초보자와 전문가 모두를 만족시킨 전 세계 1위 베스트셀러 이 책은 이론과 실습을 아우르며 머신러닝과 딥러닝 모두를 관통하는 큰 그림을 그릴 수 있도록 돕습니다. 특히 도식을 활용한 설명과 최신 버전의 실무 밀착형 코드 예제를 통해 손쉽게 모델을 훈련하고 신경망을 구축하는 방법을 익힐 수 있습니다. 또한 장마다 제공되는 연습문제를 풀면서 배운 내용을 복습하고 자신의 프로젝트에 적용해볼 수 있습니다. 파이썬 프로그래밍 경험이 있다면 바로 시작해보세요. 누구나 머신러닝 전문가가 될 수 있습니다! ** 3판에서 업데이트된 내용 ** ● 코드 전체를 최신 라이브러리 버전으로 업데이트 ● 상세한 모델 선택 가이드라인 ● 사이킷런과 케라스의 새로운 기능 ○ 사이킷런: 특성 이름 추적, 히스토그램 기반 그레이디언트 부스팅, 레이블 전파 등 ○ 케라스: 전처리 층, 데이터 증식 층 등 ● 2판에 없는 라이브러리 추가 ○ 하이퍼파라미터 튜닝을 위한 케라스 튜너 라이브러리 ○ 자연어 처리를 위한 허깅 페이스의 트랜스포머스 라이브러리 ● 확산 모델(스테이블 디퓨전) ● 컴퓨터 비전, 자연어 처리 분야의 최신 트렌드와 구현 ** 누구를 위한 책인가요? ** ● 기초 지식은 있지만 실무 경험이 적은 초보자 ● 실무 능력을 향상시키고 싶은 중급자 ● 머신러닝을 프로젝트에 활용하고 싶은 개발자와 엔지니어 ● 머신러닝 연구나 데이터 분석 작업을 하는 데이터 과학자와 연구자 ** 이 책의 장점 ** 1. 복잡한 이론을 나열하지 않고 실용적인 예제를 통해 자세히 설명합니다. 2. 직접 실습해보면서 실무 문제 해결 능력을 기르고 자신만의 포트폴리오를 완성할 수 있습니다. 3. 여러 가지 머신러닝 및 딥러닝 모델과 도구, 라이브러리에 관한 지식을 확장할 수 있습니다. 4. 스테이블 디퓨전을 비롯한 최신 컴퓨터 비전, 자연어 처리, 강화 학습 트렌드를 반영했습니다. [추천사] 3판에는 특히 컴퓨터 비전과 자연어 처리 분야의 최신 이론들이 추가되었고, 케라스, 텐서플로, 구글 클라우드 등에서 개선 및 추가된 새로운 기능들을 다루고 있어 더욱 유용합니다. 권순선, 구글 Global ML Ecosystem Programs Lead 3판은 두꺼운 만큼 최신 인공 지능 동향과 기술적인 내용을 많이 담고 있습니다. ‘핸즈온 머신러닝’이라는 책 제목처럼 실제로 경험해보며 머신러닝 지식을 쌓을 수 있는 좋은 책입니다. 강찬석, LG 전자 이 책만큼 머신러닝과 딥러닝에 관한 이론과 실습을 집대성하는 책을 꼽기 어려울 정도로 인공 지능 분야의 바이블과도 같은 책입니다. 여느 부트캠프를 수료한 것 이상으로 혹은 현업 전문가처럼 머신러닝과 딥러닝에 대한 전반적인 내용을 익힐 수 있을 것입니다. 박조은, 오늘코드 깔끔한 번역과 함께 깃허브로 모든 코드를 실행해볼 수 있는 주피터 노트북을 제공하고 있어서 학습에 큰 도움이 됩니다. 조선민, 포지큐브 소프트웨어 엔지니어 지속적인 개정을 거쳐 최신 변경 사항과 트렌드를 반영했으며, 기존 설명을 더욱 완성도 높은 예제와 함께 보강하여 최신 버전을 익히는 데 도움이 됩니다. 이기용, Growdle AI 개발 팀 수학적 이론부터 코드 적용까지 매우 구체적으로 다루며 논리적 흐름도 매우 탄탄합니다. 