# Weights & Biases Documentation: Korean 제품 W&B Models

## W&B Models

- [W&B Models](https://docs.wandb.ai/ko/models.md): 실험 추적, 데이터셋 버전 관리, 모델 관리, 협업형 ML 개발을 위해 W&B Models를 사용하세요.
- [W&B 퀵스타트](https://docs.wandb.ai/ko/models/quickstart.md): 몇 분 만에 W&B를 설치하고 머신 러닝 실험을 추적하고 시각화하고 관리해 보세요.
- [W&B Models 시작하기](https://docs.wandb.ai/ko/models/models_quickstart.md): 몇 줄의 코드만으로 실험을 추적하고, 메트릭을 로깅하고, 결과를 시각화하며 W&B Models를 시작해 보세요.
- [지원팀: Models](https://docs.wandb.ai/ko/models/support-models.md)

### 가이드

#### Experiments

- [Experiments Overview](https://docs.wandb.ai/ko/models/track.md): W&B를 사용해 머신 러닝 Experiments를 추적하고 메트릭, 하이퍼파라미터, 시스템 메트릭, 모델 아티팩트를 로그합니다.
- [Experiment 만들기](https://docs.wandb.ai/ko/models/track/create-an-experiment.md): Python SDK를 사용해 run 초기화, 하이퍼파라미터, metric logging을 추적하는 W&B 실험을 생성합니다.
- [실험 설정](https://docs.wandb.ai/ko/models/track/config.md): 딕셔너리 형태의 객체를 사용해 실험 설정을 저장하세요
- [Projects](https://docs.wandb.ai/ko/models/track/project-page.md): 모델 버전을 비교하고, 임시 워크스페이스에서 결과를 탐색한 다음, 리포트로 내보내 노트와 시각화를 저장합니다
- [실험 결과 확인하기](https://docs.wandb.ai/ko/models/track/workspaces.md): 대화형 시각화로 run 데이터를 탐색하는 플레이그라운드
- [Jupyter 노트북 추적하기](https://docs.wandb.ai/ko/models/track/jupyter.md): 노트북을 벗어날 필요 없이 Jupyter에서 W&B를 사용해 대화형 시각화를 확인하세요.
- [대규모 로깅과 성능](https://docs.wandb.ai/ko/models/track/limits.md): 이 페이지에서는 로깅 패턴이 W&B 성능에 미치는 영향을 설명하고, 대규모 프로젝트에서 실험 추적을 확장하기 위한 지침을 제공합니다.
- [실험 재현하기](https://docs.wandb.ai/ko/models/track/reproduce_experiments.md): run과 연결된 코드, 의존성, 설정을 다운로드하여 팀원의 W&B 실험을 재현하세요.
- [데이터 내보내기 및 업데이트](https://docs.wandb.ai/ko/models/track/public-api-guide.md): W&B에 저장한 데이터를 내보내거나 업데이트합니다
- [환경 변수](https://docs.wandb.ai/ko/models/track/environment-variables.md): 인증, 프로젝트 설정, 로깅 모드 등을 위해 환경 변수를 사용해 W&B SDK 동작을 구성할 수 있습니다.

