MLOps 도입 가이드

46

1부MLOps개념과필요성

EDA

는 직관적인 통찰력이 필요할 경우 시각적 분석을 수행하고 좀 더 심도 있는 분석이 필요

한 경우에는 통계적 기법을 활용할 수 있다.

3.2.3

특성 엔지니어링 및 특성 선택

EDA

를 수행하고 나면 자연스럽게 특성 엔지니어링과 특성 선택

Feature

Selection

을 하게 된다. 특성

엔지니어링

Feature

Engineering

은 선택한 데이터 세트들에서 원시 데이터를 취득하고 문제를 해결하

는 데 더 적합한 ‘특성

feature

’으로 전환하는 절차다. ‘특성’은 고정된 크기의 숫자 배열로서, 머신

러닝 알고리즘이 유일하게 이해할 수 있는 객체다. 특성 엔지니어링은 데이터 정리를 포함하고

있어, 머신러닝 프로젝트에서 시간 소모가 가장 큰 부분이다. 이와 관련한 상세한 내용은

4

.

3

절에서 다룬다.

3.2.4

학습 및 평가

특성 엔지니어링 및 특성 선택을 수행하여 데이터 준비를 끝내고 나면, 다음은 학습 단계다. 새

로운 머신러닝 모델을 학습시키고 최적화하는 절차는 반복적이다. 여러 가지 알고리즘을 테스

트해야 할 수도 있고, 특성이 자동으로 생성되도록 해야 할 수도 있고, 특성 선택을 수행할 수

도 있고, 알고리즘 하이퍼파라미터

hyperparameter

를 조정할 수도 있다. 반복성이라는 특징 외에 학

습은 컴퓨팅 파워 측면에서 머신러닝 모델 생애주기 중에서 시간과 비용의 소모가 가장 큰 단

계다.

반복 과정에서 각 실험의 결과를 추적하다 보면 금세 복잡한 상황을 만나게 된다. 데이터 과학

자들에게는 정확한 설정을 ...