모델 서빙과 관련된 강좌 출시 예정된 바가 있으신지 여쭤봅니다!

안녕하십니까, 제가 이 강의 이후 후속 강의를 모델 서빙 강의를 할지 고민하고 있다고 말씀은 드렸는데, 지금 진행하고 있는 일이 너무 많아서, 모델 서빙 강의는 당분간 어려울 것 같습니다. . 성원에 보답하지 못해서 아쉽지만, 양해 부탁드립니다. 감사합니다.

모델 서빙과 관련된 강좌가 출시되는지 질문드립니다.

안녕하십니까, 이 강의는 아니고, FastAPI 강의에서 제가 마지막쯤에 후속 강의를 모델 서빙 강의를 할지 고민하고 있다고 말씀은 드렸는데, 지금 진행하고 있는 일이 너무 많아서, 모델 서빙 강의는 당분간 어려울 것 같습니다. . 성원에 보답하지 못해서 아쉽지만, 양해 부탁드립니다. 감사합니다.

강사님 안녕하세요 ㅎdatabricks환경에 대한 설

안녕하십니까, 강의 소개 영상이 예전에 작성된거라, 바로 이어지는 다음 영상에 더 이상 Databricks cloud 환경을 사용할 수 없는 부분에 대해서 말씀 드리고 있습니다. 예전에는 Databricks community edition에서 무로로 Databricks 환경을 사용할 수 있었으나, 현재는 더 이상 지원되지 않으며, Free Edition은 Databricks 자체의 가격은 Free이지만 AWS, Google 등에서 사용해야 하므로 (적지 않은) 비용이 들어 갑니다. 그리고 Free Edition 은 기능이 너무 제약적이라 더 이상 강의 사용용도로는 맞지 않습니다. 그렇다고 Enterprise Edition을 사용하면 너무 비용이 많이 들어서 강의에서 사용할 수가 없습니다. 본 강의는 Spark 기반의 DataFrame, SQL, 그리고 ML에 촛점을 맞춰서 강의하고 있습니다. databricks에 대한 환경구성, 설정내용이 그렇게 어려운 부분은 아니지만, 아쉽게도 해당 부분은 더 이상 강의에서 다루고 있지 않습니다(물론 예전 강의 영상이 그대로 있는 부분이 있어서, Databricks 환경 구성등의 내용이 일부 있을 수 있지만, 과거 Databricks 설정 영상이라 현재와 맞지 않을 수 있습니다). 만약 해당 이유 때문에 강의를 선택하셨다면, 아쉽지만 강의를 환불 받으시면 어떨까 싶습니다. 아직 강의 자료를 다운로드 받지 않으셨다면, 환불 신청을 바로 하셔도 되고, 강의 자료를 받으셔서 환불이 안된다면, 인프런 오른쪽 하단의 문의하기를 선택하시고, 환불 신청을 하신 다음에 제가 환불을 허락했다고 말씀해 주십시요. 여기 글 URL을 인프런에 알려 주셔도 좋을 것 같습니다. 그래도 환불이 안되면 여기에 다시 글 남겨 주십시요. 감사합니다.

astro dev start - python 라이브러리 설치 fail

안녕하십니까, container에서 python 3.13 으로 설치가 되어서 numpy 1.26.4 가 설치가 안되는군요. 제가 실습 코드를 다 테스트 해보지는 않았지만, numpy, pandas 가 설치가 되면 실습에는 문제가 없을 것 같습니다. 다만 실습환경 동일하게 버전을 설정하시면 좋을 것 같습니다. 제가 강의에서는 astro version을 1.34.0 을 설치합니다. 해당 버전이 맞는지 확인 부탁드립니다. command 창에서 astro version 하시면 설치하신 버전이 나옵니다. 현재 버전이 어떻게 되는지 여기에 글 부탁드립니다. 감사합니다.

[개정판] 딥러닝 컴퓨터 비전 완벽 가이드 먼저? 구현하며 배우는 Transformer 먼저?

안녕하십니까, 강의 잘 듣고 계시다니, 저도 기분이 좋습니다. 딥러닝 컴퓨터 비전 완벽 가이드와 구현하며 배우는 Transformer는 서로 영역이 달라서 순서라기 보다는 더 관심 있으신 쪽으로 선택하시면 좋을 것 같습니다. 컴퓨터 비전 쪽으로 좀 더 관심이 있으시다면, 오브젝트 디텍션과 세그먼테이션을 다루는 딥러닝 컴퓨터 비전 완벽 가이드로, Transformer를 확실히 정복하고 싶으시다면 구현하며 배우는 Transformer를 선택하시면 좋을 것 같습니다. 딥러닝 모델 구현 쪽으로 보다 집중하신다면 Transformer 강의를, 비전 응용쪽으로 집중하시고자 한다면 컴퓨터 비전 완벽 가이드를 추천 드립니다. 감사합니다.

