추가 적립 안내

《실전! 컴퓨터비전을 위한 머신러닝》은 머신러닝 모델을 활용해 이미지에서 정보를 추출하는 법을 알려주는 실용적인 책이다. 머신러닝(ML) 엔지니어와 데이터 사이언티스트는 검증된 ML 기법으로 이미지 분류, 객체 검출, 오토인코더, 이미지 생성, 계수, 캡션 생성 등의 다양한 이미지 문제를 해결하는 법을 배울 수 있다. 데이터셋을 만드는 것부터 시작해서 전처리, 모델 설계, 훈련, 검증, 배포, 해석가능성까지, 딥러닝의 모든 과정에 관한 훌륭한 소개가 담겨 있다.

구글의 엔지니어인 3명의 저자는 유연하고 지속가능한 방식의 강건한 ML 아키텍처를 사용해 정확하고 설명 가능한 컴퓨터 비전 ML 모델을 개발하고 대규모 프로덕션에 투입하는 법을 보여준다. 독자는 텐서플로와 케라스로 작성한 모델을 가지고 설계, 훈련, 검증, 예측하는 법을 배울 수 있다.

★ 이 책에서 다루는 내용 ★

◎ 컴퓨터비전 과업을 위한 ML 아키텍처를 설계
◎ 과업에 알맞는 모델(ResNet, SqueezeNet, EfficientNet 등)을 선택
◎ 모델을 훈련, 검증, 배포, 설명하는 전 구간 ML 파이프라인 만들기
◎ 이미지 전처리를 통해 데이터를 증강하고 학습 가능성을 향상
◎ 설명 가능성과 책임 있는 AI 모범 사례
◎ 이미지 모델을 웹 서비스 또는 에지 디바이스에 배포
◎ ML 모델을 모니터링하고 관리

▣ 01장: 컴퓨터비전을 위한 머신러닝
머신러닝
딥러닝 활용 사례
정리

▣ 02장: 컴퓨터비전에 쓰이는 ML 모델
기계 인식을 위한 데이터셋
__5-Flowers 데이터셋
__이미지 데이터를 읽기
__이미지 데이터를 시각화
__데이터셋 파일 읽기
케라스를 사용한 선형 모델
__케라스 모델
__모델 훈련 실습
케라스를 사용한 신경망
__신경망
__심층 신경망
정리
주요 용어

▣ 03장: 이미지 비전
미리 훈련된 임베딩
__미리 훈련된 모델
__전이학습
__파인튜닝
컨볼루션망
__컨볼루션 필터
__컨볼루션 레이어 쌓기
__풀링 레이어
__알렉스넷(AlexNet)
깊게, 더 깊게
__필터 분해
__1×1 컨볼루션
__VGG19
__전역 평균 풀링
모듈식 아키텍처
__인셉션(Inception)
__스퀴즈넷(SqueezeNet)
__레즈넷(ResNet)과 스킵 연결
__덴스넷(DenseNet)
__깊이 분리 가능 컨볼루션
__엑셉션(Xception)
신경 아키텍처 검색(Neural Architecture Search) 설계
__나스넷(NASNet)
__모바일넷군
컨볼루션 너머: 트랜스포머 아키텍처
모델 고르기
__성능 비교
__앙상블
__권장되는 전략
정리

▣ 04장: 객체 검출과 이미지 세분화
객체 검출
__YOLO
__레티나넷(RetinaNet)
세분화
__마스크 R-CNN과 인스턴스 세분화
__U-Net과 의미론적 세분화
정리

▣ 05장: 비전 데이터셋 만들기
이미지 수집
__사진
__이미징
__개념 증명
데이터 타입
__채널
__지리 공간 데이터
__오디오와 비디오
수동 라벨링
__다중 라벨
__객체 검출
대규모 라벨링
__라벨링 UI
__다중 과업
__투표와 크라우드 소싱
__라벨링 서비스
자동 라벨링
__관련 데이터의 라벨
__‘떠드는 학생’ 모델
__자체 지도 학습
편향
__편향의 원인
__선택 편향
__측정 편향
__확증 편향
__편향 감지
데이터셋 만들기
__데이터 분할
__텐서플로 레코드(TFRecord)
__텐서플로 레코드 읽기
정리

▣ 06장: 전처리
전처리를 하는 이유
__모양 변환
__데이터 품질 개선
__모델 품질 향상
크기와 해상도
__케라스 전처리 레이어 사용
__텐서플로 이미지 모듈 사용
__케라스와 텐서플로를 혼용
__모델 훈련
훈련-서빙 왜곡
__함수 재사용
__모델 내 전처리
__tf.transform 사용
__공간적 변환
색상 왜곡
__정보 삭제
입력 이미지 형성
정리

▣ 07장: 훈련 파이프라인
효율적인 수집
__데이터를 효율적으로 저장
__병렬로 데이터 읽기
__GPU 활용 극대화
모델 상태 저장
__모델 익스포팅
__체크포인팅
분배 전략
__전략 선택
__전략 만들기
서버리스 ML
__파이썬 패키지 작성
__훈련 작업 제출
__하이퍼파라미터 튜닝
__모델 배포
정리

▣ 08장: 모델 품질과 지속적인 평가
모니터링
__텐서보드
__가중치 히스토그램
__디바이스 위치
__데이터 시각화
__훈련 이벤트
모델 품질 지표
__분류를 위한 지표
__회귀 지표
__객체 검출 지표
품질 평가
__슬라이스 평가
__공정성 모니터링
__지속적인 평가
정리

▣ 09장: 모델 예측
예측하기
__모델 익스포팅
__메모리 내 모델 사용
__추상화 개선
__효율성 향상
온라인 예측
__텐서플로 서빙
__서빙 함수 수정
__이미지 바이트 처리
배치 예측과 스트림 예측
__아파치 빔 파이프라인
__배치 예측을 위한 관리형 서비스
__온라인 예측 호출
에지 ML
__제약 및 최적화
__텐서플로 라이트
__텐서플로 라이트 실행
__이미지 버퍼 처리
__연합 학습
정리

▣ 10장: 프로덕션 머신러닝 트렌드
머신러닝 파이프라인
__파이프라인의 필요성
__큐브플로 파이프라인 클러스터
__코드베이스 컨테이너화
__컴포넌트 작성
__컴포넌트 연결
__실행 자동화
설명 가능성
__기법
__설명 가능성 부여하기
노코드 컴퓨터비전
__노코드를 사용하는 이유
__데이터 로딩
__훈련
__평가
정리

▣ 11장: 고급 비전 문제
객체 측정
__참조 객체
__세분화
__회전 수정
__비율 및 측정
개수 세기
__밀도 추정
__패치 추출
__입력 이미지 시뮬레이션
__회귀
__예측
포즈 추정
__퍼슨랩
__포즈넷 모델
__여러 사람의 포즈를 식별
이미지 검색
__분산 검색
__빠른 검색
__더 나은 임베딩
정리

▣ 12장: 이미지 및 텍스트 생성
이미지 이해
__임베딩
__보조 학습 과업
__오토인코더
__변분 오토인코더
이미지 생성
__생성적 적대 네트워크
__GAN 개선
__이미지 대 이미지 변환
__그림 수정(인페인팅)
__이상 탐지
__딥페이크
이미지 캡션 생성
__데이터셋
__캡션 토큰화
__배치 처리
__캡션 모델
__훈련 루프
__예측
정리