# 콘텐츠 도메인 2: ML 모델 개발
**Topics**
+ [작업 2.1: 모델링 접근 방식 선택](#machine-learning-engineer-associate-01-domain2-task1)
+ [작업 2.2: 모델 훈련 및 개선](#machine-learning-engineer-associate-01-domain2-task2)
+ [작업 2.3: 모델 성능 분석](#machine-learning-engineer-associate-01-domain2-task3)
## 작업 2.1: 모델링 접근 방식 선택
관련 지식:
+ 비즈니스 문제 해결을 위한 ML 알고리즘의 기능 및 적절한 사용
+ 특정 비즈니스 문제를 해결하기 위해 AWS 인공 지능 서비스를 사용하는 방법(예: Amazon Translate, Amazon Transcribe, Amazon Rekognition, Amazon Bedrock)
+ 모델 선택 또는 알고리즘 선택 시 해석 가능성을 고려하는 방법
+ Amazon SageMaker AI 기본 제공 알고리즘 및 해당 알고리즘을 적용하는 상황
관련 기술:
+ 사용 가능한 데이터와 문제 복잡도를 평가하여 ML 솔루션의 적합성 결정
+ 특정 문제를 해결하기 위해 적절한 ML 모델 또는 알고리즘 비교 및 선택
+ 기본 제공 알고리즘, 파운데이션 모델 및 솔루션 템플릿 선택(예: SageMaker JumpStart 및 Amazon Bedrock에서)
+ 비용에 따라 모델 또는 알고리즘 선택
+ 일반적인 비즈니스 요구 사항을 해결하기 위한 AI 서비스 선택
## 작업 2.2: 모델 훈련 및 개선
관련 지식:
+ 훈련 프로세스의 요소(예: 에포크, 단계, 배치 크기)
+ 모델 훈련 시간을 줄이는 방법(예: 조기 중지, 분산 훈련)
+ 모델 크기에 영향을 미치는 요인
+ 모델 성능을 개선하는 방법
+ 정규화 기법의 이점(예: 드롭아웃, 가중치 감쇠, L1 및 L2)
+ 하이퍼파라미터 튜닝 기법(예: 무작위 검색, 베이지안 최적화)
+ 모델 하이퍼파라미터 및 모델 성능에 미치는 영향(예: 트리 기반 모델의 트리 수, 신경망의 계층 수)
+ SageMaker AI 외부에서 구축한 모델을 SageMaker AI로 통합하는 방법
관련 기술:
+ SageMaker AI 기본 제공 알고리즘과 공통 ML 라이브러리를 사용하여 ML 모델 개발
+ SageMaker AI 지원 프레임워크와 함께 SageMaker AI 스크립트 모드를 사용하여 모델 훈련(예: TensorFlow, PyTorch)
+ 사용자 지정 데이터세트를 사용하여 사전 훈련된 모델 파인 튜닝(예: Amazon Bedrock, SageMaker JumpStart)
+ 하이퍼파라미터 튜닝 수행(예: SageMaker AI 자동 모델 튜닝(AMT) 사용)
+ 자동화된 하이퍼파라미터 최적화 기능 통합
+ 모델 과적합, 과소적합 및 치명적인 망각 방지(예: 정규화 기법, 특성 선택 사용)
+ 여러 훈련 모델을 결합하여 성능 향상(예: 앙상블, 스태킹, 부스팅)
+ 모델 크기 축소(예: 데이터 유형 변경, 정리, 특성 선택 업데이트, 압축)
+ 반복성 및 감사를 위한 모델 버전 관리(예: SageMaker Model Registry 사용)
## 작업 2.3: 모델 성능 분석
관련 지식:
+ 모델 평가 기법 및 지표(예: 혼동 행렬, 히트 맵, F1 점수, 정확도, 정밀도, 리콜, 루트 평균 제곱 오차(RMSE), 수신기 작동 특성(ROC), ROC 곡선 아래 면적(AUC))
+ 성능 기준선을 만드는 방법
+ 모델 과적합 및 과소적합을 식별하는 방법
+ ML 훈련 데이터 및 모델에 대한 인사이트를 얻기 위해 SageMaker Clarify에서 사용할 수 있는 지표
+ 수렴 문제
관련 기술:
+ 평가 지표 선택 및 해석, 모델 편향성 감지
+ 모델 성능, 훈련 시간, 비용 간의 절충점 평가
+ AWS 서비스를 사용하여 재현 가능한 실험 수행
+ 섀도 변형의 성능을 프로덕션 변형의 성능과 비교
+ SageMaker Clarify를 사용하여 모델 출력 해석
+ SageMaker Model Debugger를 사용하여 모델 컨버전스 디버깅