강의 환경설정 질문

안녕하십니까,강의 실습은 Runpod 로 하는게 제일 좋습니다. 강의의 실습을 위해서 mmdetection, ultralytics yolo를 사용하는데, 해당 패키지의 cuda 버전, pytorch 지원 버전 및 기타 utility 패키지의 버전이 조금씩 다릅니다. 그래서 미리 build된 실습 image를 Runpod에서 구동하시는게 제일 빠르고 좋은 방법입니다.그리고 cuda 버전이 달라져서, 말씀하신대로 conda나 uv로 이게 가능한지 잘 모르겠습니다. ChatGPT 돌려보니 가능한 것 같은데, 단계가 복잡한 것 같습니다. 설사 이게 가능해도 패키지들간의 호환성 맞추는게 어려워서 권장드리고 싶지 않습니다. Docker를 다루실 수 있으면, Docker로 구성하는 것도 방법입니다. 아래가 제가 mmdetection 구성했을 때 사용한 Dockerfile입니다. image build 하셔서 개인 GPU에서 함 적용해 보시는 것도 방법일 것 같습니다.ARG PYTORCH="1.9.0"ARG CUDA="11.1"ARG CUDNN="8"FROM pytorch/pytorch:${PYTORCH}-cuda${CUDA}-cudnn${CUDNN}-devel# --------------------------------------------------# Environment# --------------------------------------------------ENV DEBIAN_FRONTEND=noninteractive \TORCH_CUDA_ARCH_LIST="6.0 6.1 7.0 7.5 8.0 8.6+PTX" \TORCH_NVCC_FLAGS="-Xfatbin -compress-all" \FORCE_CUDA=1 \CMAKE_PREFIX_PATH=/opt/conda \PATH=/opt/conda/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin# Ensure bash login shell so conda paths applySHELL ["/bin/bash", "-lc"]# To fix GPG key error when running apt-get updateRUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/3bf863cc.pubRUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/7fa2af80.pubRUN apt-get update && apt-get install -y \ffmpeg libsm6 libxext6 git ninja-build libglib2.0-0 libsm6 libxrender-dev libxext6 unzip curl vim openssh-server \&& apt-get clean \&& rm -rf /var/lib/apt/lists/*# --------------------------------------------------# SSH setup (RunPod compatible)# --------------------------------------------------RUN mkdir -p /var/run/sshd \&& echo 'root:root' | chpasswd \&& sed -i 's/#PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config \&& sed -i 's/#PasswordAuthentication yes/PasswordAuthentication yes/' /etc/ssh/sshd_config# --------------------------------------------------# Python + Jupyter# --------------------------------------------------RUN python -m pip install --upgrade pip && \python -m pip install \jupyterlab \ipykernel# Explicit kernel registration (IMPORTANT)RUN python -m ipykernel install \--name python-conda \--display-name "Python (Conda)"# Install MMCVRUN pip install --no-cache-dir --upgrade pip wheel setuptoolsRUN pip install --no-cache-dir mmcv-full==1.3.17 -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/index.htmlRUN mkdir -p /content/mmdetection && chmod -R 777 /content# Install MMDetectionRUN conda clean --allRUN git clone --branch 2.x https://github.com/open-mmlab/mmdetection.git /content/mmdetectionWORKDIR /content/mmdetectionENV FORCE_CUDA="1"RUN pip install --no-cache-dir -r requirements/build.txtRUN pip install --no-cache-dir -e .# --------------------------------------------------# Expose SSH + Jupyter# --------------------------------------------------EXPOSE 22 8888# --------------------------------------------------# Start services# --------------------------------------------------CMD service ssh start && \jupyter lab \--ip=0.0.0.0 \--port=8888 \--no-browser \--allow-root \--ServerApp.root_dir=/content \--ServerApp.token='' \--ServerApp.password='' \--ServerApp.allow_origin='*' \--ServerApp.allow_remote_access=True \--ServerApp.trust_xheaders=True

virtual box 설치 문제

안녕하십니까, 앗 그러셨군요. 제가 인프런 측에 문의해 보겠습니다. 감사합니다.

카프카 서버 구축 관련 문의

안녕하십니까, docker 환경을 더 선호하시는 것은 충분히 이해 되지만, 가급적이면 강의 실습 환경과 동일하게 VM 기반으로 설치를 진행하시면 좋을 것 같습니다. 물론 Docker기반에서 Kafka를 설치하셔도(Kafka 버전만 맞다면) 실습을 수행하는데는 거의 문제가 없을 겁니다. 처음에는 Docker로 Kafka를 진행하시다가, 혹시나 잘 안되는 부분이 있으시면 나중에 VM 설치하셔고 다시 진행하시면 되는데, 이렇게 진행하면서 오히려 불편함이 생길수도 있을 것 같아, 일단 VM으로 진행하는 것을 권장드립니다. 감사합니다.

