Project56 #31 [모듈 4-7] 모델 직렬화 ML Ops Model Serialization .joblib vs .pt vs .zip — 세 프레임워크의 모델 저장법 Data Collect → Feature Eng. → ML / DL / RL → Signal 이 글은 AI_Finance(ALCHEMETRIC) 프로젝트가 7개 알고리즘을 3개 프레임워크로 관리하면서 만난 모델 직렬화(serialization) 문제를 다룬다. sklearn의 .joblib, PyTorch의 .pt, Stable-Baselines3의 .zip — 확장자 하나가 곧 프레임워크 계약이다. 목차 왜 모델을 저장하는가? .joblib — sklearn의 만능 피클 .pt — PyTorch의 state_dict 패턴 .zip — st.. 2026. 4. 6. #30 [모듈4-6] 딥러닝과 강화학습에서 Optuna를 쓰는 법은 ML과 다르다 하이퍼파라미터 Optuna — DL & RL Tuning 딥러닝과 강화학습에서 Optuna를 쓰는 법은 ML과 다르다 Data Collect → Feature Eng. → ML / DL / RL → Hyperparameter Tuning → Signal 이전 글(M3 Optuna)에서 ML 모델의 하이퍼파라미터 튜닝을 다뤘다. RandomForest, XGBoost, LightGBM은 model.fit() 한 번이면 끝나기 때문에 50번의 trial도 부담이 없었다. 하지만 딥러닝(LSTM, Transformer)과 강화학습(DQN, PPO)은 이야기가 다르다. trial 하나에 수십 epoch 또는 수만 timestep이 필요하기 때문에 탐색 전략 자체를 바꿔야 한다. 이 글.. 2026. 3. 19. #29 [모듈4-5] RL 에이전트의 행동을 결정하는 보상 함수 설계 강화학습Reward ShapingRL 에이전트의 행동을 결정하는 보상 함수 설계Data Collect → Feature Eng. → Reinforcement Learning → Signal이 글은 AI_Finance(ALCHEMETRIC) 프로젝트의 강화학습 트레이딩 환경에서 보상 함수(Reward Function)가 어떻게 설계되었는지를 다룬다. 보상 함수는 에이전트의 행동 전체를 결정짓는 핵심 요소로, 단 한 줄의 수식이 에이전트를 "무모한 투기꾼"으로 만들 수도, "절제된 트레이더"로 만들 수도 있다.목차보상 함수란? — 에이전트에게 “잘했어/못했어”를 알려주는 신호우리 환경의 기본 구조 — StockTradingEnv 개요수익률 보상 — portfolio_return수수료 페널티 — 과매매 방지최.. 2026. 3. 19. #28 [모듈4-4] AI 에이전트가 스스로 매매 전략을 학습하는 법 강화학습 Reinforcement Learning — DQN & PPO AI 에이전트가 스스로 매매 전략을 학습하는 법 Data Collect → Feature Eng. → Reinforcement Learning → Signal 이 글은 AI_Finance(ALCHEMETRIC) 프로젝트의 Phase 8B에서 추가된 강화학습 파이프라인을 다룬다. 이전 글에서 다룬 LSTM·Transformer는 "내일 오를까?"를 예측하는 지도학습이었다면, 강화학습은 "언제 사고 팔아야 이익인가?"를 에이전트가 스스로 탐색하는 완전히 다른 패러다임이다. 목차 지도학습 vs 강화학습 — 근본적인 차이 강화학습 핵심 개념 Gymnasium — 환경 프레임워크 StockTradi.. 2026. 3. 19. #27 [모듈4-3] CUDA, MPS, CPU - PyTorch 디바이스 감지와 혼합 정밀도 학습 딥러닝 Mixed Precision & Device CUDA, MPS, CPU — PyTorch 디바이스 감지와 혼합 정밀도 학습 Data Collect → Feature Eng. → Deep Learning → Signal 이 글은 AI_Finance(ALCHEMETRIC) 프로젝트에서 PyTorch 딥러닝 모델을 다양한 하드웨어에서 실행할 때 마주치는 문제를 다룬다. NVIDIA GPU가 없는 Apple Silicon Mac에서는 어떻게 학습을 돌리는지, Mixed Precision Training은 왜 CUDA에서만 쓰는지, 그리고 디바이스 감지를 자동화한 실제 코드를 살펴본다. 