문의를 보내주셔서 감사합니다! 팀원이 곧 연락드리겠습니다.
예약을 보내주셔서 감사합니다! 저희 팀 멤버 중 한 분이 곧 연락드리겠습니다.
코스 개요
소개 및 환경 설정
- AutoML이 무엇인지, 그리고 그 중요성
- Python 및 R 환경 설정
- 원격 데스크톱 및 클라우드 환경 구성
AutoML 기능 탐색
- AutoML 프레임워크의 핵심 기능
- 하이퍼파라미터 최적화 및 검색 전략
- AutoML 출력 및 로그 해석
AutoML이 알고리즘을 선택하는 방법
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- 신경망 및 딥러닝 백엔드
- 정확성 vs. 해석 가능성 vs. 비용의 트레이드오프
데이터 준비 및 전처리
- 숫자 및 범주형 데이터 작업
- 피처 엔지니어링 및 인코딩 전략
- 누락된 값 및 데이터 불균형 처리
다양한 데이터 유형에 대한 AutoML
- 표 형식 데이터 (H2O AutoML, auto-sklearn, TPOT)
- 시간 시리즈 데이터 (예측 및 순차적 모델링)
- 텍스트 및 NLP 작업 (분류, 감정 분석)
- 이미지 분류 및 컴퓨터 비전 (Auto-Keras, TensorFlow, PyTorch)
모델 배포 및 모니터링
- AutoML 모델 내보내기 및 배포
- 실시간 예측을 위한 파이프라인 구축
- 모델 드리프트 모니터링 및 재학습 전략
앙상블 및 고급 주제
- AutoML 모델 스태킹 및 블렌딩
- 프라이버시 및 준수 고려사항
- 대규모 AutoML 비용 최적화
문제 해결 및 사례 연구
- 일반적인 오류 및 수정 방법
- AutoML 모델 성능 해석
- 산업 사례의 사례 연구
요약 및 다음 단계
요건
- 머신러닝 알고리즘 경험
- Python 또는 R 프로그래밍 경험
대상
- 데이터 분석가
- 데이터 과학자
- 데이터 엔지니어
- 개발자
14 시간