추가 적립 안내

이제는 개인이 혼자서 코딩도 하고 컴퓨터도 갖추는 등 모든 걸 갖추고 연구개발을 수행하
는 시대는 지났다. 그렇게 해서 달성할 수 있는 작업의 수준은 오픈소스를 사용하는 것에
비해 시간뿐만 아니라 성능 면에서도 경쟁력을 갖출 수 없으며, 요금을 지불해야 하는 클
라우드 서비스를 활용하는 것 보다 결과적으로 유지 및 업그레이드 면에서 더 비용이 커지
게 될 수도 있다. 거대 글로벌 기업들이 막강한 인적, 물적 자원을 동원해서 개발하고 공개
하는 딥 뉴럴 네트워크의 성능을 개인 차원의 리소스로 도달하고 프로젝트를 수행한다는
것은, 이제는 돈키호테의 이야기에나 등장할 법한 무모한 시대가 되어 가고 있다.

개인 수준에서 가정에서 몇 날 며칠을 돌리기에 부담 되는 몇 백 와트를 소모하는 몇 백만원짜리 그래픽 카드를 갖춘다 해서 어차피 성능이 비교가 되지 않으며, 급속히 발전하는 하드웨어기술에 맞춰 업그레이드 하며 따라가는 것도 대부분의 개인 및 중소기업의 연구개발자들에게 불가능할 것이다. 그 대안을 클라우드 서비스에서 찾을 수 있을 것이다.

아직은 사용량에 따른 비용이 만만치 않지만, 아마존, 구글, 마이크로소프트 등의 경쟁이
진행되면서 요금이 점점 저렴해질 것으로 기대한다. 리소스 사용에 따라 요금이 적지 않을
수 있으나, 일단 고비용 업그레이드 및 유지 부담에서 벗어날 수 있다. AWS 요금 모델이
저렴한 편은 아닐 수 있으나, 다양한 요금 옵션(예: on-demand pricing, reserved instance pricing, spot
instance pricing)을 제공하고 있으므로 자신의 사용량 등 필요에 따라 적합한 요금 모델을 선택
한다면 비용을 낮출 수 있을 것이다. 또한, AWS가 아직은 가장 선두주자로 볼 수 있다:
(출처: https://cloud.google.com/gartner-caids)

- AWS를 이용하면 다음과 같은 장점이 있다:
- 딥 러닝을 위한 별도의 하드웨어 불필요
- 필요에 따라 용량 확장 또는 축소 조절 가능
- 약정 없이 사용한 만큼만 요금 지불
- 엔터프라이즈급 보안
- 어디에서든 안전하게 접속 가능

더 자세한 이론 설명이 필요한 경우 패턴인식(유현중 역), 기계학습(오일석 저) 등의 도서를 참고하기를
권한다. 또한 이 책은 다소 구현 위주로 작성되어 있으므로, 이해를 돕기 위해 유튜브 등을
통해 AWS에 관한 사전 지식을 미리 공부하고 시작하기를 권한다(예: https://www.youtube.com/
watch?v=R0vC31OXt-g). 또한 이 책을 읽으면서 아래 그림의 AWS의 머신 러닝과 인공지능 스
택을 염두에 두고 읽으면 도움이 될 것이다(빠른 변화로 인해 AWS 화면 관련 책의 그림들이 현재와 다를 수 있다).

AWS는 데이터 과학자들이 다양한 머신 러닝 클라우드 서비스를 탐색할 수 있도록 새로운
혁신을 지속적으로 추진하고 있다. 이 책은 AWS에서 고급 머신 러닝 알고리즘을 배우고
구현하기 위한 포괄적인 참고 도서이다.

이 책으로 공부하면서 알고리즘들을 Elastic MapReduce의 Apache Spark, SageMaker 및
TensorFlow를 사용하여 AWS에서 훈련, 튜닝 및 배포하는 방법에 관한 통찰력을 얻을 수
있을 것이다. XGBoost, 선형 모델, 인수분해(Factorization) 머신 및 딥 네트워크와 같은 알
고리즘에 중점을 두는 동시에, 이 책에서는 실제 문제를 해결하는 데 도움이 되는 세부적
인 실용적 애플리케이션뿐만 아니라 AWS의 개요도 제공한다. 모든 실용적 애플리케이션
에는 AWS에서 실행하는 데 필요한 모든 코드가 포함된 일련의 컴패니언 노트북이 포함되
어 있다. 다음 몇 장에서는 스마트 분석 및 예측 모델링에서 감정(어감) 분석에 이르기까지
SageMaker 및 EMR 노트북을 사용하여 다양한 작업을 수행하는 방법을 배운다.

