wandb/edu

이 프로젝트는 무엇인가

이것은 인기 있는 머신러닝 실험 추적 플랫폼을 만든 Weights & Biases(W&B)의 공개 저장소입니다. AI 학습을 위한 무료 교육 자료를 주제별로 정리해 두었습니다. 이 자료는 W&B의 유료 온라인 강좌를 보완하도록 설계되었지만, README에 따르면 단독으로도 유용합니다.

주요 내용: 카테고리별 강좌 자료

저장소에는 네 가지 영역의 강좌 형식 자료가 나열되어 있습니다.

1. 대규모 언어 모델(LLM) — 6개 강좌:

• RAG++ — 엔지니어를 위한 실용적인 "검색 증강 생성" 기술: 성능 향상, 비용 절감, 정확도 향상을 위한 프로덕션 준비 방법.
• LLM 프롬프팅 개발자 가이드 — 시스템 프롬프트부터 모델별 전략까지 프롬프트 엔지니어링 기초.
• LLM 엔지니어링: 구조화된 출력 — 구조화된 JSON 출력, 함수 호출, 복잡한 검증 처리.
• LLM 기반 앱 구축 — LLM API, LangChain, W&B의 LLM 도구를 사용한 앱 구축.
• LLM 훈련 및 미세 조정 — LoRA 및 RLHF를 포함한 아키텍처, 훈련, 미세 조정 방법.
• 생성형 AI 평가 및 디버깅 — W&B 플랫폼을 사용한 생성형 AI 작업 평가 및 디버깅.

2. MLOps(머신러닝 운영) — 5개 강좌: 모델 CI/CD, 모델 개발 워크플로우, GitHub Actions를 사용한 GitOps 스타일의 ML CI/CD, 프로덕션 파이프라인에서의 데이터 검증, 비즈니스 의사 결정 최적화를 위한 ML 사용을 다룹니다.

3. W&B 도구 — 2개 강좌:

• W&B 101 — 실험 추적, 시각화, 최적화 입문.
• W&B 201: 모델 레지스트리 — 고급 모델 관리: ML 모델 로깅, 등록, 관리.

4. 국제 강좌 — "Effective MLOps: Model Development" 강좌의 한국어 및 일본어 버전.

추가 리소스

• 교육자용: 교육자, 조교, 학생을 위한 자료가 있는 폴더.
• ML을 위한 수학: 머신러닝을 위한 수학 복습.

모든 콘텐츠에 접근하는 방법

모든 자료는 GitHub 저장소(이 프로젝트)에 있습니다. 강좌 등록 및 자세한 정보는 README에 링크된 W&B AI 아카데미 웹사이트(wandb.courses)에서 확인할 수 있습니다.

결론: 구조화되고 강사가 설계한 자료로 LLM 엔지니어링, MLOps 또는 W&B 자체 도구를 배우고 싶다면, 이 저장소는 유료 강좌를 수강하지 않아도 자체적으로 시작할 수 있는 출발점입니다.