Docker-Based ML Workflow

Bootcamp Mission 15 | MLOps and Docker

미션 소개

학생 성적 데이터를 이용한 회귀 모델 학습과 추론을 Docker 기반으로 분리한 개인 수행 미션입니다. 연구자 1과 연구자 2의 역할을 혼자 구현해 데이터 전처리, 모델 저장, 공유 볼륨 기반 추론의 흐름을 재현했습니다.

구현 목표

• 학습과 추론 역할을 분리한 워크플로우를 구성한다.
• Ridge 회귀 모델을 학습해 model.pkl로 저장한다.
• Docker Compose와 공유 파일을 이용해 추론 결과를 생성한다.

주요 구현 내용

• 학생 성적 데이터 EDA와 전처리
• scikit-learn Ridge 회귀 모델 학습
• model.pkl 모델 아티팩트 생성
• Docker Compose 기반 추론 환경 구성

사용 기술

• Python
• pandas
• scikit-learn
• Docker
• Docker Compose
• Jupyter Notebook

실행 방법

pip install -r requirements.txt
python researcher1/train.py
cd researcher2
docker compose up

데이터셋 또는 사전학습 모델이 외부에서 제공되는 경우, 실행 전에 노트북 또는 코드의 데이터 로드 설정을 확인해야 합니다.

폴더 구조

researcher1/  # EDA, 학습 스크립트, 데이터
researcher2/  # Compose, 추론 노트북, 결과 CSV
docs/         # 미션 보고서

학습 내용

• 학습과 추론 환경의 패키지 버전을 맞추는 방법
• 모델 파일과 테스트 데이터를 컨테이너 간에 전달하는 방법

트러블슈팅 및 재현 시 참고 사항

Docker Hub 이미지와 공유 볼륨 전략은 보고서와 docker-compose.yml에서 확인할 수 있습니다.

결과 확인

EDA, 추론 결과 CSV, 보고서는 각 역할 폴더와 docs 폴더에서 확인할 수 있습니다.

포트폴리오 관점

이 저장소는 MLOps and Docker 역량을 학습·실험한 결과물입니다. 구현 범위와 실행 조건은 코드 및 노트북을 기준으로 확인할 수 있습니다.