자료검색

2019년 대한민국학술원 우수학술도서 선정도서

머신 러닝 기법을 활용하고 싶지만 어떻게 시작할지 막막한 실무자, 개발자를 위한 책이다. 최근에 머신 러닝과 딥러닝에 관련된 서비스 및 라이브러리가 많이 공개돼 있지만, 이를 잘 활용하기 위해서는 머신 러닝에 대한 배경지식이 필수적이다. 이 책에서는 머신 러닝을 실제로 적용하는데 필요한 관련 배경지식을 최소한의 수식과 간단한 파이썬 코드를 통해 체계적으로 머신 러닝부터 딥러닝까지 소개하고 있다.

★ 이 책에서 다루는 내용 ★
■ 개발자가 익숙한 접근 방식을 통한 머신 러닝의 수학 및 기법 학습
■ 널리 사용되는 머신 러닝 알고리즘/기술과 실제 문제 해결 방법
■ 인기 있는 프로그래밍 프레임워크를 사용해 고급 개념에 대한 학습
■ 머신 러닝 분야에서 일할 수 있는 준비
■ 머신 러닝을 사용해 컴퓨팅 문제를 해결하는 데 가장 잘 알려지고 강력한 도구에 대한 개요 제공
■ 현재 머신 러닝 분야에 대한 소개를 바탕으로 개념들을 흥미롭고 최첨단 문제에 적용


★ 이 책의 대상 독자 ★
이 책은 프로그래밍을 통해 머신 러닝 개념의 기초를 이해하고자 하는 개발자/기술에 관심이 많은 사람을 대상으로 한다. 이 책은 스크립팅 언어에 대한 경험이 있는 사람에 적합하고, 파이썬에 익숙하면 코드를 이해하는 데 더욱 유용할 것이다. 또한 현재 데이터 과학자들의 경우에는 새롭고 실질적인 접근법을 통해 기본 개념부터 이해하는 데 유용할 것이다.

★ 이 책의 구성 ★
1장, ‘소개: 머신 러닝 및 과학 통계’에서는 머신 러닝의 입문에 필요한 다양한 개념을 다룬다. 역사, 종류 및 해당 분야의 일반적인 개념에 대해 알아본다. 또한 이후에 개발되는 대부분의 기술을 이해하는 데 필요한 기본 수학적 개념을 소개한다.
2장, ‘학습 과정’에서는 머신 러닝 작업 과정에 있는 모든 단계를 다루며, 각 단계에서 사용되는 유용한 도구와 개념의 정의를 보여준다.
3장, ‘클러스터링’에서는 비지도 학습, 특히 K-평균과 K-NN 클러스터링을 위한 몇 가지 기술을 다룬다.
4장, ‘선형 및 로지스틱 회귀’에서는 이름은 비슷하지만 상당히 다른 두 가지 지도 학습 알고리즘을 다룬다. 이 두 알고리즘은 선형 회귀(시계열 예측을 수행)와 로지스틱 회귀(분류 목적으로 사용)다.
5장, ‘신경망’에서는 최신 머신 러닝 애플리케이션의 기본 구성 요소 중 하나인 신경망을 다루며, 단계적으로 실제 신경망을 구축하면서 마무리한다.
6장, ‘합성곱 신경망’에서는 신경망의 강력한 변형된 형태인 CNN을 다룬다. 실제 적용 예에서는 VGG16이라고 잘 알려진 CNN 구조의 내부를 실제적으로 둘러보는 것으로 마무리한다.
7장, ‘순환 신경망’에서는 RNN 개념의 개요와 가장 많이 사용되는 구조인 LSTM의 각 단계에 대해 다룬다. 마지막으로 시계열 예측에 대한 실제 예를 소개한다.
8장, ‘최근 모델 및 개발 현황’에서는 이 분야에서 큰 관심을 받고 있는 두 가지 기법, 즉 생성적 대립 신경망과 강화 학습의 전반적인 분야에 대해 다룬다.
9장, ‘소프트웨어 설치 및 설정’에서는 리눅스, 맥OS 및 윈도우의 세 가지 운영체제에서 머신 러닝을 구현하는 데 필요한 소프트웨어 패키지의 설치 방법을 설명한다.

