추가 적립 안내

개발자에게 바치는 머신러닝 가이드북!
코드를 구현하며 개발자의 시선으로 배우는 인공지능!

이 책은 개발자에게 바치는 머신러닝 가이드북입니다. 철저하게 개발자의 시선에서 접근하고 실제 산업계에서 자주 사용되는 모델에 관해 설명합니다. 동시에 신경망의 원리와 기초 구현 방법, 케라스 라이브러리의 사용법과 텐서플로를 활용한 모델 배포 방안도 포함합니다. 복잡한 머신러닝 이론 대신, 간단한 AI 구현 코드를 보여주면서 구조와 프로세스를 설명합니다. 그리고 초보 학습자가 궁금해할 문제를 선별하여 이러한 문제와 연계해 새로운 내용을 소개합니다. 이 책의 모든 장에서 비슷한 방법을 사용하고 있습니다.

개발자에게 바치는 머신러닝 가이드북!
코드를 구현하며 개발자의 시선으로 배우는 인공지능!

이 책은 개발자에게 바치는 머신러닝 가이드북입니다. 철저하게 개발자의 시선에서 접근하고 실제 산업계에서 자주 사용되는 모델에 관해 설명합니다. 동시에 신경망의 원리와 기초 구현 방법, 케라스 라이브러리의 사용법과 텐서플로를 활용한 모델 배포 방안도 포함합니다. 복잡한 머신러닝 이론 대신, 간단한 AI 구현 코드를 보여주면서 구조와 프로세스를 설명합니다. 그리고 초보 학습자가 궁금해할 문제를 선별하여 이러한 문제와 연계해 새로운 내용을 소개합니다. 이 책의 모든 장에서 비슷한 방법을 사용하고 있습니다.

이 책은 크게 두 파트로 나뉩니다. 상편(1장~4장)에서는 간단한 머신러닝 애플리케이션을 이해하고 개발할 수 있도록 도와주며, 하편(5장~9장)에서는 인공지능 기술의 3대 영역인 추천 시스템, 자연어 처리(NLP), 그리고 이미지 처리에 초점을 맞춰 설명합니다. 코드를 통해 설명하는 부분에서는 전체적인 구조와 프로세스를 중심으로 전개해, 네트워크 구조가 어떻게 코드를 통해 구현되는지 군더더기 없이 설명합니다.

이 책의 대상 독자
ㆍ 인공지능 개발자나 데이터 과학자로 전향하고 싶은 프로그래머
ㆍ 코드 구현 사례를 배우고자 하는 머신러닝 연구원이나 데이터 과학자

상편
CHAPTER 01 머신러닝의 Hello World 3
1.1 머신러닝에 대한 간략한 소개 3
1.2 머신러닝 애플리케이션의 핵심 개발 프로세스 5
1.3 코드로 시작하기 8
1.4 마무리 11
1.5 참고자료 11

CHAPTER 02 직접 구현하는 신경망 12
2.1 퍼셉트론 12
2.2 선형 회귀와 경사 하강법 구현 17
2.3 확률적 경사 하강법의 구현 23
2.4 파이썬을 통한 단층 신경망 구현 25
2.5 요약 40
2.6 참고자료 40

CHAPTER 03 케라스 시작하기 41
3.1 케라스 소개 41
3.2 케라스 개발 입문 42
3.3 케라스 개념 설명 46
3.4 다시 코드 실습으로 72
3.5 요약 77
3.6 참고자료 78

CHAPTER 04 예측과 분류: 간단한 머신러닝 응용 79
4.1 머신러닝 프레임워크 - 사이킷런 소개 79
4.2 분류 알고리즘 기초 82
4.3 의사결정 트리 92
4.4 선형 회귀 103
4.5 로지스틱 회귀 104
4.6 신경망 110
4.7 요약 123
4.8 참고자료 123

하편
CHAPTER 05 추천 시스템 기초 127
5.1 추천 시스템 소개 127
5.2 유사도 계산 130
5.3 협업 필터링 131
5.4 추천 환경에서 사용하는 로지스틱 회귀 모델 137
5.5 여러 모델을 융합한 추천 모델: Wide&Deep 모델 140
5.6 요약 149
5.7 참고자료 149

CHAPTER 06 실전 프로젝트: 챗봇 만들기 150
6.1 챗봇의 발전 역사 150
6.2 순환 신경망 152
6.3 Seq2Seq 소개 및 구현 161
6.4 어텐션 176
6.5 요약 187
6.6 참고자료 187

