0. 공부 순서

서론

석사기간동안 ML/DL을 다양한 분야에 적용시키면서 논문도 쓰면서 다양한 노력을 해왔다.
하지만, 석사졸업논문을 준비할때쯤, ML/DL 모델 설계에 흥미를 느끼기 보다는, 이를 위한 인프라 구축에 흥미가 더 있었다.
졸업 이후 이에 대해 좀 더 알아보니 이 분야는 데이터 엔지니어, MLOps, DevOps, 데이터 플랫폼 엔지니어와 같은 형식으로 인력을 충원하는것을 보았다.
이 분야에서 일을 해보고도 싶고, 이 분야에서 전문가가 되고 싶었기에 이에 대한 공부를 하기로 하였다.
코세라의 정규 course를 밟아보면서 누군가에게 설명할 수 있는 수준까지 일궈내고자 블로그에 정리해보려한다.
목표는 딥러닝의 이해를 가진 데이터 엔지니어 및 MLOps 개발자이
이를 위해서는 다음과 같은 역량이 필요하다고 생각한다.

1) AI 서비스를 디자인과 구현
2) 모델 training 자동화를 위한 데이터 파이프라인 설계 및 최적화
3) 모델 Serving을 위한 inferencing 파이프라인 설계 및 최적화
4) 모델 퍼포먼스 향상을 위한 hyperparameter 최적화

위 4가지를 할 줄 알아야한다고 생각한다.(+코딩테스트 통과를 위한 공부는 덤)

진행할 순서

기본버전

1. DNN 기본- house price
2. DNN 기본- Fachion MNIST & Handwritting MNIST using DNN
3. CNN 기본- Enhanced Computer Vision at Fachion MNIST
4. CNN 기본- Enhanced Computer Vision using ImageGenerator
5. RNN 기본-
6. RNN 기본-
7. RNN 기본-
8. RNN 기본-

심화버전

1. DNN 심화- 
2. DNN 심화- 
3. CNN 심화- 
4. CNN 심화- 
5. RNN 심화- 
6. RNN 심화- 

(참고)코세라 강의 순서

• DeepLearning.AI TensorFlow 개발자 전문 자격증
  • Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
  • Convolutional Neural Networks in TensorFlow
  • Natural Language Processing in TensorFlow
  • Sequences, Time Series and Prediction
• IBM Data Engineering foundations & Data Engineering certificates
  • Introduction to Data Engineering
  • Python for Data Science, AI & Development
  • Databases and SQL for Data Science with Python
  • Python Project for Data Engineering
  • Introduction to Relational Databases (RDBMS)
  • Relational Database Administration (DBA)
  • ETL and Data Pipelines with Shell, Airflow and Kafka
  • Getting Started with Data Warehousing and BI Analytics

들어야할 강의가 생각보다 산더미인데, DL course부터 해결하고 진행하도록 하자.