PART01 Machine Learning 입문

Chatper 01 머신러닝의 기본 개념

1.1  챕터 설명 및 챕터 활용법 

1.2  머신러닝 기초 
1.2.1 선형 회귀(Linear Regression)
1.2.2 차원의 확장(Multi variable linear regression)
1.2.3 로지스틱 회귀(Logistic Regression)
1.2.4 소프트맥스 회귀(Softmax Regression)

1.3  기타 알아두면 좋은 개념 및 팁 
1.3.1 학습률(learning rate)
1.3.2 배치 정규화(batch normalization)
1.3.3 과적합(overfitting)
1.3.4 딥러닝에 대해서

Chatper 02 딥러닝을 이용한 이미지 분석 실습

2.1  챕터 설명 및 실습 overview 

2.2  개발 환경 세팅 

2.2.1 구글 코랩(Google colaboratory) 설명
2.2.2 코랩 설치
2.2.3 코랩 환경설정
2.2.4 파이썬 및 케라스 설치

2.3  데이터셋 준비 및 CNN 모델 구축
2.3.1 구글 드라이브 마운트
2.3.2 학습 데이터셋 준비 및 이미지 전처리
2.3.3 CNN 모델 구축
2.3.4 데이터셋 학습

2.4  전이학습(transfer learning) 
2.4.1 전이학습의 개념과 모델 적용
2.4.2 전이학습 코드 적용

PART02 쿠버네티스의 머신러닝 툴킷! Kubeflow!

Chatper 01 kubeflow

1.1  ML 워크플로우
1.1.1 ML 워크플로우란
1.1.2 모델 실험 단계
1.1.3 모델 생산 단계
1.1.4 ML 워크플로우 툴

1.2  kubeflow 
1.2.1 kubeflow?
1.2.2 kubeflow components on ML workflow
1.2.3 쿠베플로우 유저 인터페이스(UI)
1.2.4 API 와 SDK
1.2.5 쿠베플로우 컴포넌트들
1.2.6 쿠베플로우 버젼 정책

1.3  kubernetes
1.3.0 서문
1.3.1 컨테이너 개발 시대
1.3.2 쿠버네티스란
1.3.3 쿠버네티스 구조
1.3.4 오브젝트와 컨트롤러
1.3.5 오브젝트 템플릿
1.3.6 레이블과 셀렉터, 어노테이션
1.3.7 인그레스
1.3.8 컨피그 맵
1.3.9 시크릿
1.3.10 인증과 권한

1.4  쿠베플로우 설치 
1.4.1 설치 조건
1.4.2 쿠버네티스 설치
1.4.3 프라이빗 도커 레지스트리
1.4.4 k9s
1.4.5 kfctl
1.4.6 배포 플랫폼
1.4.7 스탠다드 쿠브플로우 설치
1.4.8 DEX버전 설치
1.4.9 프로파일
1.4.10 삭제

Chatper 02 Kubeflow Components

2.0  서론 
2.1  Dashboard 
2.1.1 개요
2.1.2 로컬에서 대쉬보드 접속하기

2.2  Notebook servers 
2.2.1 개요
2.2.2 노트북 생성하기
2.2.3 쿠버네티스 리소스 확인하기
2.2.4 커스텀 이미지 생성
2.2.5 TroubleShooting

2.3  Fairing 
2.3.1 소개
2.3.2 아키텍처
2.3.3 페어링 설치
2.3.4 페어링 설정
2.3.5 fairing.config
2.3.6 Preprocessor
2.3.7 Builder
2.3.8 Deployer
2.3.9 Config.run
2.3.10 Config.fn
2.3.11 fairing.ml_tasks

2.4  Katib 
2.4.1 소개
2.4.2 하이퍼파라미터와 하이퍼라미터 최적화
2.4.3 뉴럴 아키텍처 탐색
2.4.4 아키텍처
2.4.5 Experiment
2.4.6 검색 알고리즘
2.4.7 Metric collector
2.4.8 Component
2.4.9 카티브 Web UI
2.4.10 Rest API
2.4.11 Command-line interfaces
2.4.12 카티브 단독 설치

2.5  Pipeline 
2.5.1 소개
2.5.2 파이프라인
2.5.3 아키택쳐
2.5.3 컴포넌트
2.5.4 그래프(Graph)
2.5.5 런(Run), 리커링 런(Recurring Run)
2.5.6 런 트리거(Run Trigger)
2.5.7 스텝(Step)
2.5.8 Experiment
2.5.9 Output Artifact
2.5.10 파이프라인 인터페이스
2.5.11 파이프라인 단독 설치
2.5.12 파이프라인 SDK 설치
2.5.13 파이프라인SDK 패키지 둘러보기
2.5.14 SDK로 파이프라인 만들기
2.5.15 경랑 파이선 컴포넌트
2.5.16 파라미터(PipelineParam)
2.5.17 메트릭스(Matrix)
2.5.18 쿠버네티스 리소스 컴포넌트

2.6  Training of ML models 
2.6.1 TFJob
2.6.2 PyTorchJob
2.6.3 MXJob(MXNet)
2.6.4 MPIJob
2.6.5 ChainerJob

2.7  Serving Models 
2.7.1 개요
2.7.2 KFServing
2.7.3 InferenceService
2.7.4 Seldon Serving

2.8  Metadata
2.8.1 개요
2.8.2 설치
2.8.3 SDK
2.8.4 Metadata Web UI
2.8.5 Watcher

Chatper 03 핸즈온 쿠베플로우

3.1  Traning Mnist with Fairing 
3.1.1 Notebook provisioning
3.1.2 fashion mnist 실행
3.1.3 fashion Mnist를 Fairing job으로 바꾸기
3.1.4 Job 실행해보기
3.1.5 이제 잡은 그만 던져도 될꺼 같은데

3.2  카티브로 하이퍼파라미터 최적화하기
3.2.1 fashion Mnist를 katib job으로 던질 수 있게 변형하기
3.2.2 카티브 experiment CRD 생성하기
3.2.3 jupyter notebook에서 katib job 실행하기
3.2.4 카티브 Trial 그래프 분석하기

3.3  추론 모델 서버 만들어 보기 
3.3.1 모델 준비하기
3.3.2 KFServing을 이용한 추론 모델 서버 구성
3.3.3 추론 모델 테스트

3.4  파이프라인으로 ML워크플로우 만들기 
3.4.1 파이프라인에 불륨 붙여보기
3.4.2 리커링 런(Recurring Run)으로 스토리지에 계속 데이터를 쌓아보기
3.4.3 학습부터 서빙까지 파이프라인으로

3.5  Caltech101 최적화 
3.5.0 개요
3.5.1 일단 페어링
3.5.2 카티브를 위한 메트릭설정
3.5.3 카티브 Submit!
3.5.4 Trial 그래프 분석하기
3.5.5 노트북에서 카티브 Experiment 실행하기
3.5.6 Experiment 실행을 페어링으로 감싸기
3.5.7 파이프라인에서 Experiment 실행해보기
3.5.8 카티브 결과 조회하기