목차 왜 디바이스가 중요한가? GPU vs MPS vs CPU — 세 가지 연산 장치 .. 2026. 3. 19. #26 [모듈4-2] DL Early Stopping & Overfitting 딥러닝Early Stopping & Overfitting딥러닝 모델이 주가 데이터에서 과적합되지 않도록 막는 5가지 방법Data Collect → Feature Eng. → Deep Learning → Signal딥러닝 모델은 표현력이 강력한 만큼, 주가 데이터처럼 노이즈가 많은 시계열에서 과적합(overfitting)에 빠지기 쉽다. 이 글에서는 AI_Finance(ALCHEMETRIC) 프로젝트의 LSTM · Transformer 학습 파이프라인에 적용된 5가지 정규화 기법 — Early Stopping, Dropout, Gradient Clipping, Learning Rate Scheduling, Weight Decay — 을 비유와 실제 코드로 설명한다.목차과적합이란? — 시험 문제를 외우는 학.. 2026. 3. 18. #25 [모듈4-1] PyTorch & Deep Learning 딥러닝PyTorch & Deep LearningLSTM + Transformer로 주가 시계열을 학습하는 법Data Collect → Feature Eng. → Deep Learning → Signal이 글은 AI_Finance(ALCHEMETRIC) 프로젝트에서 PyTorch를 사용해 LSTM과 Transformer 모델로 주가 등락을 예측하는 딥러닝 파이프라인을 다룬다. ML/DL을 처음 접하는 독자도 이해할 수 있도록, 핵심 개념을 비유와 함께 설명하고 실제 프로젝트 코드가 어떻게 동작하는지 보여준다.목차왜 딥러닝? 전통 ML과 뭐가 다른가PyTorch란?LSTM — 기억하는 신경망Transformer — Attention이 전부다학습 루프 — DL은 이렇게 배운다시퀀스 데이터 만들기LSTM vs .. 2026. 3. 18. #24 [모듈4] Deep Learning Module 4 M4 Architecture — DL + RL 통합 설계 하나의 API로 7가지 알고리즘을 학습·예측하는 구조 M0 Data → M2 Feature → M3 ML → M4 DL + RL → Signal 이 글은 AI_Finance(ALCHEMETRIC) 프로젝트의 Module 4 전체 아키텍처를 다룬다. 개별 알고리즘(LSTM, Transformer, DQN, PPO)의 원리는 이전 두 편에서 다뤘으므로, 이번에는 "이것들이 어떻게 하나의 시스템으로 통합되는가"에 집중한다. 라우팅 구조, 학습·예측 파이프라인, 모델 직렬화, DB 통합, API 설계까지 — M4의 뼈대를 조감한다. 목차 설계 원칙 — 왜 통합 아키텍처인가 디렉토리 구조 알고리즘 .. 2026. 3. 18. #23 [모듈3-2] Optuna — 하이퍼파라미터 자동 튜닝의 모든 것 머신러닝Optuna — 하이퍼파라미터 자동 튜닝의 모든 것ML/DL 모델의 최적 설정값을 자동으로 찾아주는 라이브러리Data Collect → NLP Analysis → Feature Eng. → Feature Store → ML Signal머신러닝 모델의 성능을 결정하는 것은 데이터와 알고리즘뿐만이 아닙니다. 하이퍼파라미터 — 모델이 학습하기 전에 사람이 미리 정해주는 설정값 — 가 모델 성능을 크게 좌우합니다. 이 글에서는 하이퍼파라미터가 무엇인지부터 시작해, Optuna가 어떻게 최적값을 자동으로 찾아주는지, 그리고 Alchemetric 프로젝트에서 어떻게 적용했는지를 초보자도 이해할 수 있도록 설명합니다.목차하이퍼파라미터가 뭔데?Optuna란?핵심 API 3개만 알면 된다TPE — 어떻게 "똑똑하.. 2026. 3. 16. 이전 1 2 3 4 ··· 7 다음