이 책을 끝내면 AWS에서 머신 러닝 프로젝트를 효과적으로 처리하고, 알고리즘을 구현 및
평가하는 데 필요한 기술을 갖추게 될 것이다.

| 이 책의 대상 |
이 책은 AWS및 이의 통합 서비스를 사용하여 클라우드에 고급 모델과 스마트 애플리케이
션을 구축하려는 데이터 과학자, 머신 러닝 개발자, 딥 러닝 애호가 및 AWS 사용자를 대
상으로 한다. 머신 러닝 개념, Python 프로그래밍, 그리고 AWS를 조금이라도 이해하고 있
다면 도움이 될 것이다.

■이 책의 특징

1 장 “AWS용 머신 러닝 시작하기”에서는 머신 러닝을 소개한다. 데이터 과학자가 머신 러
닝을 배우는 이유와, AWS가 다양한 실제 문제를 해결하는데 어떻게 도움을 주는지에
관해 설명한다. 또한 이 책에서 다룰 AWS 서비스 및 도구에 관해서도 설명한다.

2 장 “Naive Bayes에 의한 트위터 피드 분류”에서는 Naive Bayes 알고리즘의 기초를 소개
하고, 이 알고리즘 및 언어 모델을 사용하여 해결할 텍스트 분류 문제를 제시한다.
scikit-learn과 SageMaker BlazingText의 Apache Spark를 사용하여 Naive Bayes를
적용하는 방법을 설명하는 예제를 제공한다. 또한 더 복잡한 시나리오에서 베이지안
추론의 개념을 사용하는 방법을 살펴볼 것이다. 트위터 API를 사용하여 두 정당원의
트윗을 스트리밍하고, 어느 정당에 속하는지 예측한다. scikit-learn, Apache Spark,
SageMaker 및 BlazingText를 사용한다.

3 장 “회귀 알고리즘에 의한 주택 가격 예측”에서는 회귀 알고리즘의 기초를 소개하고, 이
를 적용하여 다양한 특징이 주어졌을 때 주택 가격을 예측한다. 분류 문제에 로지스
틱 회귀를 사용하는 방법도 소개한다. scikit-learn과 Apache Spark 용 SageMaker의
예제가 제공된다. https://www.kaggle.com/c/boston-housing/의 Boston Housing
Price 데이터셋과 scikit-learn, Apache Spark, SageMaker를 사용한다.

4 장 “트리 기반 방법에 의한 사용자 행동 예측”은 의사 결정 트리, 랜덤 포리스트, 그
래디언트 부스트 트리를 소개한다. 이 알고리즘을 사용하여 사용자가 광고를 클릭
할 시기를 예측하는 방법을 살펴 보겠다. 또한 AWS EMR과 Apache Spark를 사용
하여 대규모로 모델을 제작하는 방법에 대해 설명한다. Adform 클릭 예측 데이터
셋(https://doi.org/10.7910/DVN/TADBY7, Harvard Dataverse, V2)을 사용한다.
xgboost, Apache Spark, SageMaker, EMR 라이브러리를 사용한다.

5 장 “클러스터링 알고리즘을 사용한 고객 세분화”에서는 고객 패턴에 기반해서 고객 세
분화에 적용하는 방법을 탐구하여 주요 클러스터링 알고리즘을 소개한다. AWS
SageMaker를 통해 skicit-learn 및 Apache Spark에서 이러한 알고리즘을 실행하
는 방법을 보여준다. Fabien Daniel의 전자 상거래 데이터(https://www.kaggle.
com/fabiendaniel/customer-segmentation/data)와 scikit-learn, Apache Spark 및
SageMaker를 사용한다.

6 장 “추천을 위한 방문자 패턴 분석”에서는 맞춤형 마케팅 전략을 추천하기 위해 이
동 패턴을 기반으로 비슷한 사용자를 찾는 문제를 제시한다. scikit-learn과 AWS
SageMaker의 Apache Spark의 예제와 함께 협업 필터링 및 거리 기반 방법이 소개된
다. Kwan Hui Lim의 테마 파크 명소 방문 데이터셋(https://sites.google.com/site/
limkwanhui/datacode), Apache Spark, SageMaker를 사용한다.

7 장 “딥 러닝 알고리즘”에서는 딥 러닝의 주요 개념을 소개하고, 이것이 오늘날 AI 기반
제품과 왜 밀접한 관련이 있는지 설명한다. 이 장의 목적은 딥 러닝의 이론적인 세부
사항을 논의하는 것이 아니라, 알고리즘을 예제로 설명하고, 딥 러닝 알고리즘에 대
한 높은 수준의 개념 이해를 제공하는 것이다. 이것은 그 다음 장들에서 무엇을 구현
하고 있는지 이해할 수 있는 발판을 제공할 것이다.