##### Runs란 무엇인가요?

- [Overview](https://docs.wandb.ai/ko/models/runs.md): W&B의 기본 구성 요소인 Runs에 대해 알아보세요.
- [run의 ID 또는 이름 찾기 및 사용자 지정](https://docs.wandb.ai/ko/models/runs/run-identifiers.md): run의 고유 식별자와 run 이름을 찾는 방법, 맞춤형 run ID를 만드는 방법, 그리고 run 이름을 사용자 지정하는 방법을 알아보세요.
- [run 초기화](https://docs.wandb.ai/ko/models/runs/initialize-run.md): wandb.init()으로 W&B run을 초기화하여 실험 추적을 시작합니다. 여기에는 하나의 프로세스에서 동시 run을 처리하는 방법도 포함됩니다.
- [run 상태](https://docs.wandb.ai/ko/models/runs/run-states.md): W&B run이 가질 수 있는 다양한 상태에 대해 알아보세요.
- [프로젝트에서 특정 run 보기](https://docs.wandb.ai/ko/models/runs/view-logged-runs.md): W&B App 또는 LEET 터미널 UI를 사용해 특정 로깅된 run과 해당 속성을 보는 방법을 알아보세요.
- [프로젝트에서 run 확인하기](https://docs.wandb.ai/ko/models/runs/customize-run-display.md): 프로젝트의 Runs 테이블에서 run 표시 방식을 맞춤 설정하는 방법에 대한 세부 정보
- [run 포크하기](https://docs.wandb.ai/ko/models/runs/forking.md): 원본 run에 영향을 주지 않고 실험의 특정 지점에서 다양한 파라미터나 모델을 탐색합니다.
- [run 재개](https://docs.wandb.ai/ko/models/runs/resuming.md): `wandb.init()`의 `resume` 매개변수 옵션을 사용해 일시 중지되었거나 중지되었거나 크래시된 W&B run을 재개합니다.
- [run 되감기](https://docs.wandb.ai/ko/models/runs/rewind.md): 원본 데이터를 잃지 않고 run의 이력을 바로잡거나 수정하기 위해 run을 되감습니다.
- [run 고정 및 비교](https://docs.wandb.ai/ko/models/runs/compare-runs.md): 중요한 run을 추적하고 모델 실험을 효율적으로 평가할 수 있도록 고정된 run과 기준 run을 사용하는 방법을 알아보세요.
- [run 구성하기](https://docs.wandb.ai/ko/models/runs/grouping.md): run을 그룹 및 기타 속성으로 구성합니다.
- [run 필터링](https://docs.wandb.ai/ko/models/runs/filter-runs.md): 표현식 편집기를 사용해 Runs 테이블에서 run을 필터링하는 방법을 알아보세요.
- [run 검색](https://docs.wandb.ai/ko/models/runs/search-runs.md): 프로젝트의 Runs table 또는 Workspace에서 이름이나 ID로 특정 run을 검색하는 방법을 알아보세요.
- [run 중지](https://docs.wandb.ai/ko/models/runs/stop-runs.md): W&B Python SDK를 사용해 프로그래밍 방식으로 또는 W&B App에서 수동으로 run을 중지합니다.
- [Runs 삭제](https://docs.wandb.ai/ko/models/runs/delete-runs.md): W&B App 또는 Public API를 사용해 W&B 프로젝트에서 Runs를 삭제하는 방법과, 삭제된 run 데이터가 저장소에서 어떻게 제거되는지 알아보세요.
- [태그로 run에 레이블 추가](https://docs.wandb.ai/ko/models/runs/tags.md): Python SDK, Public API 또는 W&B App UI를 사용해 W&B run에 태그를 추가, 업데이트, 제거하여 정리할 수 있습니다.
- [run을 다른 프로젝트 또는 팀으로 이동](https://docs.wandb.ai/ko/models/runs/manage-runs.md): W&B App을 사용해 프로젝트 또는 팀 간에 run을 이동합니다.
- [run 색상 사용자 지정](https://docs.wandb.ai/ko/models/runs/run-colors.md): W&B 프로젝트 워크스페이스에서 개별 run에 할당된 색상을 사용자 지정하고, 무작위로 변경하고, 재설정합니다.
- [의미 있는 run 플롯 범례](https://docs.wandb.ai/ko/models/runs/color-code-runs.md): 메트릭 또는 설정 매개변수를 기준으로 W&B run에 색상을 지정해 의미가 잘 드러나는 차트 범례를 만드세요.
- [알림 보내기](https://docs.wandb.ai/ko/models/runs/alert.md): Python 코드에서 발생한 알림을 Slack 또는 이메일로 보내기
- [CoreWeave 인프라 경고 시각화](https://docs.wandb.ai/ko/models/runs/infrastructure-alerts.md): W&B 실험 run 플롯에서 GPU 장애 및 온도 이상과 같은 CoreWeave 인프라 경고를 확인합니다.

##### 객체 및 미디어 로깅

- [개요](https://docs.wandb.ai/ko/models/track/log.md): 메트릭, 비디오, 맞춤형 플롯 등을 확인하세요
- [실험에서 플롯 생성 및 추적](https://docs.wandb.ai/ko/models/track/log/plots.md): 머신 러닝 실험에서 플롯을 생성하고 추적합니다.
- [로그 축 사용자 지정](https://docs.wandb.ai/ko/models/track/log/customize-logging-axes.md): 기본 W&B step 카운터 대신 `define_metric()`을 사용해 로깅된 메트릭의 맞춤형 x축을 설정합니다.
- [분산 트레이닝 실험 로깅](https://docs.wandb.ai/ko/models/track/log/distributed-training.md): W&B를 사용해 여러 GPU로 분산 트레이닝 실험을 로깅합니다.
- [미디어 및 객체 로깅](https://docs.wandb.ai/ko/models/track/log/media.md): 3D 포인트 클라우드와 분자부터 HTML과 히스토그램까지 다양한 리치 미디어를 로깅합니다
- [모델 로깅하기](https://docs.wandb.ai/ko/models/track/log/log-models.md): SDK의 log_model 및 use_model 방법을 사용해 모델 artifact를 W&B run에 로깅하고 나중에 조회합니다.
- [summary 메트릭 로깅](https://docs.wandb.ai/ko/models/track/log/log-summary.md): run.summary를 사용하여 W&B run에서 최고 정확도 또는 최소 손실과 같은 개별 summary 메트릭을 추적하고 사용자 지정합니다.
- [테이블 로깅](https://docs.wandb.ai/ko/models/track/log/log-tables.md): 실험 run의 구조화된 데이터를 시각화하고 쿼리할 수 있도록 W&B Tables를 생성하고, 데이터를 추가하고, log합니다.
- [실험과 함께 CSV 파일 추적하기](https://docs.wandb.ai/ko/models/track/log/working-with-csv.md): 시각화, 비교, 대시보드 분석을 위해 CSV 파일을 W&B의 Tables 및 Artifacts로 임포트하세요.

