★ 이 책에서 다루는 내용 ★ ■ 데이터에 대해 다양한 질문을 하기 위해 여러 가지 머신 러닝 모델을 사용하는 방법 ■ 텐서플로 1.x를 사용한 심층 신경망 제작 방법 ■ 자신의 알고리즘을 최적화하고 장점을 강화하기 위해 파이썬 코드를 깔끔하고 우아하게 작성하는 방법 ■ 자신의 머신 러닝 모델을 웹 애플리케이션에 심어 접근성을 높이는 방법 ■ AWS에서 여러 GPU를 사용해 더 빠르게 학습시키는 방법 ★ 이 책의 대상 독자 ★ 실생활 애플리케이션에 쓰일 수 있을 만큼 멋지고 실용적인 머신 러닝 시스템을 만들고자 한다면 이 책이 이상적이다. 머신 러닝 개념, 파이썬 프로그래밍, IDE와 커맨드라인에 익숙한 상태여야 한다. 업무에 활용하기 위해 머신 러닝과 텐서플로에 대해 배워야 하는 프로그래머나 과학자 혹은 엔지니어에게도 유용한 책이다. ★ 이 책의 구성 ★ 1장, '텐서플로 시작'에서는 우분투, 맥OS, 윈도우에서 텐서플로를 설치하고 시작하는 방법을 알아본다. 2장, '첫 번째 분류기'에서는 텐서플로를 사용하는 첫 번째 예로 손글씨 인식기를 만들어 본다. 3장, '텐서플로 도구상자'에서는 더 효과적이고 쉽게 텐서플로를 사용할 수 있게 하는 텐서플로의 도구들을 간략하게 알아본다. 4장, '고양이와 개'에서는 텐서플로에서 합성곱 신경망을 사용해 이미지 분류기를 만드는 방법을 알아본다. 5장, '순열에서 순열 모델로'에서는 순열-순열 모델을 사용해 영어에서 프랑스어로 번역하는 번역기를 만들어본다. 6장, '의미 찾기'에서는 문맥 분석, 실체 추출, 키워드 추출, 단어 간 연관 관계 추출을 사용해 텍스트 내의 의미를 찾는 방법을 알아본다. 7장, '머신 러닝으로 돈 벌기'에서는 금융 세상이라는 데이터양이 어마어마한 세계로 뛰어든다. 금융 문제를 해결하기 위해 시계열 데이터를 사용하는 방법을 알아본다. 8장, '의학 진단 문제'에서는 기업에서 다룰 만한 정도로 큰 문제인 의학 진단 문제를 심층 신경망을 사용해 해결하는 여러 가지 방법을 알아본다. 9장, '순항 제어: 자동화'에서는 훈련에서부터 모델을 서비스하는 데 이르기까지 운영계 시스템을 만드는 데 필요한 사항들을 알아본다. 사용자 피드백을 받아 매일매일 자동으로 훈련하는 과정도 시스템에 구현한다. 10장, '가동 준비와 성공'에서는 아마존 웹 서비스의 세상을 안내한다. 또한 아마존 서버에서 여러 개의 GPU를 사용한 시스템을 사용했을 때의 장점도 알아본다. 11장, '더 고려할 사항: 21가지 문제'에서는 이 책을 읽고 난 후 텐서플로와 딥러닝으로 도전해 볼 만한 21가지 실세상 문제를 소개한다. 부록 A, '고급 설치'에서는 GPU에 대해 알아본 후 단계별로 CUDA를 설정하고 GPU 기반 텐서플로를 설치하는 방법을 알아본다.

