ㅁ AutoML

ㅇ 정의:
– AutoML(Automated Machine Learning)은 데이터 전처리, 모델 선택, 하이퍼파라미터 튜닝, 평가 등 머신러닝 파이프라인의 전 과정을 자동화하는 기술.
– 머신러닝 전문가가 아닌 사람도 효율적으로 모델을 개발할 수 있도록 지원.

ㅇ 특징:
– 데이터 전처리 자동화(결측치 처리, 특성 스케일링 등)
– 모델 후보 자동 탐색 및 성능 비교
– 하이퍼파라미터 최적화 자동 수행
– 코드 작성 최소화 및 GUI 지원 가능

ㅇ 적합한 경우:
– 머신러닝 전문 인력이 부족한 조직
– 빠른 모델 프로토타입 필요 시
– 다양한 모델을 시도해볼 시간과 자원이 제한된 경우

ㅇ 시험 함정:
– AutoML은 “모델 학습만” 자동화하는 것으로 착각 → 전처리, 튜닝까지 포함함
– AutoML 사용 시 항상 최고의 성능을 보장한다는 오해 → 데이터 품질에 따라 성능 차이 큼
– AutoML이 ‘완전한’ AI 개발 대체라고 혼동 → 커스터마이징과 해석은 여전히 필요

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) AutoML은 하이퍼파라미터 최적화 과정을 자동으로 수행한다.
– (X) AutoML은 데이터 전처리를 지원하지 않는다.
– (O) AutoML은 비전문가도 머신러닝 모델을 만들 수 있게 돕는다.

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

1. H2O.ai

ㅇ 정의:
– 오픈소스 기반의 머신러닝/딥러닝 AutoML 플랫폼으로, H2O AutoML 기능을 제공.
– 대규모 데이터셋 처리와 분산 학습 지원.

ㅇ 특징:
– R, Python, Java 등 다양한 언어 API 지원
– 분산 환경에서의 빠른 학습 속도
– 다양한 지도학습 알고리즘 지원(GBM, Random Forest, Deep Learning 등)
– 웹 기반 UI인 Flow 제공

ㅇ 적합한 경우:
– 대규모 데이터 처리 필요
– 다양한 언어 환경에서 AutoML을 적용해야 하는 경우
– 오픈소스 기반 확장성과 커스터마이징이 필요한 경우

ㅇ 시험 함정:
– H2O.ai는 상용 서비스만 제공한다고 오해 → 오픈소스 버전 존재
– H2O.ai는 딥러닝만 지원한다고 착각 → 전통적인 ML 알고리즘도 지원

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) H2O.ai는 오픈소스 기반 AutoML 플랫폼이다.
– (X) H2O.ai는 Python만 지원한다.
– (O) H2O.ai는 분산 학습을 지원한다.

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

2. Auto-sklearn

ㅇ 정의:
– Python의 scikit-learn 패키지를 기반으로 한 AutoML 라이브러리.
– Bayesian Optimization, 메타러닝, 앙상블을 활용한 모델 자동 탐색.

ㅇ 특징:
– scikit-learn의 익숙한 API 사용 가능
– 메타러닝 기반 초기 후보 모델 설정
– 자동 앙상블 생성으로 성능 향상
– 설치 및 사용이 비교적 간단

ㅇ 적합한 경우:
– Python 환경에서 빠르게 AutoML 적용 필요
– 소규모~중간 규모 데이터셋
– scikit-learn 사용자

ㅇ 시험 함정:
– Auto-sklearn은 대규모 분산 학습을 지원하지 않음 → 로컬·단일 머신 환경 중심
– Auto-sklearn은 딥러닝 모델을 기본 지원하지 않음

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) Auto-sklearn은 scikit-learn API를 활용한다.
– (X) Auto-sklearn은 딥러닝 모델에 특화되어 있다.
– (O) Auto-sklearn은 Bayesian Optimization을 활용한다.

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

3. Google AutoML

ㅇ 정의:
– Google Cloud Platform에서 제공하는 상용 AutoML 서비스.
– 클라우드 기반으로 이미지, 텍스트, 비전, 구조 데이터 모델을 자동 생성.

ㅇ 특징:
– GUI 중심의 사용 편의성
– Google Cloud 인프라 활용 가능
– Vision, Natural Language, Tables 등 도메인별 AutoML 제공
– 대규모 데이터 처리 및 배포 용이

ㅇ 적합한 경우:
– 클라우드 환경에서 빠른 모델 개발 필요
– 인프라 구축 없이 AutoML 기능을 활용하려는 경우
– 비전, NLP 등 특정 도메인 모델이 필요한 경우

ㅇ 시험 함정:
– Google AutoML은 오픈소스가 아님 → 상용 서비스
– Google AutoML은 오직 이미지 데이터만 지원한다고 착각 → 텍스트, 표 데이터도 지원

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) Google AutoML은 클라우드 기반 서비스이다.
– (X) Google AutoML은 로컬 PC에서만 동작한다.
– (O) Google AutoML은 이미지, 텍스트, 표 데이터 모두 지원한다.

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

4. AutoKeras

ㅇ 정의:
– Keras/TensorFlow 기반의 오픈소스 AutoML 라이브러리.
– 딥러닝 모델 구조 탐색과 하이퍼파라미터 튜닝 자동화.

ㅇ 특징:
– Neural Architecture Search(NAS) 지원
– 이미지, 텍스트, 구조 데이터 지원
– Keras API와 호환성 높음
– GPU 활용 가능

ㅇ 적합한 경우:
– 딥러닝 모델 개발에 AutoML 적용 필요
– Python+Keras 환경 사용자
– NAS 기반 모델 탐색을 원하는 경우

ㅇ 시험 함정:
– AutoKeras는 머신러닝 전통 알고리즘을 지원하지 않음 → 딥러닝 중심
– AutoKeras가 Google에서 개발한 것으로 오해 → Texas A&M University 연구팀 개발 시작

ㅇ 시험 대비 “패턴 보기” 예시:
– (O) AutoKeras는 NAS 기능을 제공한다.
– (X) AutoKeras는 Scikit-learn 기반이다.
– (O) AutoKeras는 딥러닝 모델에 특화되어 있다.

—

원하시면 제가 이 내용을 **한 장짜리 시험 대비 요약표**로도 만들어 드릴 수 있습니다.
그렇게 하면 암기 효율이 훨씬 높아집니다.
원하시나요?