#### Sweeps

- [Sweeps Overview](https://docs.wandb.ai/ko/models/sweeps.md): W&B Sweeps를 활용한 하이퍼파라미터 검색 및 모델 최적화
- [튜토리얼: 스윕 정의, 초기화, 실행](https://docs.wandb.ai/ko/models/sweeps/walkthrough.md): 하이퍼파라미터 공간을 검색하고 최고 성능 모델을 만드는 설정을 찾기 위해 스윕을 정의, 초기화하고 실행합니다.
- [코드에 W&B (wandb) 추가하기](https://docs.wandb.ai/ko/models/sweeps/add-w-and-b-to-your-code.md): Python 코드 스크립트 또는 Jupyter Notebook에 W&B를 추가합니다.
- [스윕 초기화](https://docs.wandb.ai/ko/models/sweeps/initialize-sweeps.md): 스윕 설정을 사용해 하이퍼파라미터 검색을 시작할 수 있도록 Python SDK 또는 CLI로 스윕을 초기화합니다.
- [스윕 에이전트 시작](https://docs.wandb.ai/ko/models/sweeps/start-sweep-agents.md): 하나 이상의 머신에서 스윕 에이전트를 시작하거나 중지합니다.
- [에이전트 병렬화](https://docs.wandb.ai/ko/models/sweeps/parallelize-agents.md): 멀티 코어 또는 멀티 GPU 머신에서 스윕 에이전트를 병렬화합니다.
- [스윕 결과 시각화](https://docs.wandb.ai/ko/models/sweeps/visualize-sweep-results.md): W&B App UI에서 W&B 스윕의 결과를 시각화합니다.
- [스윕 관리](https://docs.wandb.ai/ko/models/sweeps/pause-resume-and-cancel-sweeps.md): CLI로 스윕을 일시 중지, 재개 및 취소합니다.
- [시그널 처리와 스윕 run](https://docs.wandb.ai/ko/models/sweeps/signal-handling-sweep-runs.md): W&B Sweeps가 UNIX 시그널, 종료 코드, 스윕 run의 선점을 어떻게 처리하는지 알아보세요.
- [Sweeps에 대해 더 알아보기](https://docs.wandb.ai/ko/models/sweeps/useful-resources.md): 더 자세히 알아볼 수 있도록 학술 논문, 예시 리포트, 튜토리얼, 그리고 Sweeps GitHub 저장소 링크를 확인하세요.
- [로컬에서 알고리즘 관리하기](https://docs.wandb.ai/ko/models/sweeps/local-controller.md): W&B 클라우드 호스팅 서비스를 사용하는 대신 로컬에서 검색 및 중지 알고리즘을 실행합니다.
- [스윕 문제 해결](https://docs.wandb.ai/ko/models/sweeps/troubleshoot-sweeps.md): CommError, CUDA 메모리 부족, wandb 에이전트 실패를 포함한 일반적인 스윕 문제를 해결합니다.
- [튜토리얼: 프로젝트에서 sweep 작업 만들기](https://docs.wandb.ai/ko/models/sweeps/existing-project.md): 기존 W&B 프로젝트에서 sweep 작업을 만드는 방법을 설명하는 튜토리얼입니다.

##### 스윕 설정 정의하기

- [Overview](https://docs.wandb.ai/ko/models/sweeps/define-sweep-configuration.md): 스윕용 설정 파일을 만드는 방법을 알아보세요.
- [Sweep 설정 옵션](https://docs.wandb.ai/ko/models/sweeps/sweep-config-keys.md): method, metric, parameters, early termination, command를 포함한 모든 sweep 설정 키에 대한 레퍼런스입니다.

#### 평가 테이블

- [개요](https://docs.wandb.ai/ko/models/evaltables.md): W&B에서 Eval Table을 생성하고, 비교하고, 시각화하는 방법을 알아보세요.
- [Eval Table 만들기](https://docs.wandb.ai/ko/models/evaltables/create-an-evaluation-table.md): W&B에서 Eval Table을 만드는 방법을 알아보세요.
- [Eval Tables 보기](https://docs.wandb.ai/ko/models/evaltables/visualize-evaluation-tables.md)
- [Eval Tables로 Runs 비교하기](https://docs.wandb.ai/ko/models/evaltables/compare-runs.md)