astro project 실무 적용 질문

안녕하십니까,잘 듣고 계시다니 저도 기분이 좋군요. 현재 실습 환경인 Container 환경을 기반으로 답변 드리겠습니다.수업에서 astro project를 설치하고 로컬 호스트가 아닌 scheduler 컨테이너에 접속하여 직접 dags 파일들을 수정한 이유가 있을까요?=> 잘 알고 계시다시피, 로컬 호스트(개인 PC)에서도 공유 volume/folder 구성을 통해 각 container 들이 파일 공유를 할 수 있습니다. 하지만 VSCode에서 로컬 호스트의 해당 공유 폴더에 DAG python 파일을 효율적으로 작성하려면 로컬 호스트의 별도의 파이썬 가상환경에서 airflow에서 사용된 동일한 버전의 python 인터프리터, 3rd Party 모듈, Provider 모듈등을 설치해 줘야만 합니다. 그래야 VSCode에서 제대로 된 module import, 코드 분석등의 작업을 할 수가 있습니다.예를 들어 from airflow.sdk import DAG 를 하게 되면 로컬 호스트에서 필요한 모든 모듈을 설치하지 않는 이상, VSCode는 해당 구문을 오류로 표시하게 됩니다. 물론 로컬 호스트의 가상 환경에 현재 airflow container에 있는 python 환경과 동일하게 구성을 해주면 되지만, provider module이나 3rd party module 이 추가 될 때마다 이런 작업은 번거롭고, 중복 작업이 되기 때문에 scheduler container에 바로 vscode로 접속해서 작업을 수행합니다.또한, 실무에서 airflow dev 환경에서 빠르게 테스트하기 위해 컨테이너에 직접 접속하여 코드 수정 및 확인 하는 케이스가 있으신지도 궁금합니다!=> dev 환경을 컨테이너로 구성하셨으면 컨테이너에 직접 접속하여 작업을 하시는게 더 좋습니다. 그리고 그렇게 많이들 사용합니다 ^^ 강사님께서는 airflow를 운영 및 개발 하시면서 로컬에서 테스트할 수 있는 환경(astro 등)을 구성하여 사용하고 계시는지도 궁금합니다.=> 회사 보안 차원에서 아예 로컬 PC에서 Hive가 있는 Dev 서버의 접속 port 연결을 막았다면 모르겠지만, 그게 아닌 경우라면 로컬 PC Airflow에서 Dev Hive 로 충분히 연동이 가능해 보입니다. Hive 연동을 위한 Connection 만 로컬 PC Airflow에서 만들어 주면 Dev에 있는 Hive로 연동해서 테스트 하실 수 있습니다(이걸 모르셔서 질문하셨을 것 같지는 않습니다만, 원하시는 답변이 아니면 다시 글 부탁드립니다 ^^)Dev 환경을 잘 구성해 놓은 회사일 수록(특히나 대규모의 인력을 보유한 회사), 로컬 PC에서의 개발을 완료하더라도 최종 모듈 정합성등의 테스트를 위해서 Dev 환경에서의 테스트를 필수로 요구하는 경향이 있습니다. 크게 불편함이 없다면 회사 정책대로 따라가시면 어떨까 싶습니다. 그리고 회사마다 차이는 있을 수 있는데, 요즘은 로컬/dev에서 airflow를 Container 기반으로 구성해서 많이 사용하는 것 같습니다. Astro를 사용하면 Container 구성을 편하게 할 수 있어서 더 좋은 것 같습니다. 다만 astro를 많이 사용하는지 까지는 잘 모르겠습니다. 감사합니다.

안녕하세요 열심히 수강중인 학생입니다

안녕하십니까, 강의를 열심히 계시다니, 저도 기분이 좋군요. 지식을 습득하는데 있어서 왕도는 저마다 개인적인 특성이 있는 것 같습니다. 최소의 노력으로 최대의 효과를 얻으면 좋겠지만, 지식이라는게 습득하고 체득하는데 자연스럽게 시간이 걸리는 특징이 있기에, 겉으로 보기엔 최소의 시간을 투자하는 효율적인 방법 같지만, 결과적으로 지식의 깊이가 그에 미치지 못하는 비효율적인 결과를 가져 올 수도 있다고 생각합니다. 말씀하신 두개의 방법중에 어떤게 좋은지 스스로 확신할 수 없다면,무조건 코드를 직접 치면서 이해하는 방식을 권장드립니다. 코드를 치면서 이해함과 동시에 챗GPT라던가 구글 검색등을 통해서 확장되는 호기심이나 궁금한 부분들을 스스로 찾아보면서 좀 더 이해의 영역을 넓히는 시간을 가지면 어떨까 싶습니다.그리고 스스로 어느 정도 수준에 이르면 좀 더 빠르게 지식을 습득할 수 있는 다른 방법들을 시도해 보시면 좋을 것 같습니다.감사합니다.