Machine Learning at Scale - Korean

이 과정은 데이터 과학자와 머신 러닝 실무자를 대상으로 하며, 4시간 모듈 2개로 구성되어 있습니다.

Machine Learning at Scale

이 과정에서는 Apache Spark의 아키텍처와 Databricks 내 머신 러닝 워크로드에 대한 적용에 관한 이론적·실무적 지식을 습득합니다. 데이터 준비, 모델 학습 및 배포에 Spark를 활용하는 시점을 학습하는 동시에, Spark ML 및 Spark 기반 Pandas APIs에 대한 실습 경험을 쌓습니다. 이 과정에서는 하이퍼파라미터 튜닝 및 Spark를 활용한 Optuna 스케일링과 같은 고급 개념을 소개합니다. 또한 포괄적인 모델 패키징 및 거버넌스를 위해 어소시에이트 과정에서 소개된 MLflow 및 Unity Catalog와 같은 기능과 개념을 활용합니다.

Advanced Machine Learning Operations

이 과정에서는 머신 러닝 라이프사이클과 MLOps에 대한 포괄적인 이해를 제공하며, 데이터 및 모델 관리, 테스트, 확장 가능한 아키텍처에 대한 모범 사례를 중점적으로 다룹니다. CI/CD, 파이프라인 관리, 환경 분리를 포함한 주요 MLOps 구성 요소를 다루는 동시에, Declarative Automation Bundles(DABs), Lakeflow Jobs, Model Serving과 같은 자동화 및 인프라 관리를 위한 Databricks 도구를 소개합니다. 모니터링, 사용자 정의 메트릭, 드리프트 감지, 모델 롤아웃 전략, A/B 테스트, 그리고 신뢰할 수 있는 MLOps 시스템의 원칙에 대해 학습하여 Databricks에서 ML 프로젝트를 구현하고 관리하는 방법에 대한 전체적인 뷰를 제공합니다.

참고: Databricks Academy는 Databricks 환경 내의 대면 강의 형식을 노트북 기반 방식으로 전환함에 따라, 강의용 슬라이드 사용이 중단됩니다. Vocareum 랩 환경에서 강의용 노트북에 액세스할 수 있습니다.

이 과정에서는 머신 러닝 라이프사이클과 MLOps에 대한 포괄적인 이해를 제공하며, 데이터 및 모델 관리, 테스트, 확장 가능한 아키텍처에 대한 모범 사례를 중점적으로 다룹니다. CI/CD, 파이프라인 관리, 환경 분리를 포함한 주요 MLOps 구성 요소를 다루는 동시에, Declarative Automation Bundles(DABs), Lakeflow Jobs, Model Serving과 같은 자동화 및 인프라 관리를 위한 Databricks 도구를 소개합니다. 모니터링, 사용자 정의 메트릭, 드리프트 감지, 모델 롤아웃 전략, A/B 테스트, 그리고 신뢰할 수 있는 MLOps 시스템의 원칙에 대해 학습하여 Databricks에서 ML 프로젝트를 구현하고 관리하는 방법에 대한 전체적인 뷰를 제공합니다.

참고: Databricks Academy는 Databricks 환경 내의 대면 강의 형식을 노트북 기반 방식으로 전환함에 따라, 강의용 슬라이드 사용이 중단됩니다. Vocareum 랩 환경에서 강의용 노트북에 액세스할 수 있습니다.

이 과정에서는 Unity Catalog를 사용하여 Databricks에서 스케일에 맞는 데이터 거버넌스를 구현하는 방법을 학습합니다. 속성 기반 액세스 제어, 관찰 가능성, 페더레이션 공유에 중점을 두며, 거버넌스가 적용된 태그로 ABAC를 구성하고, 레거시 세분화 제어에서 마이그레이션하고, 감사 및 비용 모니터링을 위한 시스템 테이블을 활성화 및 사용하고, 데이터 및 모델 품질을 위한 데이터 품질 모니터링을 배포하고, 영향 분석 및 규정 준수를 위한 리니지를 해석하고, 안전한 크로스 클라우드 협업을 위한 페더레이션 거버넌스 및 Delta Sharing 패턴을 적용합니다.

참고: Databricks Academy는 Databricks 환경 내의 대면 강의 형식을 노트북 기반 방식으로 전환함에 따라, 강의용 슬라이드 사용이 중단됩니다. Vocareum 랩 환경에서 강의용 노트북에 액세스할 수 있습니다.