CHAPTER 07 이미지 분류 실전 프로젝트 189
7.1 이미지 분류와 합성곱 신경망 189
7.2 합성곱 신경망의 원리 192
7.3 실전 예제: 교통 표지판 분류 202
7.4 최적화 정책 211
7.5 요약 217
7.6 참고자료 217

CHAPTER 08 객체 검출 218
8.1 CNN의 진화 219
8.2 YOLO 241
8.3 YOLO v3 구현 252
8.4 요약 292
8.5 참고자료 293

CHAPTER 09 모델 배포 및 서비스 295
9.1 생산 환경에서의 모델 서비스 295
9.2 텐서플로 서빙의 응용 298
9.3 요약 306
9.4 참고자료 307

이 책의 가장 큰 특징은 개발자의 시각에서 인공지능을 설명하고 있다는 점입니다. 아무래도 두 저자 모두 컴퓨터과학 전공이다 보니, 자연스럽게 개발자의 시선으로 인공지능을 개발하고 적용하는 문제를 고민하기 시작했을 것이라 생각합니다. 주변에 많은 개발자 분들이 인공지능 열풍에 흥미를 느끼거나 반대로 불안감을 느껴 관련 공부를 시작하고 있습니다. 물론 대학교 때 배웠던 선형대수, 미적분을 다시 복습하고 고급 통계를 배우는 정도(正道)를 걷는 것은 매우 권장할 일이지만, 저자의 의도처럼 경험 있는 개발자들이 인공지능에 대해 빠르게 습득하고 적용할 수 있는 가이드도 필요하다고 생각합니다. 이 책은 인공지능 개념이 아직은 생소한 개발자가 머신러닝과 딥러닝의 핵심 개념들을 코드로 실습해가며 빠르게 습득할 수 있도록 도와줍니다. _ix

이어서 네트워크 훈련을 시작해 봅시다. 훈련 과정은 이전 프로세스와 상당히 유사합니다. 이전 코드 예제인 simple_perceptron과 linear_regression에서는 코드가 너무 간단해 훈련 과정에서 일정 개념에 대한 구현을 보여줄 수 없었습니다. 예를 들어, simple_perceptron 코드 예시에서 손실함수와 가중치 업데이트 방법에 대해 정의하지 않고 net_input과 predict를 단독으로 실행했습니다(실질적으로 활성화 함수에 해당합니다). 그리고 linear_regression 코드 예제에서는 손실함수와 가중치 업데이트 update_weight의 개념에 대해서 강조하고 경사 하강법을 사용한 최적화에 대해서는 설명했지만, 네트워크 입력과 활성화 함수에 대해서는 언급하지 않았습니다. _29p

사용자 기반의 협업 필터링 방법은 먼저 유사도 공식을 사용해 대상 사용자와 비슷한 취향을 가진 K개의 최대 유사 사용자 이웃(nearest neighbor)을 얻고, 해당 유사 사용자의 취향에 기반해 대상 사용자에 대한 추천을 진행합니다. 계산적인 측면에서 한 사용자의 전체 상품에 대한 선호도를 하나의 벡터로 하여 사용자 사이의 유사도를 계산합니다. _131p

앞서 언급했던 소벨 연산자와 비교하면, 여기의 소벨 연산자가 포함하는 두 행렬은 모든 이미지에 대해 동일합니다. 즉, 소벨 연산자를 사용하는 모든 이미지가 동일한 행렬 수치를 사용한다는 이야기와 같습니다. 이는 커널 함수와 동일합니다. 차이라고 한다면 소벨 연산자는 인간의 실험과 경험적 설계에 기반해 얻어지지만, 딥러닝의 경사 하강법 등의 알고리즘을 통하면 적합하고 다양한 이미지 데이터에 대해 공통으로 사용할 수 있는 커널 파라미터를 찾을 수 있다는 것입니다. _200p

따라서 많은 회사의 머신러닝 서비스에는 전문적인 머신러닝 모델 서비스가 필요합니다. 즉, 머신러닝 모델의 특징과 사용 방법에 맞춰 전문적인 온라인 서비스 구조를 만들어 데이터 과학자가 설계한 모델을 효율적인 전용 모델 파일로 변환해 자체 정의한 프레임워크를 통해 대외적 서비스를 진행하는 것입니다. 우리는 이러한 과정을 모델 서빙(model serving)이라고 부릅니다. 그림 9-1은 비교적 초기의 모델 서빙 프레임워크를 보여주고 있습니다. _297p