★이 책의 특징★ - 성공적인 ML 모델 서비스화를 위한 단계별 실습 진행 - 가상의 은행 사례를 구성한 MLOps 파이프라인 구현 - 초보자도 가능한 머신러닝 모델의 실시간 API 개발과 지속적 배포 경험 - 테스트 주도 개발(TDD)로 구성된 MLOps 파이프라인 개발 과정 안내 - 코드 리팩토링 반영 및 지속적인 코드 업데이트 지원 ★이 책의 대상 독자★ - 기본 시스템 설정부터 체계화된 MLOps 가이드라인이 필요한 개발자 - 가상 사례를 통한 MLOps 구축 프로세스를 경험해 보고 싶은 ML 엔지니어 - MLOps 개발 방법론을 운영 시스템에 접목하고 싶은 데이터 과학자

01장 ML 서비스 이해하기 _1.1 ML 모델 서비스 이해 __1.1.1 대출 시스템 구성 __1.1.2 신용대출 ML 서비스 목표 _1.2 ML 시스템 구성 _1.3 시스템 환경 구성 __1.3.1 Github 프로젝트 가져오기 __1.3.2 JupyterLab 서비스 __1.3.3 MariaDB 서비스 02장 ML 모델 개발 실습하기 _2.1 데이터 수집 __2.1.1 데이터 설명 __2.1.2 데이터 상세 설명 _2.2 ML 모델 개발 __2.2.1 데이터 추출 __2.2.2 데이터 전처리 __2.2.3 모델 학습 __2.2.4 모델 예측 03장 Airflow 프로젝트 생성 및 DAG 개발 _3.1 Apache Airflow 소개 _3.2 프로젝트 환경 설정 __3.2.1 Github 프로젝트 다운로드 __3.2.2 PyCharm 프로젝트 환경 설정 __3.2.3 Apache Airflow 2.7.2 설치 __3.2.4 기타 설정 _3.3 Airflow DAG란? __3.3.1 DAG 정의(Definition) __3.3.2 Task 정의(Definition) __3.3.3 Task 의존성(Dependencies) _3.4 Airflow DAG 개발 __3.4.1 DAG 개발 __3.4.2 DAG 실행 __3.4.3 DAG 결과 확인 _3.5 데이터추출 파이프라인 개발 __3.5.1 준비 사항 __3.5.2 DAG 개발 04장 MLOps 알아보기 _4.1 MLOps란? __4.1.1 MLOps 정의 __4.1.2 MLOps의 탄생 배경 __4.1.3 MLOps의 주요 발전 과정 __4.1.4 DevOps와 MLOps 차이점 _4.2 MLOps의 원칙 __4.2.1 테스트(Testing) __4.2.2 모니터링(Monitoring) __4.2.3 버전 관리(Versioning) __4.2.4 지속적인 X(Continuous X) __4.2.5 자동화(Automation) __4.2.6 재현성(Reproducibility) _4.3 MLOps 필요성 _4.4 MLOps 목표 _4.5 MLOps 라이프사이클 __4.5.1 ML 개발 __4.5.2 학습 조작화 __4.5.3 지속적 학습 __4.5.4 모델 배포 __4.5.5 예측 서빙 __4.5.6 지속적 모니터링 __4.5.7 데이터 및 모델 관리 _4.6 MLOps 성숙도 수준 __4.6.1 MLOps 0단계 __4.6.2 MLOps 1단계 __4.6.3 MLOps 2단계 05장 MLOps 수준 0: 배치 ML 파이프라인 구현 _5.1 Empty Task DAG 개발 _5.2 데이터 추출 Task 구현 __5.2.1 패키지 및 파일 생성 __5.2.2 데이터 처리 SQL 작성 __5.2.3 DAG Task 기능 추가 __5.2.4 테스트 코드 추가 _5.3 데이터 전처리 Task 구현 __5.3.1 패키지 및 파일 생성 __5.3.2 Preparation 클래스 생성 및 테스트 코드 추가 __5.3.3 Preparation 클래스 개발 __5.3.4 Preparation 클래스 리팩토링 __5.3.5 Docker 이미지 개발 __5.3.6 DAG Task 추가 _5.4 예측 Task 구현 __5.4.1 패키지 및 파일 생성 __5.4.2 Prediction 클래스 생성 및 테스트 코드 추가 __5.4.3 Prediction 클래스 개발 __5.4.4 Prediction 클래스 리팩토링 __5.4.5 Docker 이미지 추가 개발 __5.4.6 DAG Task 추가 _5.5 서비스 적용 __5.5.1 스케줄 시작 06장 MLOps 수준 1: 지속적 학습 ML 파이프라인 _6.1 Empty Task DAG 개발 _6.2 데이터 추출 Task 구현 __6.2.1 패키지 및 파일 생성 __6.2.2 데이터 처리 SQL 작성 __6.2.3 DAG Task 기능 추가 __6.2.4 테스트 코드 추가 _6.3 데이터 전처리 Task 구현 __6.3.1 Preparation 클래스 생성 및 테스트 코드 추가 __6.3.2 Preparation 클래스 개발 __6.3.3 Docker 이미지 개발 __6.3.4 DAG Task 추가 _6.4 모델 학습 및 모델 평가 Task 구현 __6.4.1 Training 클래스 생성 및 테스트 코드 추가 __6.4.2 Training 클래스 개발 __6.4.3 Docker 이미지 추가 개발 __6.4.4 DAG Task 추가 _6.5 모델 버전 관리 구현 __6.5.1 모델 버전이란? __6.5.2 지속적 학습 로깅 개발 __6.5.3 모델 버전 관리 개발 __6.5.4 Training 클래스 적용 07장 MLOps 수준 1: ML 모델 API 개발 _7.1 FastAPI 맛보기 __7.1.1 FastAPI란? __7.1.2 프로젝트 생성 __7.1.3 Hello World _7.2 모델 실시간 API 개발 __7.2.1 _ _main_ _ 블록 추가 __7.2.2 라우트(Route) 개발 __7.2.3 서비스 클래스 개발 __7.2.4 모델 자원 로드 __7.2.5 데이터 전처리 개발 __7.2.6 모델 예측 개발 __7.2.7 모델 API 로그 개발 __7.2.8 도커 이미지 개발 08장 MLOps 수준 1: ML 모델 지속적 배포 _8.1 ML 모델 API 가용성 __8.1.1 Nginx 서비스 구성 __8.1.2 Nginx를 이용한 Reverse proxy 설정 _8.2 ML 모델 지속적 배포 __8.2.1 CT모델버전 및 CT모델학습기준일 Task 개발 __8.2.2 대상서비스확인 Task 개발 __8.2.3 모델 서비스 재시작 Task 개발 __8.2.4 지속적 배포 Trigger 개발