1) 강의 [P] Product Serving Part 4: 심화 소재 4.1 BentoML 4.2 Airflow 4.3 머신러닝 디자인 패턴 4.4 앞으로 더 공부하면 좋을 내용 2) 피어세션 정리 파이널 프로젝트 토의 면접 대비 [Federated Learning] 3) 학습 회고 건강관리 잘하자

Federated Learning (Collaborative Learning) Definition 다수의 로컬 클라이언트와 하나의 중앙 서버가 협력하여 데이터가 탈중앙화된 상황에서 글로벌 모델을 학습하는 기술 Background 모바일 환경의 어려움 privacy 에 취약한 Centralized Server System High Latency How to do 최신 AI model을 다운받아 각자의 data로 학습시킨 model을 올려 보내 Model 값을 기반으로 Cloud 에서 Globalization을 통해 User들이 다시 이 모델을 주기적으로 다운 받음 Difference with Distributed learning 분산학습 : 데이터를 중앙에서 모아 여러 컴퓨팅 리소스로 분산(multiple..

1) 강의 [P] Product Serving Part 3: 더 완성화된 제품으로 3.1 FastAPI 3.2 Docker 3.3 Logging 3.4 MLFlow Special Mission 2: FastAPI로 백엔드 구성하기 2) 피어세션 정리 파이널 프로젝트 토의 멘토링 면접 대비 [Federated Learning] 3) 학습 회고 프로젝트 범위를 줄여야겠다.

1) 강의 [P] Product Serving Part 2: 프로토타입부터 점진적으로 개선하기 2.1 프로토타이핑 - Notebook 베이스(Voila) 2.2 프로토타이핑 - 웹 서비스 형태(Streamlit) 2.3 Linux & Shell Command 2.4 Cloud 2.5 Github Action을 활용한 CI/CD Special Mission 1: Streamlit으로 프로토타입 만들기 2) 피어세션 정리 파이널 프로젝트 토의 현상 파악, 문제 정의 면접 대비[Few-shot Learning] 3) 학습 회고 문제 정의부터 쉽지 않다.

1) 강의 [P] Product Serving Part 1: Product Serving 개론 1.1 강의 진행 방식 1.2 MLOps 개론 1.3 Model Serving 1.4 머신러닝 프로젝트 라이프 사이클 2) 피어세션 정리 파이널 프로젝트 토의 데이터 확인 면접 대비[transformer] 3) 학습 회고 한국어 문법에 너무 많은 규칙들이 있어서 직접 봐도 어렵다.

1) 피어세션 정리 파이널 프로젝트 토의 멘토링 2) 학습 회고 멘토링과 스페셜 피어세션을 통해 많은 인사이트를 공유했다.