8 장 “AWS에서 TensorFlow를 사용한 딥 러닝 구현”에서는 일련의 실용적인 영상 인식
문제를 살펴보고, AWS에서 TensorFlow를 사용해서 이를 해결하는 방법을 설명한
다. TensorFlow는 심층 신경망을 훈련시키는 데 사용할 수 있는 매우 인기있는 딥
러닝 프레임워크다. 이 장에서는 TensorFlow를 설치하고, 간단한 데이터셋과 함께
딥 러닝 모델의 훈련에 사용하는 방법을 설명한다. TensorFlow 및 SageMaker와 함
께 MNIST 필기 숫자 데이터셋(http://yann.lecun.com/exdb/mnist/)을 사용한다.

9 장 “SageMaker를 사용한 영상 분류 및 검출”에서는 앞 장에서 다뤄진 영상 분류 문제를
SageMaker의 영상 분류 알고리즘 및 객체 검출 알고리즘을 사용해서 다시 다룬다.
다음 데이터셋을 사용한다:
ㆍ C altech256(http://www.vision.caltech.edu/Image_Datasets/Caltech256/)
AWS SageMaker도 사용한다.

10 장 “AWS Comprehend”에서는 다양하고 유용한 작업을 수행하는 NLP 도구인
Comprehend라는 AWS 도구의 기능에 대해 설명한다.

11 장 “AWS Rekognition”에서는 딥 러닝을 사용하는 영상 인식 도구인 Rekognition 사용
방법을 설명한다. 독자들은 자신의 애플리케이션에 영상 인식을 쉽게 적용하는 방법을 배운다.

12 장 “AWS Lex를 사용한 대화형 인터페이스 구축”에서는 대화형 인터페이스를 구축할
수 있게 해주는 도구인 AWS Lex를 설명한다. 이 장에서는 딥 러닝을 이용한 자연
어 이해 같은 주제를 소개한다.

13 장 “AWS에서 클러스터 생성하기”에서는 딥 러닝의 주요 문제 중 하나인 여러 머신에
학습을 확장하고 병렬화하는 방법을 설명한다. 이 장에서는 학습기 클러스터를 만
드는 다양한 방법을 살펴 본다. 특히 분산 TensorFlow와 Apache Spark를 통해 딥
러닝 파이프라인을 병렬화하는 방법에 중점을 둔다.

14 장 “Spark와 SageMaker에서의 모델 최적화”에서는 AWS에서 훈련된 모델을 프로덕션
환경에서 원활하게 실행하도록 더욱 최적화 하는 방법을 설명한다. 이 섹션에서는
알고리즘 성능을 향상시키기 위해 사용할 수 있는 다양한 트릭에 대해 설명한다.

15 장 “머신 러닝을 위한 클러스터 튜닝”에서는 많은 데이터 과학자와 머신 러닝 전문가
가 머신 러닝 데이터 파이프라인을 대규모로 실행하려 할 때 직면하는 스케일 문
제를 다룬다. 이 장에서는 주로 대규모 머신 러닝 작업을 실행하기 위한 강력한 도
구인 EMR에 초점을 맞춘다. EMR을 구성(configure)하는 방법은 여러 가지가 있으
며, 모든 시나리오에 대해 모든 설정이 작동하는 것은 아니다. EMR의 주요 구성을
살펴보고, 각 구성이 서로 다른 목표들을 위해 어떻게 작동하는지 설명한다. 또한
AWS를 통해 빅 데이터 파이프라인을 실행하는 다른 방법도 제시한다.

16 장 “AWS 구축 모델 배포”에서는 배포에 대해 설명한다. 이 시점에서 독자는 AWS에
서 구축한 모델이 있으며, 이를 프로덕션에 보내고 싶을 것이다. 우리는 모델을 배
포해야 하는 다양한 컨텍스트가 있다는 것을 알고 있다. 어떤 경우에는 일부 시스
템에 제공되는 작업의 CSV를 생성하는 것만큼 쉽다. 대부분 예측할 수 있는 웹 서
비스를 배포하기만 하면 된다. 그러나 모델을 복잡하고 지연 시간이 짧은 에지 시
스템에 배포해야하는 경우가 많다. 머신 러닝 모델을 프로덕션에 배포할 수 있는
다양한 방법을 살펴 본다.

