Danny's Blog

AWS AI Managed ServicesWhy AWS AI Managed Services?AWS AI Managed Services provide pre-trained ML models designed for specific use cases, without requiring you to build or train models from scratch. Key Benefits: Responsiveness and Availability: Always accessible, deployed across multiple Availability Zones and AWS Regions. Redundancy and Reliability: Services remain available even if one AZ experiences downtime. Performance: Use of specialized CPUs and GPUs optimized for ML workloads → cost ...

Hyperparameter Tuning1. What is a Hyperparameter? Definition: Settings that define how the model is structured and how the learning algorithm works. Set before training begins (they are not learned from the data). Examples: Learning rate Batch size Number of epochs Regularization 👉 Exam Tip: Hyperparameters are not learned during training. They are chosen before training and tuned for best performance. 2. Why Hyperparameter Tuning Matters Goal: Find the best combination of hyperparameter...

하이퍼파라미터 튜닝 (Hyperparameter Tuning)1. 하이퍼파라미터란? 정의: 모델 구조와 학습 방식을 결정하는 설정값 특징: 학습이 시작되기 전에 정해짐 데이터 자체가 아니라, 학습 알고리즘의 동작 방식에 영향을 줌 대표 예시: 학습률(Learning rate) 배치 크기(Batch size) 에포크 수(Number of epochs) 정규화(Regularization) 👉 시험 포인트:하이퍼파라미터는 모델 학습 과정에서 자동으로 학습되는 값이 아니라, 사전에 설정하는 값이다. 2. 하이퍼파라미터 튜닝(Hyperparameter Tuning) 목적: 최적의 하이퍼파라미터 값을 찾아 모델 성능을 극대화\ 효과: 정확도 향상 과적합(Overfitting) 감소 일반화 성능 강화 방법: Grid Search: 가능한 모든 조합 탐색 Random Search: 임의의 조합을 탐색 자동화 서비스: Amazon SageMaker Automatic Model ...

머신러닝 프로젝트 단계 (Phases of Machine Learning Project)1. 비즈니스 목표 정의 목표: 어떤 문제를 해결할지 명확히 정의 이해관계자(Stakeholders): 프로젝트의 가치, 예산, 성공 기준을 설정 KPI(핵심 성과 지표): 반드시 정의해야 함 → 모델이 실제로 비즈니스 목표에 기여하는지 판단하는 기준 👉 시험 포인트:머신러닝 프로젝트의 첫 단계는 항상 비즈니스 문제를 정의하는 것. KPI 설정은 AWS 시험에서 자주 강조됨. 2. 문제 정의와 ML 문제로 전환 (ML Problem Framing) 비즈니스 문제 → ML 문제로 변환 머신러닝이 정말 필요한지, 다른 해결책(예: 단순 규칙 기반)이 더 나은지 판단 데이터 과학자, 데이터 엔지니어, ML 아키텍트, 도메인 전문가가 함께 협업 3. 데이터 처리 (Data Processing) 데이터 수집 및 통합: 중앙에서 접근 가능하도록 정리 전처리 및 시각화: 데이터 품질 확인, 이상...

Phases of a Machine Learning Project1. Define Business Goals Every ML project starts with defining the business objective. Stakeholders must agree on: The value the project will provide The budget The success criteria KPI (Key Performance Indicators) are critical to measure whetherthe ML model actually achieves business goals. 👉 Exam Tip: AWS often asks about the importance of KPIs in framing an ML project. The first step is always business problem definition, not jumping into training a ...

머신러닝 – 추론(Inferencing)1. 추론이란? 추론(Inferencing): 이미 학습된 모델이 새로운 데이터에 대해예측을 내리는 과정\ **학습(Training)**은 모델이 패턴을 배우는 과정이고,**추론(Inferencing)**은 학습된 지식을 활용하는 단계 2. 추론의 두 가지 방식(1) 실시간 추론 (Real-Time Inference) 데이터가 들어오는 즉시 예측을 내려야 하는 경우 특징: 빠른 속도가 중요 (정확도보다는 속도 우선) 결과를 즉각적으로 제공해야 함 예시: 챗봇, 음성 비서(Alexa, Siri), 온라인 추천 시스템 👉 AWS 자격증에서 자주 나오는 포인트:실시간 추론은 지연(latency) 최소화가 핵심. 모델 정확도가 조금낮더라도 즉각적인 응답이 필요한 경우 사용됨. (2) 배치 추론 (Batch Inference) 대량의 데이터를 모아서 한 번에 처리하는 방식 특징: 속도보다는 정확성이 중요 분석용으로 주로 사용 결과를 받...

Machine Learning – Inferencing1. What is Inferencing? Inferencing is when a trained model makes predictions on new unseen data. Training = teaching the model. Inferencing = applying what the model has learned to makepredictions. 2. Two Types of Inferencing(1) Real-Time Inference Predictions are made instantly as new data arrives. Key Points: Speed is more important than perfect accuracy. Users expect immediate responses. Examples: Chatbots (customer service bots, Alexa, Siri) Fr...

📊 Model Evaluation – Classification & RegressionWhen building ML models, it’s not enough to just train them—you alsoneed to evaluate how good they are. Different problems (classificationvs regression) use different metrics. Let’s break it down. 🔹 Binary Classification Example – Confusion MatrixA confusion matrix compares actual labels (truth) with the model’spredictions. True Positive (TP): predicted positive, actually positive\ False Positive (FP): predicted positive, actually negati...

📊 Model Evaluation in Machine Learning머신러닝 모델을 만들었을 때, 성능이 잘 나오는지를 확인하는 과정이 필요합니다.이때 분류(Classification) 모델과 회귀(Regression) 모델의 평가 방식이 다르므로 구분해서 알아두어야 합니다. 🔹 이진 분류 (Binary Classification)와 혼동 행렬 (Confusion Matrix)Confusion Matrix란? 실제 정답(라벨)과 모델 예측값을 비교해서 성능을 평가하는 도구 네 가지 값으로 나뉩니다: 구분 예측 Positive 예측 Negative 실제 Positive True Positive (TP) False Negative (FN) 실제 Negative False Positive (FP) True Negative (TN) 👉 목표: TP와 TN을 최대화하고, FP와 FN을 최소화하는 것. 주요 평가 지표 (Classification...

🤖 모델 적합도(Model Fit)와 편향(Bias) · 분산(Variance)1. 모델 적합도(Model Fit)머신러닝 모델이 제대로 동작하지 않을 때는 모델의 적합도(Fit) 를 살펴봐야 합니다.모델이 데이터를 얼마나 잘 설명하는지가 핵심입니다. 과적합(Overfitting) 훈련 데이터에서는 성능이 매우 좋음 새로운 데이터(검증/테스트 데이터)에서는 성능이 나쁨 원인: 모델이 데이터의 노이즈까지 학습해서 일반화가 안 됨 📌 예시: 훈련 데이터 점 하나하나에 맞게 선을 구부려 만든 복잡한 곡선 과소적합(Underfitting) 훈련 데이터에서도 성능이 나쁨 원인: 모델이 너무 단순하거나, 특징(Feature)이 부족함 📌 예시: 복잡한 곡선 데이터에 단순 직선을 억지로 적용 균형(Balanced) 과적합도, 과소적합도 아닌 상태 어느 정도 오차는 있지만, 데이터의 전체적인 패턴을 잘 따름 📌 가장 이상적...