1장. 텐서플로 시작 __현재 사용 버전 __텐서플로 설치 ____우분투 설치 ____맥OS 설치 ____윈도우 설치 ____가상머신 설정 ____설치한 텐서플로 검사 __요약 2장. 첫 번째 분류기 __중요 사항 __훈련 데이터 획득 __훈련 데이터 다운로드 __분류에 대해 이해 ____훈련 데이터 준비 자동화 __추가 설정 ____이미지를 행렬로 변환 __논리적 중단점 __머신 러닝 서류가방 __훈련하기 __다음 사용을 위한 모델 저장 __테스트 세트를 숨기는 이유 __분류기 사용 __신경망 속으로 깊숙이 빠져들기 __다룬 기술 __요약 3장. 텐서플로 도구상자 __빠른 미리 보기 __텐서보드 설치 ____텐서보드 코드 추가 ____AlexNet __실행 자동화 __요약 4장. 고양이와 개 __notMNIST 다시 보기 ____프로그램 구성 ____합성곱 신경망 이해 ____구성 다시 보기 ____합성곱 신경망 만들기 ____수행 __훈련일 __실제 고양이와 개 __다음에 사용할 수 있게 모델 저장 __분류기 사용 __다룬 기술 __요약 5장. 순열에서 순열 모델로: 프랑스어 할 줄 아세요? __빠른 미리 보기 __소방호스에 입 대고 물 마시기 __훈련일 __요약 6장. 의미 찾기 __추가 설정 __다룬 기술 __요약 7장. 머신 러닝으로 돈 벌기 __입력과 접근 방법 ____데이터 얻기 __문제에 접근 ____데이터 다운로드와 수정 ____데이터 보기 ____특성 추출 ____학습과 테스트 준비 ____신경망 생성 ____학습 ____테스트 __더 고려할 사항 __개인 투자를 위한 현실적인 고려 사항 __다룬 기술 __요약 8장. 의학 진단 문제 __도전 과제 __데이터 __파이프라인 ____파이프라인 이해 ____데이터셋 준비 ____데이터 준비 과정의 설명 ____훈련 단계 ____검증 단계 ____텐서보드로 출력 시각화 __더 고려할 사항 ____기타 의학 데이터 도전 과제 ____ISBI 위대한 챌린지 ____의학 데이터 읽기 __다룬 기술 __요약 9장. 순항 제어: 자동화 __시스템 개요 __프로젝트 설정 __빠른 훈련을 위해 미리 훈련된 모델 불러들이기 ____이미 훈련된 모델 테스트 __준비한 데이터셋에 맞춘 모델 훈련 ____옥스퍼드-IIIT 반려동물 데이터셋 소개 ____훈련과 테스트를 위한 입력 파이프라인 설정 ____모델 정의 ____훈련 연산 정의 ____훈련 과정 수행 ____운영계에서 사용할 모델 내보내기 __운영계에서 모델 서비스 ____텐서플로 서빙 설정 ____모델 실행과 테스트 ____웹 서버 설계 __운영계에서 자동으로 미세 조정 ____사용자가 레이블을 제공한 데이터 읽어 들이기 ____모델에 대한 미세 조정 ____매일 실행하도록 cronjob 설정 __요약 10장. 가동 준비와 성공 __아마존 웹 서비스 간단한 소개 ____P2 인스턴스 ____G2 인스턴스 ____F1 인스턴스 ____가격 정책 __애플리케이션 개요 ____데이터셋 ____데이터셋과 입력 파이프라인 준비 ____신경망 구조 ____한 개의 GPU로 훈련 ____다중 GPU로 훈련 __메커니컬 터크 개요 __요약 11장. 