어쩌다통계

이 글이 도움 되셨다면 광고 클릭 부탁드립니다 최근 pandas2.0/autogluon 등 새로운 라이브러리들이 써보고 싶어서 pip로 무지성 업그레이드를 해버렸고, 배치로 돌아가던 ML모델이 돌아가지 않는 이슈를 맞이했습니다;; 영영 옛 버전의 라이브러리를 사용할 수 없기에 분리 환경을 구축해보려고 합니다. 단순하게 분리되는 환경은 가상환경을 만들어 사용할 수 있겠지만, 라이브러리 간의 의존성 관리부터 패키징까지 편하게 도와주는 Poetry를 이번 기회에 셋팅해보려고 합니다. https://python-poetry.org/docs/Introduction | Documentation | Poetry - Python dependency management and packaging made easyIf yo..

이 글이 도움 되셨다면 광고 클릭 부탁드립니다 : ) 오랜만에 이상치 탐지 방법론 리뷰를 해보려고 합니다. 어떤 방법론을 공부해볼까 하고 찾아보다 2023년에 나온 Deep Isolation Forest for Anomaly Detection, DIF라는 Isolation Forest 기반의 딥러닝 방법론이 있어 살펴보려고 합니다. PyOD 라이브러리에 들어가 있어서 실제 적용도 간단하게 해 볼 수 있을 것 같네요. https://slowsteadystat.tistory.com/25 PyOD 라이브러리로 간단하게 이상치 탐지하기 이 글이 도움되셨다면 광고 클릭 부탁드립니다 : ) 이상치 탐지를 하다 보면 데이터에 맞는 방법들이 있어 여러 가지 방법들을 적용해보는 편인데, 아무래도 일관성이 떨어지다 보니 ..

이 글이 도움되셨다면 광고 클릭 부탁드립니다 : ) 이번 포스트에서는 2020년 9월에 공개된 추천시스템 라이브러리인 TensorFlow Recommenders의 대략적인 컨셉에 대해 알아보고 예제 데이터로 모델이 어떻게 돌아가지는 지 살펴보겠습니다. 최근 추천 관련 대회를 준비하면서 여러 가지 추천 방법론을 시도해 보았는데, 그중 나름 성능이 괜찮았던 TFRS에 대해 한번 정리해보려고 합니다. 추천 시스템?! 일상생활에서 많이 접해보셨을텐데요, 사용자의 취향에 맞는 상품, 컨텐츠를 추천해 주어 사용자에게는 맞춤 서비스를 제공할 수 있고 기업에서는 매출을 증가시키거나 사이트 체류시간을 높일 수 있을 것 입니다. McKindsey의 조사에 따르면, 아래와 같이 각종 서비스에서 추천 시스템은 주요한 역할을 ..

이 글이 도움 되셨다면 광고 클릭 부탁드립니다 : ) 이번 포스트에서는 MemAE에 대해 정리해보려고 합니다. 작년에 봤던 논문이라 다소 설명이 부족한 부분이 있을 수도 있겠네요...! 그래도 더 잊어버리기 전에 간단하게 정리를 해보겠습니다. 우선 MemAE는 2019년에 발표된 논문으로 풀네임은 Memorizing Normality to Detect Anomaly : Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection입니다. 23년 4월 기준으로 816회 인용되었고 논문은 아래 링크로 확인 가능합니다. https://openaccess.thecvf.com/content_ICCV_2019/papers/Gong_Memorizing_No..

이 글이 도움되셨다면 광고 클릭 부탁드립니다 : ) 오늘은 2018년에 나온 Deep SVDD에 대해 간단하게 살펴보겠습니다. 22년에 봤던 논문인데 이제야... 정리하네요 ㅎㅎ 23년 4월 기준 1347회 인용되었고, 논문은 아래 링크 참고 부탁드립니다! Deep One-Class Classification, http://proceedings.mlr.press/v80/ruff18a/ruff18a.pdf Deep SVDD란?! Deep SVDD는 기존 머신러닝 기반의 one-class classification 방법론인 support vector data description (SVDD)에 딥러닝을 접목한 방법론입니다. neural network를 통해 input을 feature space로 mappin..

이 글이 도움 되셨다면 광고 클릭 부탁드립니다 : ) 이번 포스트에서는 실제 데이터를 가지고 모델 학습-배포하는 전체 과정을 차근차근 실습해보려고 합니다. 간단하게 보면, 모델학습 -> BentoML로 모델 저장/도커 이미지 생성 -> k8s에 배포 -> Prometheus&Grafana로 모니터링 순으로 진행해 보겠습니다. 0. 준비물 아래 모든 실습 과정은 Virtual Box에서 우분투 이미지로 구축한 리눅스 터미널에서 진행하였습니다. 리눅스 환경 Virtual Box 7.0, https://www.virtualbox.org/ 우분투 이미지 20.04, https://releases.ubuntu.com/focal/ docker : containerization(컨테이너화)을 위한 도구 k8s : c..