★ 지은이의 말 ★
머신 러닝은 현재 인기 있는 분야 중 하나다. 중요한 기술로 언론의 찬사를 받으면서 최근에 데이터와 자동화로 동작하는 모든 곳에서 중요하게 투자해야 할 기술의 한 분야다. 그리고 머신 러닝은 이미지 이해, 로봇 공학, 검색 엔진, 자율 자동차 등과 같은 많은 분야에서 광범위하게 사용되고 있으며, 응용 분야가 계속 증가하고 있다. 이 책에서는 복잡한 수학적인 지식을 제외하고 코드와 다이어그램을 통해 머신 러닝의 기본 개념과 현재 기술을 다룬다.
기본적인 머신 러닝 개념, 종류 및 문제 유형에 대해 알아보면서 시작한다. 이후 기술을 이해하는 데 필요한 기본적인 수학 개념도 설명한다. 장들을 진행하면서 복잡도와 정교함이 증가하는 모델들에 대해 설명한다. 선형 회귀를 시작으로 로지스틱 회귀, 신경망 및 CNN, RNN 같은 첨단 머신 러닝 기술을 다루며, GAN과 강화 학습 같은 진보된 머신 러닝 기술을 소개하며 마무리한다.
이 책은 최종적으로 머신 러닝이 무엇인지 파악하고 기본적인 수학적 정의와 함께 알고리즘 관점에서 주요 기본 개념을 이해하고자 하는 개발자를 대상으로 한다. 이 책은 쉽게 인터페이스가 가능한 파이썬을 이용해 개념들을 구현한다. 파이썬은 코드를 통해 학습하기 위한 최고의 도구다. 따라서 파이썬 프로그래밍에 대해 익숙해지면 코드로 여러 가지를 할 수 있다. 다른 언어에 대한 경험이 있다면 어렵지는 않을 것이다.
자신의 머신 러닝 문제를 해결하는 데 필요한 알고리즘을 어떻게 정하는지, 최상의 결과를 얻기 위해 이 알고리즘이 어떻게 작동하는지에 대한 내용을 배운다. 머신 러닝을 빠르게 개발자가 익숙한 언어를 통해 배우고자 하고, 이 분야에 뛰어들기 위한 충분한 정보를 갖고자 한다면 이 책을 반드시 봐야 한다!
★ 옮긴이의 말 ★
알파고 쇼크 이후에 많은 사람이 인공지능에 관심을 갖게 됐다. 인공지능이 갑작스럽게 나온 기술인 것 같지만 오래전부터 지속적으로 연구가 진행됐던 분야다. 이 기술과 많은 데이터, 값싸고 성능 좋은 연산장치의 등장이 접목돼 알파고, 사람보다 사람 인식을 잘하는 서비스, 자율자동차 등과 같은 파격적인 결과물들이 등장하고 있다. 이 결과의 바탕에는 많은 데이터를 통해 시스템에 지능을 부여하는 머신 러닝이 있다. 우리가 인지하지는 못하지만 이 머신 러닝 기술은 오래전부터 온라인 스토어, SNS, 금융 분야 등에서 사용되고 있으며, 그 적용처가 점차 확대되고 있다.
이 책은 머신 러닝을 적용하고자 하는 실무자, 개발자, 혹은 머신 러닝에 관심 있는 사람을 위한 책이다. 머신 러닝은 선형 대수, 확률, 통계, 최적화 등에 기반을 학문이며, 이 분야에서 사용 중인 용어 및 관련 내용은 머신 러닝을 시작하기 위한 장애물이 되고 있다. 이 책에서는 실제로 머신 러닝을 적용하기 위해 필요한 배경지식을 최소한의 수식과 간단한 파이썬 코드를 통해 체계적으로 머신 러닝부터 딥러닝까지 설명한다. 이 책에서 소개하는 내용을 바탕으로 머신 러닝과 딥러닝에 관련된 서비스 및 라이브러리를 더욱 잘 활용할 수 있을 것이다.
아무쪼록 이 책이 머신 러닝 기법을 자신만의 프로젝트에 적용하고자 하는 독자들에게 도움이 됐으면 한다.

1장. 소개: 머신 러닝 및 통계 과학

__큰 그림에서의 머신 러닝

__사용하는 도구: 프로그래밍 언어 및 라이브러리

__기본적인 수학 개념

__확률 및 랜덤 변수

__확률 함수에 대한 통계적 측정 기준

__요약





2장. 학습 과정

__문제 이해

__데이터셋 정의 및 획득

__피처 엔지니어링

__데이터셋 전처리

__모델 정의

__손실 함수 정의

__모델 피팅 및 평가

__모델 구현 및 결과 해석

__요약





3장. 클러스터링

__사람처럼 그룹화

__클러스터링 과정 자동화

__공통 중심 찾기: K-평균

__최근접 이웃

__K-NN 샘플 구현

__요약





4장. 선형 및 로지스틱 회귀

__회귀 분석

__선형 회귀

__공분산 및 상관관계로 기울기 및 절편 탐색

__그래디언트 디센트

__실전 데이터 탐색 및 선형 회귀

__로지스틱 회귀

__요약





5장. 신경망

__신경 모델의 역사

__단층 퍼셉트론으로 간단한 함수 구현

__요약





6장. 합성곱 신경망

__컨벌루션 신경망의 기원

__심층 신경망

__Keras를 사용한 심층 신경망 배포

__Quiver로 컨벌루션 모델 탐색

__요약





7장. 순환 신경망

__순서가 있는 문제 풀기: RNNs

__LSTM

__에너지 소비 데이터를 이용한 단변량 시계열 예측

__요약





8장. 최근 모델 및 개발 현황

__GAN

__강화 학습

__기본 RL 기술: Q-러닝

__참고 자료

__요약





9장. 소프트웨어 설치 및 설정

__리눅스 설치

__맥OS X 환경 설치

__윈도우 설치

__요약