#### 테이블

- [Tables 개요](https://docs.wandb.ai/ko/models/tables.md): 데이터셋을 반복적으로 개선하고 모델의 예측을 이해합니다
- [튜토리얼: 테이블 로깅, 시각화, 데이터 쿼리](https://docs.wandb.ai/ko/models/tables/tables-walkthrough.md): 5분 퀵스타트에서 W&B Tables 사용 방법을 알아보세요.
- [테이블 로깅](https://docs.wandb.ai/ko/models/tables/log_tables.md): Python SDK를 사용해 `immutable`, `mutable`, `incremental`을 포함한 다양한 로깅 모드로 W&B Tables를 생성하고 로깅합니다.
- [테이블 시각화 및 분석](https://docs.wandb.ai/ko/models/tables/visualize-tables.md): 분석을 위해 병합 보기 또는 나란히 보기에서 W&B Tables 데이터를 비교, 필터링, 그룹화, 정렬하고 시각화합니다.
- [예제 테이블](https://docs.wandb.ai/ko/models/tables/tables-gallery.md): 이미지 분류, 오디오, 텍스트 분석 및 기타 사용 사례를 위한 예제 W&B 테이블 프로젝트를 살펴보세요.
- [Table 데이터 내보내기](https://docs.wandb.ai/ko/models/tables/tables-download.md): 오프라인 분석 및 데이터 처리를 위해 W&B Table 데이터를 pandas 데이터프레임과 CSV 파일로 내보냅니다.

#### Artifacts

- [Artifacts Overview](https://docs.wandb.ai/ko/models/artifacts.md): W&B Artifacts Overview, 작동 방식, 그리고 사용 시작 방법.
- [artifact 생성](https://docs.wandb.ai/ko/models/artifacts/construct-an-artifact.md): W&B Artifact를 생성하고 로깅합니다. 하나 이상의 파일 또는 URI reference를 Artifact에 추가하는 방법을 알아보세요.
- [아티팩트 다운로드 및 사용](https://docs.wandb.ai/ko/models/artifacts/download-and-use-an-artifact.md): 여러 프로젝트에서 아티팩트를 다운로드하고 사용합니다.
- [아티팩트 업데이트](https://docs.wandb.ai/ko/models/artifacts/update-an-artifact.md): 활성 상태인 run 중이거나 Public API만 사용해 기존 아티팩트를 업데이트합니다.
- [artifact alias 생성하기](https://docs.wandb.ai/ko/models/artifacts/create-a-custom-alias.md): best 또는 production 같은 의미 있는 이름으로 특정 W&B artifact 버전을 참조할 수 있는 맞춤형 alias를 만들고 관리합니다.
- [아티팩트 버전 만들기](https://docs.wandb.ai/ko/models/artifacts/create-a-new-artifact-version.md): 단일 run 또는 분산 프로세스에서 새 아티팩트 버전을 만듭니다.
- [외부 파일 추적](https://docs.wandb.ai/ko/models/artifacts/track-external-files.md): 외부 버킷, HTTP 파일 서버 또는 NFS 공유에 저장된 파일을 추적합니다.
- [artifact 리니지 그래프 탐색](https://docs.wandb.ai/ko/models/artifacts/explore-and-traverse-an-artifact-graph.md): artifact 리니지 그래프를 확인하고 탐색하여 W&B run의 입력과 출력을 방향 비순환 그래프(DAG)로 추적합니다.
- [아티팩트 데이터 개인정보 보호 및 규정 준수](https://docs.wandb.ai/ko/models/artifacts/data-privacy-and-compliance.md): 기본적으로 W&B 파일이 어디에 저장되는지 알아보세요. 민감한 정보를 저장하고 보관하는 방법도 살펴보세요.
- [튜토리얼: 데이터셋 아티팩트 생성, 추적 및 사용](https://docs.wandb.ai/ko/models/artifacts/artifacts-walkthrough.md): W&B로 데이터셋 아티팩트를 생성하고, 추적하고, 사용합니다.

##### 데이터 관리

- [artifact 삭제하기](https://docs.wandb.ai/ko/models/artifacts/delete-artifacts.md): W&B App UI에서 대화형으로 또는 W&B Python SDK를 사용해 프로그래밍 방식으로 artifact를 삭제합니다.
- [아티팩트 데이터 보존 관리](https://docs.wandb.ai/ko/models/artifacts/ttl.md): W&B Artifacts에 TTL(수명) 정책을 설정하여 자동 삭제를 예약하고 저장소 사용량을 관리합니다.
- [아티팩트 저장소 및 메모리 할당 관리](https://docs.wandb.ai/ko/models/artifacts/storage.md): W&B Artifacts의 저장소와 메모리 할당을 관리합니다.

