마스터 머신 러닝 배포를 위한 10개의 GitHub 리포지토리

작성자별 이미지

# 소개

대학이나 직장에서 수많은 기계 학습 모델을 훈련했을 수도 있지만 누구나 API나 웹 앱을 통해 사용할 수 있도록 배포한 적이 있습니까? 배포는 모델이 제품이 되는 곳이며, 현대 ML에서 가장 가치 있고 과소평가된 기술 중 하나입니다.

이 기사에서는 기계 학습 배포를 마스터하기 위한 10개의 GitHub 리포지토리를 살펴보겠습니다. 이러한 커뮤니티 중심 프로젝트, 예제, 강좌 및 엄선된 리소스 목록은 모델을 패키징하고, API를 통해 노출하고, 클라우드에 배포하고, 실제로 출시하고 공유할 수 있는 실제 ML 기반 애플리케이션을 구축하는 방법을 배우는 데 도움이 됩니다.

// 1. MLOps Zoomcamp

저장소: DataTalksClub/mlops-zoomcamp

이 리포지토리는 ML 서비스 프로덕션에 대한 무료 9주 과정인 MLOps Zoomcamp를 제공합니다.

6개의 구조화된 모듈, 실습 워크숍 및 최종 프로젝트를 통해 교육부터 배포, 모니터링까지 MLOps 기본 사항을 배우게 됩니다. Python, Docker, ML 기본 사항을 배우는 학습자를 위해 Slack을 통한 커뮤니티 지원을 통해 코호트 기반(2025년 5월 5일부터) 또는 자율 학습이 가능합니다.

// 2. ML로 제작

저장소: GokuMohandas/Made-With-ML

이 리포지토리는 엔드 투 엔드 ML 시스템을 구축하는 방법을 가르치는 프로덕션 수준의 ML 과정을 제공합니다.

실험 추적부터 모델 제공까지 MLOps 기본 사항을 학습합니다. 지속적인 배포를 위해 CI/CD 파이프라인을 구현합니다. Ray/Anyscale로 워크로드를 확장합니다. 신뢰할 수 있는 추론 API를 배포하여 테스트되고 소프트웨어 엔지니어링된 Python 스크립트를 통해 ML 실험을 프로덕션 지원 애플리케이션으로 변환합니다.

// 3. 머신러닝 시스템 설계

저장소: Chiphuyen/머신러닝 시스템 설계

이 저장소는 프로젝트 설정, 데이터 파이프라인, 모델링 및 제공을 다루는 기계 학습 시스템 설계에 대한 소책자를 제공합니다.

주요 기술 기업의 사례 연구를 통해 실용적인 원칙을 배우고, 커뮤니티에서 제공한 답변이 포함된 27개의 개방형 인터뷰 질문을 살펴보고, 프로덕션 ML 시스템 구축을 위한 리소스를 찾아보세요.

// 4. 프로덕션 수준 딥러닝 가이드

저장소: alirezadir/생산 수준-심층 학습

이 저장소는 프로덕션 수준의 딥 러닝 시스템 설계에 대한 가이드를 제공합니다.

주요 기술 회사의 ML 엔지니어가 제공하는 실용적인 리소스와 실제 사례 연구를 통해 프로젝트 설정, 데이터 파이프라인, 모델링, 서비스라는 네 가지 주요 단계를 배우게 됩니다.

이 가이드에는 커뮤니티에서 제공한 답변과 함께 27개의 개방형 인터뷰 질문이 포함되어 있습니다.

// 5. 프로덕션 도서의 딥러닝

저장소: The-AI-Summer/딥러닝-프로덕션

이 리포지토리는 강력한 ML 애플리케이션 구축에 대한 포괄적인 책인 Deep Learning In Production을 제공합니다.

DL 코드 작성 및 테스트, 효율적인 데이터 파이프라인 구성, Flask/uWSGI/Nginx를 사용한 모델 제공, Docker/Kubernetes를 사용한 배포, TensorFlow Extended 및 Google Cloud를 사용한 엔드 투 엔드 MLOps 구현에 대한 권장사항을 배우게 됩니다.

