소개
신중하게 설계된 기계 학습 솔루션은 오늘날 AI 애플리케이션의 기반을 형성합니다. 예측 분석부터 개인 설정 권장 사항까지, 기계 학습 솔루션은 기존 데이터를 사용하여 새로운 인사이트를 생성함으로써 사회의 최신 기술 발전을 지원합니다.
데이터 과학자는 다양한 방법으로 기계 학습 문제를 해결하기 위한 결정을 내립니다. 결정 사항은 솔루션의 비용, 속도, 품질 및 장수에 영향을 줍니다.
이 모듈에서는 Microsoft Azure를 사용하여 엔터프라이즈 환경에서 사용할 수 있는 엔드투엔드 기계 학습 솔루션을 설계하는 방법을 알아봅니다. 다음 6단계를 프레임워크로 사용하여 기계 학습 솔루션을 계획, 학습, 배포 및 모니터링하는 방법을 살펴보겠습니다.
- 문제 정의: 모델이 예측해야 하는 대상과 성공 시기를 결정합니다.
- 데이터 가져오기: 데이터 원본을 찾고 액세스 권한을 얻습니다.
- 데이터 준비하기: 데이터를 탐색하기. 모델의 요구 사항에 따라 데이터를 정리하고 변환합니다.
- 모델 학습: 시행 착오에 따라 알고리즘 및 하이퍼 매개 변수 값을 선택합니다.
- 모델 통합: 예측을 생성하기 위해 모델을 엔드포인트에 배포합니다.
- 모델 모니터링: 모델의 성능을 추적합니다.
참고
다이어그램은 기계 학습 프로세스을 간소하게 표현한 것입니다. 대체로 프로세스는 반복적이고 연속적입니다. 예를 들어 모델을 모니터링할 때 다시 돌아가 모델을 다시 학습하도록 결정할 수 있습니다.
다음으로, 문제를 정의하여 기계 학습 솔루션을 시작하는 방법을 살펴보겠습니다.