더 고려할 사항: 21가지 문제 __데이터셋과 챌린지 ____문제 1: ImageNet 데이터셋 ____문제 2: COCO 데이터셋 ____문제 3: 오픈 이미지 데이터셋 ____문제 4: 유튜브-8M 데이터셋 ____문제 5: AudioSet 데이터셋 ____문제 6: LSUN 챌린지 ____문제 7: MegaFace 데이터셋 ____문제 8: 2017 데이터 과학 볼 챌린지 ____문제 9: 스타크래프트 게임 데이터셋 __텐서플로 기반 프로젝트 ____문제 10: 사람 자세 측정 ____문제 11: 물체 검출 - YOLO ____문제 12: 물에 검출 - Faster RCNN ____문제 13: 인물 검출 - tensorbox ____문제 14: 마젠타 ____문제 15: 웨이브넷 ____문제 16: Deep Speech __흥미로운 프로젝트 ____문제 17: 대화식 심층 채색 - iDeepColor ____문제 18: 조그마한 얼굴 검출기 ____문제 19: 인물 검색 ____문제 20: 얼굴 인식 - MobileID ____문제 21: 질의응답 - DrQA __카페에서 텐서플로 __TensorFlow-Slim __요약 부록 A. 고급 설치 __설치 ____엔비디아 드라이버 설치 ____CUDA 툴킷 설치 ____cuDNN 설치 ____텐서플로 설치 ____텐서플로가 GPU를 지원하는지 검증 __아나콘다에서 텐서플로 사용 __요약

[옮긴이의 말] 입력 계층 뒤에 은닉 계층, 은닉 계층 뒤에 출력 계층으로 이뤄지는 간단한 인공 신경망.' 그게 2000년대 초반 제가 처음 만든 신경망의 모습이었습니다. 학부생이 교수님 하시는 말씀을 얼마나 알아들었겠습니까. 그저 “이게 입력돼서 저기에 들어가면 여하간에 문제 공간을 탐색해서 이렇게, 저렇게 움직이다 보면 짜잔 답을 내놓습니다.”라고 하시면 “아아 그렇구나”하고 고개를 끄덕인 다음에 “그래서 코딩은 어떻게 해야 하는 거지?”라고 생각할 뿐이었습니다. 사실 당시에는 인공 신경망보다 유전 알고리즘의 인기가 좋아서 복잡한 문제를 어떻게 풀어야 할지 모르겠다 싶으면 “유전 알고리즘을 적용해볼까”하는 생각이 들 때였습니다. 지금은 크게 달라졌지만요. 그러면 정말로 어떤 문제에든 딥러닝을 적용하면 해결될까요? 그럴 리가 없습니다. 먼저 자신이 풀려고 하는 문제의 특성을 알고, 그에 맞는 데이터를 준비해야 하며, 데이터를 어떻게 표현할 것이고, 은닉 계층은 얼마나 둘 것이며, 이 데이터에는 합성곱을 쓰는 게 좋은지, 학습률은 어떻게 줄여나갈 건지, 신경은 어떤 식으로 활성화시킬 건지, 학습과 검증 데이터는 어떻게 분리할 것이고, 얼마나 많이 반복해서 학습시킬 건지, 학습시킬 머신은 어디서 구할 건지, GPU 카드가 꼭 있어야 하는지 등등을 모두 고민해야 합니다. 하지만 구글이 내놓은 텐서플로를 활용하면 이런 고민 한 구절구절마다 시간 들여 구현할 게 거의 없다는 게 매력적입니다. 고민이야 해야 하는 거지만, 딥러닝을 구현하는 데 온갖 시간을 다 써서 도저히 다른 버전을 만들 생각도 안 드는 일은 없게 된 것입니다. 오히려 너무 간단하게 선택할 수 있는 게 많아서 적당한 걸 찾지 못하지는 않을지 걱정스러울 정도입니다. 제가 처음 만들었던 인공 신경망을 다시 생각해보면 참으로 배부른 소리고, 그만큼 저변이 넓어진다는 면에서 좋은 이야기입니다. 이 책을 처음 받아봤을 때로부터 지금 이 글을 쓰는 때까지 벌써 텐서플로의 마이너 버전이 세 번도 넘게 바뀌었습니다(맙소사 지금 찾아보니 텐서플로 1.9가 새로 나왔군요!). 한국어판의 코드는 제가 텐서플로 v1.8(2018년 4월 28일 릴리즈)로 업데이트했습니다만, 그 후로도 텐서플로는 계속 바뀌고 있습니다. 특히 텐서플로는 버전 간 하위호환성을 유지하지 않을 때가 있어 책 내의 코드 중 일부를 수정했습니다만, 여러분이 실행하실 때에도 잘될지는 장담하기 어렵습니다. 빠르게 확장되고 수정되는 것이 장점이라고 너그러이 생각하시고 코드를 들여다보고 수정하면서 코드를 깊이 있게 이해해보시길 바랍니다. 이 책을 읽어주실 독자 여러분들께 감사드립니다.