★ 이 책에서 다루는 내용 ★ ■ 머신러닝을 배포하기 위한 케라스와 쿠버네티스 실습 예제 ■ 데이터를 수집하고 관리하는 새로운 방법 ■ 다양한 AI 학습 모델에 대한 개요 ■ 예제를 수정 없이 재사용해 모델 배포 ■ 분명하고 이해하기 쉬운 방향 제시 ★ 이 책의 대상 독자 ★ 소프트웨어 개발자와 데이터 과학자를 위한 것이다. 머신러닝 모델을 개발하고, 이것을 애플리케이션 코드에 연결하며, 도커 컨테이너로 패키징된 마이크로서비스(Microservice)로 배포하는 과정을 설명한다. 최신 소프트웨어는 많은 부분이 머신러닝에 의해 구동되고 있으며 데이터 과학자와 소프트웨어 개발자는 서로의 영역에 대해 많이 알수록 더 큰 이득을 볼 수 있다고 생각된다. 여러분이 소프트웨어 개발 또는 데이터 과학의 초보자이든 혹은 전문가이든 상관없이, 이 책에는 여러분을 위한 무엇인가가 있을 거라고 생각한다. 예제들을 잘 이해하기 위해서는 프로그래밍에 대한 사전 지식이 있으면 가장 좋겠지만 코드와 예제는 매우 일반적인 독자를 대상으로 하고 있다. 제시된 코드에는 상세한 코멘트가 달려 있으므로 따라가기 쉬울 것이다. 파이썬, 싸이킷런(Scikit-Learn) 그리고 케라스와 같은 특정 라이브러리를 사용했지만 R이나 MATLAB, Java, SAS, C++ 같은 다른 언어나 라이브러리로 코드를 변환하기 위한 동등한 함수들을 찾을 수 있을 것이다. 개념을 이해하고자 코드를 자세히 살펴볼 필요가 없도록 가능한 한 많은 이론을 제공하려고 노력했다. 여러분의 데이터에 개념을 적용하기 쉽도록 코드는 매우 실용적으로 작성됐다. 자유롭게 예제 코드를 복제해 자신의 데이터셋에 적용해보기를 권한다. ★ 이 책의 구성 ★ 1장에서 5장까지 전반부에서는 머신러닝과 딥러닝에 중점을 둔다. 파이썬(Python) 코드를 사용해 머신러닝 모델을 작성하는 예를 보여주며, 이 과정을 자동화할 수 있는 도구의 예를 보여준다. 케라스(Keras) 라이브러리와 텐서플로(TensorFlow) 프레임워크를 사용해 이미지 분류 모델을 작성하는 예제를 보여준다. 이 로고 분류기 모델은 이미지에 들어 있는 코카콜라와 펩시콜라 로고를 식별하는 데 사용된다. 6장에서 10장까지에서는 이들 머신러닝 및 딥러닝 모델들을 실제로 프로덕션 환경에 배포하는 방법을 설명한다. 데이터 과학자들의 몇 가지 공통 관심사에 관해 얘기하며, 소프트웨어 개발자들이 이 모델들을 구현하는 방법을 논의한다. 앞에서 나온 로고 분류기를 쿠버네티스를 사용해 규모에 맞춰 배포하는 예를 설명한다. ★ 옮긴이의 말 ★ 먼저 이 책은 데이터 과학, 머신러닝 혹은 딥러닝을 가르치는 책이 아니다. 그렇다고 쿠버네티스를 처음 접하는 사람에게 개념부터 실용까지를 친절하게 안내하는 핸즈온(hands-on) 타입의 책도 아니다. 그럼에도 꼭 읽어봐야겠다고 생각했다. 이것이 처음 이 책을 접했을 때의 느낌이다. 그런데 이 책은 누구를 위한 책일까? 국내에 인공지능의 바람이 불기 시작하던 10년 전과 비교하면, 웹에는 인공지능에 대한 정보가 넘쳐나고 있다 특히 요즘은 이론보다는 실습을 위주로 하는 핸즈온 방식의 서적이 그득하다. 머신러닝이나 딥러닝 강의를 듣고 이론을 코드로 구현하는 것이 훨씬 용이해졌다는 뜻이다. 인공지능에 열정이 있고 코딩 소질이 있는 학생들은 약간의 이론만 듣고도 꽤 멋있는 애플리케이션을 만들어 와서 나를 감탄하게 한다. 그러나 최신의 딥러닝 알고리즘을 응용해 멋진 애플리케이션을 만들었다고 하더라도 고객에게 서비스하려면 추가로 많은 노력과 지식이 필요하며 사내 다른 부서나 동료들과의 협업이 필요하지만 학교 교과 과정을 통해 전달하거나 경험하기엔 다소 부족한 면이 없잖다. 현대 소프트웨어 개발은 애자일 방법론으로 전환된 지 오래다. 컨테이너 오케스트레이션 플랫폼인 쿠버네티스는 사실상 업계 표준으로 여겨지고 있다. 이 책은 머신러닝 엔지니어 또는 데이터 과학자가 머신러닝 개발의 수명주기의 각 단계에서 실무적으로 고려해야 할 것들과 도움을 줄 수 있는 도구 그리고 개발을 완료한 이후 쿠버네티스에서 마이크로서비스로 배포하는 과정들을 쉽지만 자세히 설명하고 있다. 간단한 머신러닝 모델에서 시작해 모델의 구축, 훈련 및 배포의 각 단계별로 소스 코드와 함께 친절히 설명하고 있다. 독자가 머신러닝이나 데이터 과학 분야를 담당하는 엔지니어라면, 효과적이고 효율적으로 배포하기 위해 알아야 할 것들을 짧은 시간 내에 전체적으로 훑어보고 향후 공부해야 할 방향을 잡는 데 큰 도움이 될 수 있을 것이다.

