ㅁ AutoML

ㅇ 정의:
사용자가 모델 선택, 하이퍼파라미터 튜닝, 전처리 과정을 자동화할 수 있도록 지원하는 머신러닝 자동화 기술.

ㅇ 특징:
– 데이터 전처리, 특징 선택, 알고리즘 선택, 하이퍼파라미터 최적화를 자동으로 수행.
– 비전문가도 머신러닝 모델을 쉽게 구축 가능.
– 모델 성능 향상을 위해 메타러닝, 앙상블 기법 등을 활용.

ㅇ 적합한 경우:
– 데이터 과학 인력이 부족한 조직.
– 빠른 프로토타입 모델 개발이 필요한 경우.
– 다양한 알고리즘을 테스트할 시간이 부족한 경우.

ㅇ 시험 함정:
– AutoML이 모든 상황에서 최적의 모델을 보장하는 것은 아님.
– 데이터 품질 문제는 자동화로 해결되지 않음.
– 모델 해석 가능성이 낮아질 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “AutoML은 모델 선택과 하이퍼파라미터 튜닝을 자동화한다.”
X: “AutoML은 데이터 품질 문제를 자동으로 해결한다.”

================================

1. Auto-sklearn

ㅇ 정의:
Python 기반의 scikit-learn 라이브러리를 확장하여, 모델 선택과 하이퍼파라미터 튜닝을 자동화하는 AutoML 프레임워크.

ㅇ 특징:
– Bayesian Optimization을 활용한 하이퍼파라미터 탐색.
– 메타러닝으로 과거 유사 데이터셋의 성능 정보를 활용.
– 앙상블 빌더를 통한 최종 모델 성능 향상.
– scikit-learn과 호환되어 기존 코드에 쉽게 통합 가능.

ㅇ 적합한 경우:
– scikit-learn 기반 프로젝트에서 자동화된 모델 탐색이 필요한 경우.
– 다양한 알고리즘을 빠르게 비교·평가하고 싶은 경우.
– 모델 성능 튜닝에 소요되는 시간을 단축하고 싶은 경우.

ㅇ 시험 함정:
– Auto-sklearn은 GPU 가속을 기본 지원하지 않음.
– Auto-sklearn이 항상 딥러닝 모델을 포함하는 것은 아님.
– 데이터 전처리의 모든 단계를 자동화하지 않음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Auto-sklearn은 Bayesian Optimization을 활용해 하이퍼파라미터를 최적화한다.”
X: “Auto-sklearn은 기본적으로 GPU 연산을 지원한다.”

ㅁ 추가 학습 내용

Auto-sklearn은 자동 머신러닝 도구로, 내부적으로 메타러닝과 Bayesian Optimization을 활용한다.
메타러닝 단계에서는 과거 데이터셋의 메타 특성을 분석하여, 현재 문제에 적합할 가능성이 높은 초기 후보 모델을 선택한다.
이후 Bayesian Optimization을 통해 탐색과 활용의 균형을 조절하며 최적의 모델과 하이퍼파라미터를 찾아간다.

Auto-sklearn은 scikit-learn의 파이프라인 구조를 기반으로 동작하므로, 데이터 전처리 과정(결측치 처리, 스케일링, 인코딩 등)도 자동 탐색 대상에 포함된다.

시험에서는 Auto-sklearn이 딥러닝 프레임워크와 직접 통합된다고 잘못된 정보를 제시하거나, GPU 가속 지원 여부를 혼동시키는 함정 문제가 출제될 수 있으므로 정확히 구분할 수 있어야 한다.