제1부 AWS에서의 ML
1장 AWS로 ML 시작하기 03
1.1 AWS가 데이터 과학자의 역량을 키워주는 이유 03
1.1.1 ML에 AWS 도구 사용하기 05
1.2 ML로 해결할 수 있는 문제인지 식별하기 06
1.3 ML 프로젝트 라이프 싸이클 07
1.3.1 데이터 수집 07
1.3.2 평가 메트릭 08
1.3.3 알고리즘 선정 08
1.4 모델 배치 09
요약 09
연습문제 09
제2부 AWS에서 대규모 ML 알고리즘 구현하기
2장 나이브 베이즈(Na?ve Bayes )에 의한 트위터 피드 분류 13
2.1 분류 알고리즘 15
2.2 나이브 베이즈(Na?ve Bayes) 분류기 17
2.3 언어 모델을 이용해서 텍스트 분류하기 20
2.4 Naive Bayes의 장단점 55
요약 56
연습문제 56
XIV 목차
3장 회귀 알고리즘에 의한 주택 가격 예측 57
3.1 주택 가격 예측 57
3.2 선형 회귀의 이해 58
3.3 회귀 모델 평가 62
3.4 Scikit-learn을 통한 선형 회귀 구현 64
3.5 Apache Spark를 통한 선형 회귀 구현 67
3.6 SageMaker 선형 학습기를 통한 선형 회귀 구현 70
3.7 로지스틱 회귀 이해 73
3.8 선형 모델의 장단점 74
요약 74
4장 트리 기반 사용자 행동 예측 75
4.1 결정 트리 이해 75
4.2 랜덤 포리스트 알고리즘 83
4.3 그래디언트 부스팅 알고리즘 84
4.4 로그 스트림의 클릭 예측 84
요약 110
연습문제 111
5.1 클러스터링 알고리즘 원리 113
5장 클러스터링 알고리즘을 이용한 고객 세분화 113
5.2 EMR에서 Apache Spark를 이용한 클러스터링 120
요약 136
연습문제 137
6장 방문자 패턴 분석을 통한 추천 139
6.1 Flickr 데이터를 이용한 테마파크 명소 추천 139
6.2 협업 필터링 140
6.3 Apache Spark의 ALS를 통한 추천 찾기 144
XV 목차
6.4 SageMaker FM(Factorization Machine)을 통한 명소 추천 151
요약 160
연습문제 161
제3부 딥러닝
7장 DL 알고리즘 구현 165
7.1 DL 이해 165
7.2 DL 응용 167
7.3 DL 알고리즘 169
7.4 CNN 174
요약 177
연습문제 178
8장 AWS에서 TensorFlow로 DL 구현하기 179
8.1 TensorFlow 소개 179
8.2 일반 ML 라이브러리로서의 TF 180
8.3 SageMaker를 통한 TF 모델 훈련 및 서비스 184
8.4 TF를 사용한 맞춤형 NN 제작 189
요약 194
연습문제 195
9장 SageMaker를 사용한 이미지 분류 및 검출 197
9.1 이미지 분류를 위한 Amazon SageMaker 소개 197
9.2 Amazon SageMaker를 사용한 DL 모델 훈련 199
9.3 Amazon SageMaker를 사용한 이미지 분류 206
요약 209
연습문제 209
XVI 목차
제4부 AWS ML 서비스 통합
10장 AWS Comprehend 사용 213
10.1 Amazon Comprehend 소개 214
10.2 Amazon Comprehend 액세스 215
10.3 Comprehend를 사용한 NER 215
10.4 Comprehend를 사용한 어감 분석 219
10.5 Comprehend를 사용한 텍스트 분류 221
요약 230
연습문제 231
11장 AWS Rekognition 233
11.1 Amazon Rekognition 소개 233
11.2 객체 및 장면 검출 구현 234
11.3 얼굴 분석 구현 238
요약 244
연습문제 245
12장 AWS Lex를 이용한 대화형 인터페이스 247
12.1 Amazon Lex 소개 247
12.2 Amazon Lex로 맞춤형 챗봇 만들기 248
요약 254
연습문제 254
XVII 목차
제5부 AWS를 통한 모델 최적화 및 배포
13장 AWS에서의 클러스터 생성 257
13.1 인스턴스 유형 선택 257
13.2 분산 DL 263
요약 267
14장 Spark 및 SageMaker에서의 모델 최적화 269
14.1 모델 최적화의 중요성 269
14.2 자동 하이퍼파라미터 튜닝 270
14.3 Apache Spark에서의 하이퍼파라미터 튜닝 271
14.4 SageMaker에서의 하이퍼파라미터 튜닝 273
요약 278
연습문제 278
15장 ML을 위한 클러스터 튜닝 279
15.1 EMR 아키텍처 소개 279
15.2 응용별 EMR 튜닝 283
15.3 Glue에 의한 데이터 파이프라인 관리 286
요약 292
6장 AWS에 구축한 모델 배포하기 293
16.1 SageMaker 모델 배포 293
16.2 Apache Spark 모델 배포 298

요약 305
연습문제 305
부록 AWS 시작하기 307