#### 레지스트리

- [레지스트리 Overview](https://docs.wandb.ai/ko/models/registry.md): 조직 전체에서 아티팩트 버전을 관리하고 공유하려면 W&B 레지스트리를 사용하세요
- [레지스트리 생성](https://docs.wandb.ai/ko/models/registry/create_registry.md): App UI 또는 Python SDK를 사용해 가시성과 허용되는 artifact 유형을 설정할 수 있는 W&B 레지스트리를 생성합니다.
- [레지스트리 액세스 구성](https://docs.wandb.ai/ko/models/registry/configure_registry.md): 사용자와 팀을 관리하고, 역할을 할당하고, 역할 기반 권한을 설정하여 W&B 레지스트리 액세스를 구성합니다.
- [컬렉션 만들기](https://docs.wandb.ai/ko/models/registry/create_collection.md): W&B 레지스트리 내에서 연결된 아티팩트 버전으로 구성된 컬렉션을 만들고, 허용되는 아티팩트 유형을 설정합니다.
- [artifact 버전을 컬렉션에 연결하기](https://docs.wandb.ai/ko/models/registry/link_version.md): 조직 전체에서 공유할 수 있도록 W&B Registry의 컬렉션에 artifact 버전을 연결합니다.
- [Weave 프롬프트를 컬렉션에 연결](https://docs.wandb.ai/ko/models/registry/link_prompt.md)
- [별칭으로 아티팩트 버전 참조하기](https://docs.wandb.ai/ko/models/registry/aliases.md): 기본, 맞춤형, 보호된 별칭을 사용해 W&B Registry의 특정 아티팩트 버전을 참조합니다.
- [레지스트리에서 아티팩트 다운로드](https://docs.wandb.ai/ko/models/registry/download_use_artifact.md): 경로를 구성하고 Python SDK를 사용하여 W&B 레지스트리 컬렉션에 연결된 아티팩트를 다운로드합니다.
- [레지스트리 항목 찾기](https://docs.wandb.ai/ko/models/registry/search_registry.md): UI에서 대화형으로 또는 쿼리를 사용해 프로그래밍 방식으로 레지스트리, 컬렉션, 아티팩트 버전을 검색하는 방법을 알아보세요.
- [태그로 버전 정리하기](https://docs.wandb.ai/ko/models/registry/organize-with-tags.md): 태그를 사용해 컬렉션 또는 컬렉션 내 artifact 버전을 정리합니다. Python SDK 또는 W&B App UI에서 태그를 추가, 제거, 편집할 수 있습니다.
- [컬렉션 설명 작성](https://docs.wandb.ai/ko/models/registry/registry_cards.md): 사용자가 목적과 내용을 이해할 수 있도록 W&B Registry 컬렉션에 설명과 문서를 추가합니다.
- [리니지 그래프와 이력 감사](https://docs.wandb.ai/ko/models/registry/lineage.md): 리니지 그래프로 연결된 아티팩트의 이력을 시각화하고 컬렉션 이력을 감사하세요.
- [레지스트리 삭제](https://docs.wandb.ai/ko/models/registry/delete_registry.md): Python SDK 또는 W&B App UI를 사용하여 Team admin 또는 레지스트리 관리자로서 W&B Registry를 삭제합니다.

#### Reports

- [리포트 Overview](https://docs.wandb.ai/ko/models/reports.md): 머신 러닝 프로젝트를 위한 관리 및 협업 도구
- [리포트 만들기](https://docs.wandb.ai/ko/models/reports/create-a-report.md): W&B App 또는 프로그래밍 방식으로 W&B Report를 만드세요.
- [리포트 편집](https://docs.wandb.ai/ko/models/reports/edit-a-report.md): App UI에서 대화형으로 또는 W&B SDK를 사용해 프로그래밍 방식으로 리포트를 편집합니다.
- [리포트 협업](https://docs.wandb.ai/ko/models/reports/collaborate-on-reports.md): 동료, 팀원, 그리고 팀과 W&B 리포트를 공유하고 협업하세요.
- [리포트 복제 및 내보내기](https://docs.wandb.ai/ko/models/reports/clone-and-export-reports.md): W&B 리포트를 PDF 또는 LaTeX 파일로 내보내고 App UI 또는 Report and Workspace API를 사용해 복제합니다.
- [리포트 임베드하기](https://docs.wandb.ai/ko/models/reports/embed-reports.md): W&B 리포트를 Notion에 직접 또는 HTML `iframe` 요소를 사용해 임베드하세요.
- [프로젝트 간 Runs 비교](https://docs.wandb.ai/ko/models/reports/cross-project-reports.md): 크로스 프로젝트 리포트로 서로 다른 두 프로젝트의 Runs를 비교합니다.
- [예시 리포트](https://docs.wandb.ai/ko/models/reports/reports-gallery.md): 실험 요약, 팀 협업, 결과 공유와 같은 사용 사례를 보여주는 W&B 리포트 예시를 살펴보세요.