1장. 빅데이터와 인공지능 __데이터는 새로운 석유이며 AI는 새로운 전기다 ____기계들의 부상 ____처리 능력의 지수적 성장 ____애널리틱스의 새로운 유형 ____무엇이 AI를 그렇게 특별하게 하는가 __인공지능의 응용 ____데이터에서 애널리틱스의 구축 ____애널리틱스의 유형: 응용 기준 ____애널리틱스의 유형: 의사 결정 로직 기반 ____애널리틱스 주도형 시스템의 구축 __요약 2장. 머신러닝 __데이터에서 패턴 찾기 __막강한 머신러닝 커뮤니티 __머신러닝 기법의 유형 ____비지도학습 ____지도학습 ____강화학습 __간단한 문제의 해 ____비지도학습 ____지도학습: 선형회귀 ____경사하강 최적화 ____선형회귀에 경사하강법 적용하기 ____지도학습: 분류 __더 큰 데이터셋의 분석 ____정확도에 대한 측도: 정밀도 및 재현율 __분류 방법의 비교 __편향 대 분산: 미적합 대 과적합 __강화학습 ____모델 기반 강화학습 ____모델 프리 강화학습 __요약 3장. 비정형 데이터 다루기 __정형 데이터 대 비정형 데이터 __이미지 인식 __동영상 다루기 __텍스트 데이터 다루기 __소리 듣기 __요약 4장. 케라스를 사용한 딥러닝 __비정형 데이터의 처리 ____신경망 ____역전파와 경사하강법 ____뱃치 경사하강법과 확률적 경사하강법 ____신경망 아키텍처 __텐서플로와 케라스 __편향과 분산: 미적합과 과적합 __요약 5장. 고급 딥러닝 __심층 모델의 부상 __새로운 종류의 네트워크 층 ____컨볼루션 층 ____풀링 층 ____드롭아웃 층 ____뱃치 정규화 층 __패션 이미지 분류를 위한 심층 신경망 구축 __CNN 아키텍처와 하이퍼파라미터 __사전 훈련된 VGG 모델로 예측하기 __데이터 보강과 전이 학습 __실제 분류 문제: 펩시콜라 대 코카콜라 __순환 신경망 __요약 6장. 최첨단 딥러닝 프로젝트 __신경망 스타일 전이 __AI를 사용한 이미지 생성 __오토인코더를 사용한 신용카드 부정 사용 탐지 __요약 7장. 최신 소프트웨어 세계의 AI __소프트웨어의 최신 요구 사항 훑어보기 __AI가 최신 소프트웨어 개발에 어떻게 적합한가 __간편한 웹 애플리케이션 __클라우드 컴퓨팅의 부상 __컨테이너와 CaaS ____컨테이너가 있는 마이크로서비스 __쿠버네티스: 인프라 관련 문제를 위한 CaaS 솔루션 __요약 8장. AI 모델을 마이크로서비스로 배포하기 __도커와 쿠버네티스를 사용한 간단한 마이크로서비스 구축 __앱에 AI 스마트 추가하기 __앱을 컨테이너로 패키징하기 __저장소에 도커 이미지 푸시하기 __앱을 쿠버네티스에 마이크로서비스로 배포하기 __요약 9장. 머신러닝 개발 수명주기 __머신러닝 모델 수명주기 ____1단계: 문제의 정의와 실제 참값 확립 ____2단계: 데이터의 수집, 정제 및 준비 ____3단계: 모델 구축 및 훈련 ____4단계: 모델 검증 및 하이퍼파라미터 튜닝 ____5단계: 프로덕션 환경으로 배포 ____피드백과 모델 업데이트 __엣지 장치에 배포하기 __요약 10장. 머신러닝 플랫폼 __머신러닝 플랫폼 문제 ____데이터 수집 ____데이터 정제 ____애널리틱스 사용자 인터페이스 ____모델 개발 ____규모에 맞는 훈련 ____하이퍼파라미터 튜닝 ____자동 배포 ____로깅 및 모니터링 __머신러닝 플랫폼 통합 __요약 __맺음말