# ML

YOLO Series 비교 분석
YOLO Series SOTA of Real time detector : 현재 실 사용되는 모델들 중 가장 빠른 모델 중 하나. 기존 존재하던 2-stage detector 에서 1-stage detector 로 task를 진행하며 빠른 속도가 장점. 속도 향상에 비해

MetaCode(Machine Learning) 4. Dimension Reduction - PCA
Dimension Reduction 데이터에 대한 차원 축소는 속도뿐만 아니라 성능 면에서 필요 모델 학습에 불필요한 피처(속도 향상)나 방해되는 피처(성능 향상)를 제거해야함 방해되는 피처란, over-fitting 문제를 발생시키는 피처로 이해 가능 이는 차원의 저

MetaCode(Machine Learning) 5. Clustering
비지도 학습 상황에서, 데이터 샘플들을 별개의 군집(cluster)으로 그룹화 하는 것비지도 학습에서의 분류 알고리즘데이터 특징에 따라 세분화 하는데 사용이상 검출 (anomaly detection)에 사용 --> 전처리 과정에도 사용 가능유사성이 높은 데이터를 동일한
[ML] MLOps - Kubernetes
데이터 직렬화에 쓰이는 포맷 중 하나가독성범용성 \- kubernetes 명세 \- docker compose 명세 \- github action workflow 명세따옴표 없이 써도 되고 따옴표로 감싸도 된다.
[ML] MLOps - Docker Image 저장소
1. Docker Registry registry 띄우기 my-image를 띄운 registry를 바로보도록 tagging my-image를 registry에 push 정상적으로 push 되었는지 확인 2. Docker Hub Login Docker Hub를 바라보도록 tag 생성 Docker Image push to docker hub
[ML] MLOps - Docker Image
FROMDockerfile이 base image로 어떤 이미지를 사용할 것인지 명시COPYsrc의 파일 혹은 디렉토리를 dest 경로에 복사RUN명시한 커맨드를 도커 컨테이너에서 실행하는 것을 명시CMD명시한 커맨드를 도커 컨테이너가 시작될 때, 실행하는 것을 명시WO
[ML] MLOps - Docker
이 후 VM 로그아웃 후 재로그인docker image repository부터 docker image를 가져오는 커맨드로컬에 존재하는 docker image 리스트를 출력현재 실행 중인 도커 컨테이너 리스트 출력도커 컨테이너 실행it : -i -t \- containe
[ML] MLOps - Docker & Kubernetes
실행 환경의 일관성 & 독립성스케쥴 관리, 병렬 작업 관리, 유휴 자원 관리장애 대응, 트래픽 대응Containerization컨테이너화 하는 기술격리된 공간에서 프로세스를 실행시킬 수 있는 기술Container Orchestration여러 컨테이너들을 지휘하는 기술
[ML] MLOps - 구성요소
SqoopFlumeKafkaFlinkSparkStreamingAirflowMysqlHadoopAWS S3MinIOTFDVDVCFeastAmudsenJupyter HubDockerKuberflowOptunaRaykatibGitMLflowGithubActionJenkins
[ML] MLOps - 개념
코드 구현 -> 빌드 -> 배포버전 관리 \- 데이터 버전 \- 모델 버전테스트 자동화 \- 모델 학습 자동화 \- 모델 성능 평가 자동화모니터링 \- 서빙 모델 모니터링 \- 데이터 변화 모니터링 \- 시스템 안정성