#### 자동화

- [Automations 개요](https://docs.wandb.ai/ko/models/automations.md): W&B의 이벤트를 기반으로 워크플로를 트리거하려면 W&B Automations를 사용하세요
- [자동화 실행 이력 보기](https://docs.wandb.ai/ko/models/automations/view-automation-history.md): 상태, 트리거 이벤트, 액션 결과를 확인하기 위해 W&B 자동화의 실행 이력을 확인합니다.
- [Automation 이벤트 및 범위](https://docs.wandb.ai/ko/models/automations/automation-events.md): artifact 변경, run 상태, 메트릭 조건 등 W&B Automations를 트리거하는 이벤트와 범위를 알아보세요.
- [API로 자동화 관리하기](https://docs.wandb.ai/ko/models/automations/api.md): Python API를 사용해 자동화를 프로그래밍 방식으로 관리합니다. 일부 클라이언트 버전에서는 생성 및 업데이트가 제대로 동작하지 않을 수 있습니다. SDK 수정 버전이 배포될 때까지는 W&B App을 사용하세요.

##### 자동화 만들기

- [개요](https://docs.wandb.ai/ko/models/automations/create-automations.md): W&B 자동화를 생성하고 관리하여 ML 워크플로를 간소화하세요
- [Slack 자동화 만들기](https://docs.wandb.ai/ko/models/automations/create-automations/slack.md): Slack 인테그레이션을 설정하고, 특정 이벤트 발생 시 Slack 채널로 알림을 보내는 W&B 자동화를 만드세요.
- [웹훅 자동화 만들기](https://docs.wandb.ai/ko/models/automations/create-automations/webhook.md): W&B에서 특정 이벤트가 발생하면 외부 서비스에 HTTP 요청을 보내는 웹훅 자동화를 생성합니다.

##### 튜토리얼

- [자동화 튜토리얼 개요](https://docs.wandb.ai/ko/models/automations/tutorial.md): 프로젝트 run 실패 시 알림 또는 레지스트리 별칭 자동화를 구축하는 방법을 알아보세요.
- [튜토리얼: 프로젝트 run 실패 알림 자동화](https://docs.wandb.ai/ko/models/automations/project-automation-tutorial.md): 프로젝트에서 run이 실패하면 Slack 알림을 보내는 run 실패 알림을 구축합니다.
- [튜토리얼: 레지스트리 아티팩트 별칭 자동화](https://docs.wandb.ai/ko/models/automations/registry-automation-tutorial.md): 레지스트리 아티팩트에 \"production\"과 같은 특정 별칭이 지정되면 웹훅을 실행하는 자동화를 만드세요.

#### LLM 평가 작업

- [LLM Evaluation Jobs](https://docs.wandb.ai/ko/models/launch.md): W&B 내에서 모델 체크포인트 또는 호스팅 API 모델을 평가하고, 자동 생성된 리더보드로 결과를 분석합니다.
- [모델 체크포인트 평가하기](https://docs.wandb.ai/ko/models/launch/evaluate-model-checkpoint.md): CoreWeave가 관리하는 인프라를 사용해 VLLM 호환 모델 체크포인트를 평가합니다
- [호스팅된 API 모델 평가하기](https://docs.wandb.ai/ko/models/launch/evaluate-hosted-model.md): CoreWeave가 관리하는 인프라를 사용해 호스팅된 API 모델을 평가합니다
- [Evaluation 벤치마크 카탈로그](https://docs.wandb.ai/ko/models/launch/evaluations.md): LLM Evaluation Jobs를 통해 제공되는 Evaluation 벤치마크를 살펴보세요

#### W&B App UI

- [워크스페이스, 섹션 및 패널 설정 관리](https://docs.wandb.ai/ko/models/app/features/cascade-settings.md): W&B App에서 레이아웃 및 선형 플롯 설정 옵션을 포함한 워크스페이스, 섹션 및 패널 설정을 관리합니다.
- [LEET 터미널 UI](https://docs.wandb.ai/ko/models/app/leet-tui.md): LEET(Lightweight Experiment Exploration Tool) TUI를 사용해 터미널에서 로컬 W&B run을 탐색하고 비교하세요.
- [콘솔 로그](https://docs.wandb.ai/ko/models/app/console-logs.md): 정보, 경고, 오류를 포함한 W&B 실험 run의 콘솔 로그 메시지를 확인하고 디버그합니다.
- [키보드 단축키](https://docs.wandb.ai/ko/models/app/keyboard-shortcuts.md): W&B에서 사용 가능한 키보드 단축키를 알아보세요.