DL에 입문하는 소프트웨어 엔지니어, 소프트웨어 배경이 제한된 연구원, 프로덕션에 바로 사용할 수 있는 기술을 원하는 ML 엔지니어에게 이상적입니다.

// 6. 기계 학습 + Kafka Streams 예제

저장소: kaiwaehner/kafka-streams-머신러닝-예제

이 리포지토리는 Apache Kafka 및 해당 Streams API를 사용하여 프로덕션에 분석 모델을 배포하는 방법을 보여줍니다.

TensorFlow, Keras, H2O 및 DeepLearning4J 모델을 확장 가능한 스트리밍 파이프라인에 통합하는 방법을 배웁니다. 단위 테스트를 통해 비행 지연 예측 및 이미지 인식과 같은 미션 크리티컬 사용 사례를 구현합니다. 강력하고 프로덕션에 즉시 사용 가능한 ML 인프라를 위해 Kafka의 생태계를 활용하세요.

// 7. Tensor 코어를 위한 NVIDIA 딥 러닝 예시

저장소: NVIDIA/DeepLearning예제

이 리포지토리는 Volta, Turing 및 Ampere GPU의 NVIDIA Tensor 코어에 최적화된 최첨단 딥 러닝 예제를 제공합니다.

PyTorch 및 TensorFlow와 같은 프레임워크를 사용하여 컴퓨터 비전, NLP, 추천 시스템 및 음성 전반에 걸쳐 고성능 모델을 훈련하고 배포하는 방법을 배웁니다. 최대 처리량을 위해 자동 혼합 정밀도, 다중 GPU/노드 교육 및 TensorRT/ONNX 변환을 활용합니다.

// 8. 놀라운 생산 기계 학습

저장소: EthicalML/굉장한 생산 기계 학습

이 저장소는 프로덕션 기계 학습을 위한 포괄적인 오픈 소스 라이브러리 목록을 선별합니다.

분류된 도구 목록을 통해 MLOps 생태계를 탐색하고, 내장된 검색 도구 키트를 사용하여 배포, 모니터링 및 확장을 위한 솔루션을 찾고, AutoML에서 모델 제공에 이르기까지 모든 것을 다루는 월간 커뮤니티 업데이트를 최신 상태로 유지하는 방법을 배우게 됩니다.

// 9. MLOps 과정

저장소: GokuMohandas/mlops-course

이 리포지토리는 ML 실험부터 프로덕션 배포까지 안내하는 포괄적인 MLOps 과정을 제공합니다.

소프트웨어 엔지니어링 모범 사례에 따라 프로덕션급 ML 애플리케이션을 구축하는 방법을 배우게 됩니다. Python, Docker 및 클라우드 플랫폼을 사용하여 워크로드를 확장합니다. 실험 추적, 조정, 모델 제공 및 모니터링을 통해 엔드투엔드 파이프라인을 구현합니다. 지속적인 교육 및 배포를 위한 CI/CD 워크플로를 생성합니다.

// 10. MLOP 입문서

저장소: dair-ai/MLOPs-프라이머

이 리포지토리는 ML 모델 배포 기술을 향상하는 데 도움이 되는 필수 MLOps 리소스를 선별합니다.

블로그, 책, 논문을 통해 MLOps 도구 환경, 데이터 중심 AI 원칙 및 생산 시스템 설계를 배우게 됩니다. 실습을 위한 커뮤니티 리소스와 강좌를 찾아보세요. 확장 가능하고 책임감 있는 기계 학습 인프라를 구축하기 위한 기반을 구축하세요.

저장소 맵

다음은 각 저장소가 더 넓은 ML 배포 생태계에 어떻게 적용되는지 이해하는 데 도움이 되는 빠른 비교표입니다.

아비드 알리 아완 (@1abidaliawan)은 기계 학습 모델 구축을 좋아하는 공인 데이터 과학자 전문가입니다. 현재 그는 콘텐츠 제작에 집중하고 있으며 기계 학습 및 데이터 과학 기술에 대한 기술 블로그를 작성하고 있습니다. Abid는 기술 관리 석사 학위와 통신 공학 학사 학위를 보유하고 있습니다. 그의 비전은 정신 질환으로 어려움을 겪고 있는 학생들을 위해 그래프 신경망을 사용하여 AI 제품을 구축하는 것입니다.