새 머신러닝(ML) 프로젝트를 시작하는 경우 수동 학습만이 머신러닝 모델을 빌드하는 유일한 방법인지 궁금할 수 있습니다. 다음으로 바꿉니다. 수동 학습을 사용하면 ML 프레임워크를 사용하여 코드를 작성하여 모델을 만듭니다. 이 과정에서 탐색할 알고리즘을 선택하고 초매개변수를 반복적으로 조정하여 적절한 모델을 찾습니다.
물론 모델 학습만이 필요한 것은 아닙니다. 포함 머신러닝 모델을 프로토타입에서 프로덕션으로 빌드하고 반복적인 작업과 전문화된 기술이 수반됩니다 간단한 탐색형 ML 워크플로는 다음과 같습니다.
반복 작업 - ML 워크플로에는 반복적인 작업과 실험이 포함될 수 있습니다. 예를 들어 모델 개발 중에는 일반적으로 알고리즘과 초매개변수의 다양한 조합을 탐색하여 모델을 학습시키는 작업도 반복해야 합니다 수동 학습을 사용하면 모델을 학습시키는 특수 코드를 작성한 다음 코드를 조정하여 다양한 ML 알고리즘과 초매개변수로 실험을 실행하여 최적의 모델을 찾습니다. 소규모 또는 탐색용 프로젝트에서 이 수동 프로세스는 문제가 되지 않을 수 있지만 대규모 프로젝트의 경우 많은 시간이 소요될 수 있습니다
특수 기술 - ML 모델을 수동으로 개발하려면 전문 지식이 필요합니다. 학습합니다. 실제로 머신러닝 모델을 개발할 계획인 모든 팀에 이러한 기술이 있는 것은 아닙니다. 팀에 전담 데이터 과학자가 없는 경우 이러한 작업을 수동으로 수행하는 것이 불가능할 수도 있습니다.
다행히 모델 개발의 특정 단계를 자동화하여 반복적인 작업의 부담과 전문 기술의 필요성을 줄일 수 있습니다. 이러한 태스크는 자동화된 머신러닝 (AutoML)에 대한 이 모듈의 주제입니다.
AutoML이란 무엇인가요?
AutoML은 자동화 프로세스입니다. 머신러닝 워크플로에서 특정 작업을 수행할 수 있습니다 AutoML은 ML 모델을 빌드할 수 있도록 지원하는 도구 및 기술의 집합이라고 더 많은 사용자가 머신러닝 모델에 더 빠르고 쉽게 액세스할 수 있습니다. 자동화는 ML 워크플로 전반에 도움이 될 수 있지만 모델 개발 주기에 포함된 도구, 즉 AutoML과 2012년 2월 31일 반복되는 작업에는 다음이 포함됩니다.
- 데이터 엔지니어링
- 특성 추출
- 특성 선택
- 교육
- 적절한 ML 알고리즘 식별
- 최적의 초매개변수 선택
- 분석
- 테스트 및 검증 데이터 세트를 기반으로 학습 중에 생성된 측정항목 평가
AutoML을 사용하면 기능이 아닌 ML 문제와 데이터에 집중할 수 있습니다. 초매개변수 조정, 올바른 알고리즘 선택과 같은 작업을 할 수 있습니다