##### 패널

- [패널](https://docs.wandb.ai/ko/models/app/features/panels.md): 로깅된 데이터를 시각화하려면 워크스페이스 패널을 사용하고 사용자 지정하세요
- [막대 플롯](https://docs.wandb.ai/ko/models/app/features/panels/bar-plot.md): 메트릭을 시각화하고, 축을 사용자 지정하고, 범주형 데이터를 막대로 비교합니다.
- [병렬 좌표](https://docs.wandb.ai/ko/models/app/features/panels/parallel-coordinates.md): 머신 러닝 실험 간 결과 비교
- [산점도](https://docs.wandb.ai/ko/models/app/features/panels/scatter-plot.md): W&B에서 산점도를 만들고 사용자 지정하여 run을 비교하고 실험 메트릭 간의 관계를 시각화합니다.
- [미디어 패널](https://docs.wandb.ai/ko/models/app/features/panels/media.md): W&B 워크스페이스에서 이미지, 비디오, 오디오, 3D 객체, 포인트 클라우드용 미디어 패널을 추가하고 구성합니다.
- [코드 저장 및 비교](https://docs.wandb.ai/ko/models/app/features/panels/code.md): 코드 저장을 활성화하고, 코드 비교로 여러 W&B run의 코드를 비교하며, Jupyter 세션 이력을 캡처하세요.
- [파라미터 중요도](https://docs.wandb.ai/ko/models/app/features/panels/parameter-importance.md): 모델의 하이퍼파라미터와 출력 메트릭 간의 관계를 시각화합니다
- [run 메트릭 비교](https://docs.wandb.ai/ko/models/app/features/panels/run-comparer.md): Run Comparer 패널을 사용해 W&B 실험 run 전반의 설정과 메트릭 차이를 확인하고 비교합니다.

###### 선형 플롯

- [선형 플롯 Overview](https://docs.wandb.ai/ko/models/app/features/panels/line-plot.md): 메트릭을 시각화하고, 축을 사용자 지정하고, 플롯에서 여러 선을 비교합니다
- [선형 플롯 레퍼런스](https://docs.wandb.ai/ko/models/app/features/panels/line-plot/reference.md): x축, y축, 스무딩, 집계, 그룹화 옵션을 포함한 선형 플롯 패널 설정 레퍼런스
- [포인트 집계](https://docs.wandb.ai/ko/models/app/features/panels/line-plot/sampling.md): W&B 선형 플롯의 두 가지 포인트 집계 모드인 full fidelity 버킷 샘플링과 랜덤 샘플링을 알아보세요.
- [선형 플롯 스무딩](https://docs.wandb.ai/ko/models/app/features/panels/line-plot/smoothing.md): 선형 플롯에서는 스무딩을 사용해 노이즈가 많은 데이터의 추세를 확인할 수 있습니다.

###### 쿼리 패널

- [쿼리 패널 Overview](https://docs.wandb.ai/ko/models/app/features/panels/query-panels.md): 이 페이지의 일부 기능은 베타 버전이며 기능 플래그로 숨겨져 있습니다. 관련된 모든 기능을 사용하려면 프로필 페이지의 소개에 `weave-plot`을 추가하세요.
- [객체 임베딩하기](https://docs.wandb.ai/ko/models/app/features/panels/query-panels/embedding-projector.md): W&B의 Embedding Projector를 사용하면 PCA, UMAP, t-SNE와 같은 일반적인 차원 축소 알고리즘으로 다차원 임베딩을 2D 평면에 시각화할 수 있습니다.

##### 맞춤형 차트

- [맞춤형 차트 Overview](https://docs.wandb.ai/ko/models/app/features/custom-charts.md): Vega 시각화로 W&B 프로젝트에서 맞춤형 차트를 만드세요
- [튜토리얼: 맞춤형 차트 사용하기](https://docs.wandb.ai/ko/models/app/features/custom-charts/walkthrough.md): W&B UI에서 맞춤형 차트 기능을 사용하는 튜토리얼

### 인테그레이션

- [인테그레이션 Overview](https://docs.wandb.ai/ko/models/integrations.md): ML 프레임워크, 클라우드 플랫폼, 워크플로 오케스트레이션 도구와의 W&B 인테그레이션을 탐색합니다
- [Python 라이브러리에 W&B 추가하기](https://docs.wandb.ai/ko/models/integrations/add-wandb-to-any-library.md): 실험 추적, 시스템 모니터링, Model Management를 위해 Python 라이브러리에 W&B를 통합하는 모범 사례입니다.

#### ML 프레임워크 및 라이브러리

##### ML 프레임워크

- [Keras](https://docs.wandb.ai/ko/models/integrations/keras.md): W&B Keras callback을 사용해 실험을 추적하고, 모델 체크포인트를 저장하고, 트레이닝 중 예측을 시각화합니다.
- [PyTorch](https://docs.wandb.ai/ko/models/integrations/pytorch.md): 실험 추적, 데이터셋 버전 관리, 메트릭·그라디언트·모델 로깅을 위해 W&B를 PyTorch와 통합하세요.
- [PyTorch Lightning](https://docs.wandb.ai/ko/models/integrations/lightning.md): 기본 제공 WandbLogger를 사용해 PyTorch Lightning에서 W&B로 실험 추적 및 모델 체크포인트를 관리하세요.
- [PyTorch Ignite](https://docs.wandb.ai/ko/models/integrations/ignite.md): PyTorch Ignite와 W&B를 통합하여 트레이닝 메트릭, 모델 파라미터, 실험 설정을 자동으로 로깅합니다.
- [TensorFlow](https://docs.wandb.ai/ko/models/integrations/tensorflow.md): 커스텀 메트릭을 로깅하고 Estimator 훅을 사용하며 TensorBoard 로그를 동기화할 수 있도록 W&B를 TensorFlow와 통합합니다.
- [XGBoost](https://docs.wandb.ai/ko/models/integrations/xgboost.md): W&B를 XGBoost와 통합해 그래디언트 부스팅 메트릭, 특성 중요도, 모델 성능을 자동으로 로깅합니다.

