본캠프_11주차(금)_TIL(시계열)

✅ 오늘 한 것

데이터 분석 & 머신러닝 복습, 시계열 복습, Streamlit 라이브세션

---

✏️ 오늘 배운 점

시계열

MLops: 머신 러닝 모델을 프로덕션으로 전환하는 프로세스를 간소화하고, 뒤이어 이를 유지관리하고 모니터링하는 데 주안점을 둔 머신 러닝 엔지니어링의 핵심 기능

- MLops의 구성 요소

1. CI (Continuous Integration, 지속적 통합): 코드의 변경사항을 정기적으로 빌드 및 테스트하고 공유 리포지토리에 통합

2. CD (Continuous Deployment, 지속적 배포): 파이프라인, 모델 등 예측 서비스를 자동으로 배포

3. CT (Continuous Training, 지속적 학습): 데이터가 업데이트될 때마다 자동으로 학습 및 업데이트

 

모델 서빙: 학습(Train)된 머신러닝/딥러닝 모델을 실제 서비스, 시스템, 사용자에게 사용할 수 있도록 배포하고 운영하는 과정

- 모델 서빙 방법

1. ML prediction 결과를 databas에 저장한다.

2. API를 사용하여 필요한 서비스가 호출해서 쓸 수 있도록 만듦

 

Backend: 보이지 않는 곳에서 핵심 로직 처리

Frontend: 사용자 눈에 보이는 화면 

Backend(FastAPI) -> HTTP Request(JSON 데이터) -> Frontend(Streamlit)

FastAPI: 백엔드 서버로서 데이터 생성, 모델 학습, 예측 API 제공

Streamlit: 사용자 눈에 보이는 프론트엔드 대시보드 역할 수행

 

모놀리식 아키텍쳐(Monolithic Architecture): 모든 소프트웨어의 구성요소가 한 프로젝트에 통합

마이크로서비스 아키텍쳐(MicroService Architecture, MSA): 여러 개의 작은 서비스 유닛을 쪼개어 운영

IP(Internate Protocol): 컴퓨터(서버)의 주소에 해당. 127.0.0.1 혹은 localhost는 내 컴퓨터를 가르키는 주소

Port(포트): 한 서버 내에서의 호수(Room Number)

Ex) 8080: FastAPI, 8501: Streamlit

 

도커: 프로그램 실행에 필요한 모든 환경을 하나로 싸서 옮겨다닐 수 있게 해주는 상자

---

✏️ 오늘의 질문

기획 단계부터 대시보드에 대한 생각을 함께 구상하는 연습이 되어야 이후 예측 및 대시보드 구성까지 수행할 수 있다.

---

📌추가로 해야 할 점

데이터 분석 & 머신러닝 복습, Streamlit 라이브세션