Machine Learning 70
- AWS ML CI/CD와 CDC 파이프라인 구축 (5) Terraform 코드화와 마무리
- AWS ML CI/CD와 CDC 파이프라인 구축 (4) CDC 파이프라인: Debezium 로컬 구축과 실험
- AWS ML CI/CD와 CDC 파이프라인 구축 (3) CodePipeline 조립과 트러블슈팅
- AWS ML CI/CD와 CDC 파이프라인 구축 (2) AWS 인프라 구성: ECR, S3, IAM, CodeBuild
- AWS ML CI/CD와 CDC 파이프라인 구축 (1) ML 코드 작성과 로컬 검증
- AWS ML CI/CD와 CDC 파이프라인 구축 (0) 프로젝트 소개
- NYC 택시 수요 예측 파이프라인 만들기 (8) Airflow 자동화, 모니터링, CI
- NYC 택시 수요 예측 파이프라인 만들기 (7) FastAPI 서빙과 학습-서빙 편차
- NYC 택시 수요 예측 파이프라인 만들기 (6) PostgreSQL, MinIO, MLflow 연동
- NYC 택시 수요 예측 파이프라인 만들기 (5) Baseline vs LightGBM vs PyTorch
- NYC 택시 수요 예측 파이프라인 만들기 (4) 집계와 피처 생성
- NYC 택시 수요 예측 파이프라인 만들기 (3) 데이터 수집과 EDA
- NYC 택시 수요 예측 파이프라인 만들기 (2) 개발환경 세팅
- NYC 택시 수요 예측 파이프라인 만들기 (1) 프로젝트 설계
- NYC 택시 수요 예측 파이프라인 만들기 (0) 시리즈 소개
- Airflow 해부 (7) 응용: 재학습 파이프라인 DAG
- Airflow 해부 (6) 운영: 컨테이너 구동, executor, 멱등성
- Airflow 해부 (5) Operator, Connection, Sensor
- Airflow 해부 (4) 스케줄과 시간: logical date, catchup, backfill
- Airflow 해부 (3) DAG 작성 기초: TaskFlow API와 의존성
- Airflow 해부 (2) 설치와 첫 실행: constraint와 standalone
- Airflow 해부 (1) 오케스트레이션 문제와 Airflow 구조
- Airflow 해부 (0) 시리즈 소개
- MLflow 해부 (7) 응용: 3.x tracing으로 LLM 호출 기록
- MLflow 해부 (6) 운영: tracking server, 스토리지, 인증
- MLflow 해부 (5) 조회와 자동화: search_runs와 재학습 연동
- MLflow 해부 (4) Model Registry: 버전, alias, 서빙
- MLflow 해부 (3) 모델 기록: log_model, signature, autolog
- MLflow 해부 (2) Tracking 기초: 설치와 첫 기록
- MLflow 해부 (1) 실험 추적 문제와 MLflow 구조
- MLflow 해부 (0) 시리즈 소개
- Kafka 해부 - topic, partition, consumer group으로 이해하는 이벤트 스트리밍
- Kafka 기초 (6) - Operations Basics: 유실 방지, Retention, 함정
- Kafka 기초 (5) - Python Client: confluent-kafka
- Kafka 기초 (4) - Consumer Groups and Offsets
- Kafka 기초 (3) - Topics and Partitions: Key와 순서 보장
- Kafka 기초 (2) - Installation and First Run
- Kafka 기초 (1) - What is Kafka: Event Log와 구성요소
- Kafka 기초 (0) - Introduction
- 머신러닝 실전 워크플로 (12) - 모니터링과 드리프트
- 머신러닝 실전 워크플로 (11) - 오케스트레이션: Airflow
- 머신러닝 실전 워크플로 (10) - 컨테이너와 배포: Docker
- 머신러닝 실전 워크플로 (9) - 서빙: 배치와 온라인, FastAPI
- 머신러닝 실전 워크플로 (8) - 모델 레지스트리와 아티팩트
- 머신러닝 실전 워크플로 (7) - 검증 전략과 누수 점검
- 머신러닝 실전 워크플로 (6) - 실험 추적: MLflow
- 머신러닝 실전 워크플로 (5) - 피처 파이프라인
- 머신러닝 실전 워크플로 (4) - EDA와 데이터 품질 자동 점검
- 머신러닝 실전 워크플로 (3) - 데이터 수집과 버전관리
- 머신러닝 실전 워크플로 (2) - 프로젝트 구조와 재현성
- 머신러닝 실전 워크플로 (1) - 문제 정의: 비즈니스 문제를 ML 문제로
- 머신러닝 실전 워크플로 (0) - 시리즈 소개
- 머신러닝 기초 (17) - Anomaly Detection
- 머신러닝 기초 (16) - Dimensionality Reduction: PCA
- 머신러닝 기초 (15) - Clustering: K-means and Hierarchical Clustering
- 머신러닝 기초 (14) - Data Leakage and Pipelines
- 머신러닝 기초 (13) - Preprocessing: Scaling, Encoding, and Missing Values
- 머신러닝 기초 (12) - Ensembles: Random Forests and Boosting
- 머신러닝 기초 (11) - Decision Trees
- 머신러닝 기초 (10) - Linear Models: Linear Regression and Logistic Regression
- 머신러닝 기초 (9) - Regression Metrics: RMSE, R², and Residuals
- 머신러닝 기초 (8) - Classification Metrics: Confusion Matrix and ROC-AUC
- 머신러닝 기초 (7) - Regularization: Ridge and Lasso
- 머신러닝 기초 (6) - Cross-Validation and Hyperparameter Tuning
- 머신러닝 기초 (5) - Overfitting and Generalization: Train/Valid/Test and Bias-Variance
- 머신러닝 기초 (4) - Gradient Descent: How to Reduce the Loss
- 머신러닝 기초 (3) - Loss Functions: What the Model Minimizes
- 머신러닝 기초 (2) - Supervised Learning: Regression and Classification
- 머신러닝 기초 (1) - The Map of Machine Learning
- 머신러닝 기초 (0) - Introduction