[REVIEW] AutoSmart: An Efficient and Automatic Machine Learning framework for Temporal Relational Data 리뷰, review
안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A..
2023. 5. 14.
[Review] AutoML-Zero: Evolving Machine Learning Algorithms From Scratch 리뷰, review
안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A..
2023. 5. 5.
[Review] Effective Data Cleaning with Continuous Evaluation 리뷰, review
안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A..
2022. 12. 31.
[Review] Generative Adversarial Nets (GAN) 리뷰, REVIEW
안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A..
2022. 12. 11.
[Review] Recognition from Web Data A Progressive Filtering Approach 리뷰, review
안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A..
2022. 12. 11.
[AutoML] WandB (W&B)란? Sweeps 개념, 정리, 설명
안녕하세요, HELLO 머신러닝 혹은 딥러닝 프로젝트를 진행하면서, 원하는 결과를 달성하기 위해 다양한 모델과 이에 따라 여러 가지 hyper parameter를 변경하면서 실험을 이어갔습니다. parameter를 변경하며, 각 수치 및 결과를 정리하면서 모델을 훈련해갔습니다. 하지만, 훈련 과정이 길어지고, 기록을 남기는 과정에서 아래와 같은 한계점을 느꼈습니다. Hyper parameter 변경, 성능 확인, 개선 작업에서 생산성이 떨어졌습니다. 실험의 복잡성, 긴 시간의 실험 과정 등으로 인해 점차 실험 관리가 어려워졌습니다. 여러 실험 결과를 비교하는 문서 관리가 번거로워졌습니다. 마찬가지로, 결과 공유, 전달을 위해 보고서를 작성하는데 정리가 어려웠습니다. 회사 동료는 WandB를 통해서 모델 ..
2022. 9. 11.
