에서 빅데이터와 관련된 연구와 프로젝트를 수행하면서 데이터에 대한 관심을 키웠다.
최근에는 데이터 분석 플랫폼의 고도화와 기술 지원을 담당하며 아키텍처 고도화, IaC, 데이터 저장 정책 및 메커니즘, 비용 최적화, 모니터링, 분석 환경 정책 등 다양한 영역의 업무를 수행하고 있다. 2018년 IITP의 지원을 받아 퍼듀 대학교에서 빅데이터와 관련된 연구와 프로젝트를 수행하면서 데이터에 대한 관심을 키웠다.
이화여대 신산업융합대학 겸임교수로 데이터 분석 및 AI 강의를 하고 있으며, 카논그룹의 CTO로 재직 중이다. 이전에는 IBM의 Data&AI 팀에서 엔지니어로 근무했으며, 이후 카카오벤처스 패밀리사인 1z Labs를 공동창업한 후, 지분을 매각한 바 있다. 연세대학교에서 데이터 분석 전공으로 석사 과정을 졸업하고 박사 과정을 수료했다. SK C&C, KISTI, NRF, DBpia 등에서 프로젝트를 진행하였으며 Apache Zeppelin, Qiskit, KoGPT-2 등 오픈소스 프로젝트에 기여했다. 삼성, 현대, LG, 딜로이트 등 기업을 대상으로 강연하고 연세대학교, 이
이화여대 신산업융합대학 겸임교수로 데이터 분석 및 AI 강의를 하고 있으며, 카논그룹의 CTO로 재직 중이다. 이전에는 IBM의 Data&AI 팀에서 엔지니어로 근무했으며, 이후 카카오벤처스 패밀리사인 1z Labs를 공동창업한 후, 지분을 매각한 바 있다. 연세대학교에서 데이터 분석 전공으로 석사 과정을 졸업하고 박사 과정을 수료했다. SK C&C, KISTI, NRF, DBpia 등에서 프로젝트를 진행하였으며 Apache Zeppelin, Qiskit, KoGPT-2 등 오픈소스 프로젝트에 기여했다. 삼성, 현대, LG, 딜로이트 등 기업을 대상으로 강연하고 연세대학교, 이화여대, 중앙대학교, 동덕여대, 상명대학교, 순천대학교 등에서도 강연했다. 참여 도서로는 『머신러닝 디자인 패턴』(한빛미디어, 2021), 『Do it 강화 학습 입문』(이지스퍼블리싱, 2021), 『코딩진로』(호모루덴스, 2021), 『초소형 머신러닝 TINYML』(한빛미디어, 2020), 『쉽게 배우는 AWS AI 서비스』(한빛미디어, 2022), 『하이퍼레저 블록체인 개발』(한빛미디어, 2019), 『블록체인의 정석』(지앤선, 2019) 등이 있다. 깃허브에서 @YUNHO0130으로 활동하고 기술 블로그와 유튜브 채널을 운영하고 있다.
맹윤호의 다른 상품
품목정보
- 발행일
- 2023년 07월 10일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 7.78MB ?
- 글자 수/ 페이지 수
- 약 497쪽 ?
- ISBN13
- 9791169217064
출판사 리뷰
|
MLOps는 AI 시대에 맞춰 진화한 DevOps로 알려져 있습니다. 간단히 말해 MLOps는 DevOps 방법론을 활용하여 머신러닝을 자동화하는 프로세스라고 할 수 있습니다. DevOps의 핵심 철학 중 하나인 자동화에 대한 중요성을 강조하는 측면에서 MLOps는 DevOps의 계보를 잇는 것입니다. 『MLOps 실전 가이드』는 MLOps와 DevOps의 이론뿐만 아니라 머신러닝 모델을 실제 운영 환경에서 배포하고 관리하는 방법과 자동화에 필수적 요소인 지속적인 통합(CI)와 지속적인 배포(CD), 더 나아가 지속적인 개선이라는 의미를 가진 카이젠(Kazien) 개념까지 포괄적으로 다룹니다. 더불어 AWS, Azure, Google Cloud Platform과 같은 플랫폼에서 MLOps를 구현하는 방법과 역자가 경험했던 MLOps 실제 사례도 포함하고 있습니다. 이 책은 MLOps에 대한 개념을 통찰력 있게 설명하고자 합니다. ChatGPT를 활용한 번역이 아닌 역자진이 원문을 직접 번역하고, 소스 코드를 리팩토링하여 사례별 Hands-on 실습 코드를 제공합니다. 또한 본문에 등장하는 ‘역자 노트’는 역자가 최신 내용을 참고하여 직접 설명을 추가해 독자들이 더 잘 이해할 수 있도록 하였습니다. 각 장이 끝날 때마다 등장하는 ‘연습해보기’와 ‘생각해보기’를 통해 학습한 내용을 복습하고 비판적인 사고를 가지며 MLOps의 다양한 인사이트를 얻을 수 있습니다. 대상 독자 - MLOps 코드와 함께 문서를 작성해야 하는 소프트웨어 개발자- 다양한 플랫폼에서의 MLOps를 경험하고 싶은 개발자- 머신러닝 개발과 함께 실제 서비스 배포를 위한 엔지니어링이 궁금한 개발자
|