##### ML 라이브러리

- [Hugging Face](https://docs.wandb.ai/ko/models/integrations/huggingface.md): W&B를 사용해 Hugging Face 모델 성능을 시각화하고 추적하세요. 하이퍼파라미터, 메트릭, GPU 사용량도 로깅할 수 있습니다.
- [Hugging Face Accelerate](https://docs.wandb.ai/ko/models/integrations/accelerate.md): 간편하고 효율적이며 유연한 대규모 트레이닝 및 Inference
- [Hugging Face Diffusers](https://docs.wandb.ai/ko/models/integrations/diffusers.md): Hugging Face Diffusers와 함께 W&B autolog를 사용해 프롬프트, 생성된 미디어, 설정, 파이프라인 아키텍처를 추적하세요.
- [Hugging Face Simple Transformers](https://docs.wandb.ai/ko/models/integrations/simpletransformers.md): Hugging Face의 Transformers 라이브러리와 W&B를 통합하는 방법입니다.
- [Hugging Face Transformers](https://docs.wandb.ai/ko/models/integrations/huggingface_transformers.md): 실험 추적, 모델 체크포인트 저장, 데이터셋 버전 관리를 위해 Hugging Face Transformers Trainer와 함께 W&B를 사용하세요.
- [OpenAI Gym](https://docs.wandb.ai/ko/models/integrations/openai-gym.md): 강화 학습 실험을 추적하고 에피소드 성능 비디오를 기록할 수 있도록 W&B를 OpenAI Gym과 통합합니다.
- [PyTorch Geometric](https://docs.wandb.ai/ko/models/integrations/pytorch-geometric.md): 기하 딥러닝에서 그래프 시각화 및 실험 추적을 위해 W&B를 PyTorch Geometric과 통합하세요.
- [PyTorch torchtune](https://docs.wandb.ai/ko/models/integrations/torchtune.md): WandBLogger 메트릭 로거로 LLM fine-tuning 실험을 추적하려면 PyTorch torchtune에서 W&B 로깅을 사용하세요.

#### 클라우드 플랫폼

- [Azure OpenAI 파인튜닝](https://docs.wandb.ai/ko/models/integrations/azure-openai-fine-tuning.md): W&B 실험 추적을 사용해 Azure OpenAI 모델을 파인튜닝하고 메트릭, 하이퍼파라미터, 트레이닝 진행 상황을 로깅하세요.
- [OpenAI 파인튜닝](https://docs.wandb.ai/ko/models/integrations/openai-fine-tuning.md): W&B로 OpenAI 모델을 파인튜닝하여 트레이닝 메트릭을 로깅하고, 작업을 모니터링하며, 시간 경과에 따른 모델 성능을 비교합니다.
- [OpenAI API](https://docs.wandb.ai/ko/models/integrations/openai-api.md): W&B를 OpenAI API와 함께 사용해 chat completion, 파인튜닝 작업, token 사용 메트릭을 로깅하고 모니터링합니다.

#### 기타

- [Hydra](https://docs.wandb.ai/ko/models/integrations/hydra.md): Hydra와 W&B를 통합해 ML 실험을 위한 복잡한 설정을 관리하고 하이퍼파라미터를 자동으로 로깅하세요.
- [YOLOX](https://docs.wandb.ai/ko/models/integrations/yolox.md): W&B를 YOLOX와 통합하여 객체 탐지 모델 트레이닝을 추적하며, 메트릭을 로깅하고 탐지 결과를 시각화합니다.
- [YOLOv5](https://docs.wandb.ai/ko/models/integrations/yolov5.md): YOLOv5에 내장된 W&B 인테그레이션을 사용해 실험 추적, 모델 버전 관리, 예측 시각화를 수행합니다.

### 레퍼런스

- [Python SDK](https://docs.wandb.ai/ko/models/ref-link-python.md)
- [CLI](https://docs.wandb.ai/ko/models/ref-link-cli.md)
- [쿼리 표현식 언어](https://docs.wandb.ai/ko/models/ref-link-query-panel.md)
- [Reports와 Workspaces API](https://docs.wandb.ai/ko/models/ref-link-workspaces.md)