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

참가자 수


참가자당 가격

예정된 코스

관련 카테고리