머신러닝을 제대로 공부하고자 한다면 이 책이 그 목표를 이뤄줄 것이라고 자신 있게 말할 수 있습니다. 강민재, 성균관대학교 전자전기공학부 처음 머신러닝과 딥러닝 분야에 발을 들이는 사람에게 체계적이고 실용적인 학습 경험을 제공하며, 복잡한 개념과 기술을 쉽게 이해할 수 있도록 안내합니다. 노병준, 순천향대학교 AI빅데이터학과 머신러닝 입문부터 컴퓨터 비전과 자연어 처리 최신 모델까지 방대한 내용을 살펴볼 수 있기 때문에 꼭 읽어보기를 추천합니다. 가장 흥미로웠던 것은 스테이블 디퓨전을 다룬다는 점입니다! 백혜림, 이포쉬림 대표 겸 AI 강사

[1부 머신러닝] 1장 한눈에 보는 머신러닝 1.1 머신러닝이란? 1.2 왜 머신러닝을 사용하나요? 1.3 애플리케이션 사례 1.4 머신러닝 시스템의 종류 _1.4.1 훈련 지도 방식 __지도 학습 __비지도 학습 __준비도 학습 __자기 지도 학습 __강화 학습 _1.4.2 배치 학습과 온라인 학습 __배치 학습 __온라인 학습 _1.4.3 사례 기반 학습과 모델 기반 학습 __사례 기반 학습 __모델 기반 학습 1.5 머신러닝의 주요 도전 과제 _1.5.1 충분하지 않은 양의 훈련 데이터 _1.5.2 대표성 없는 훈련 데이터 _1.5.3 낮은 품질의 데이터 _1.5.4 관련없는 특성 _1.5.5 훈련 데이터 과대적합 _1.5.6 훈련 데이터 과소적합 _1.5.7 핵심 요약 1.6 테스트와 검증 _1.6.1 하이퍼파라미터 튜닝과 모델 선택 _1.6.2 데이터 불일치 연습문제 2장 머신러닝 프로젝트 처음부터 끝까지 2.1 실제 데이터로 작업하기 2.2 큰 그림 보기 _2.2.1 문제 정의 _2.2.2 성능 측정 지표 선택 _2.2.3 가정 검사 2.3 데이터 가져오기 _2.3.1 구글 코랩을 사용하여 예제 코드 실행하기 _2.3.2 코드와 데이터 저장하기 _2.3.3 대화식 환경의 편리함과 위험 _2.3.4 책의 코드와 노트북의 코드 _2.3.5 데이터 다운로드 _2.3.6 데이터 구조 훑어보기 _2.3.7 테스트 세트 만들기 2.4 데이터 이해를 위한 탐색과 시각화 _2.4.1 지리적 데이터 시각화하기 _2.4.2 상관관계 조사하기 _2.4.3 특성 조합으로 실험하기 2.5 머신러닝 알고리즘을 위한 데이터 준비 _2.5.1 데이터 정제 _2.5.2 텍스트와 범주형 특성 다루기 _2.5.3 특성 스케일과 변환 _2.5.4 사용자 정의 변환기 _2.5.5 변환 파이프라인 2.6 모델 선택과 훈련 _2.6.1 훈련 세트에서 훈련하고 평가하기 _2.6.2 교차 검증으로 평가하기 2.7 모델 미세 튜닝 _2.7.1 그리드 서치 _2.7.2 랜덤 서치 _2.7.3 앙상블 방법 _2.7.4 최상의 모델과 오차 분석 _2.7.5 테스트 세트로 시스템 평가하기 2.8 론칭, 모니터링, 시스템 유지 보수 2.9 직접 해보세요! 연습문제 3장 분류 3.1 MNIST 3.2 이진 분류기 훈련 3.3 성능 측정 _3.3.1 교차 검증을 사용한 정확도 측정 _3.3.2 오차 행렬 _3.3.3 정밀도와 재현율 _3.3.4 정밀도/재현율 트레이드오프 _3.3.5 ROC 곡선 3.4 다중 분류 3.5 오류 분석 3.6 다중 레이블 분류 3.7 다중 출력 분류 연습문제 4장 모델 훈련 4.1 선형 회귀 _4.1.1 정규 방정식 _4.1.2 계산 복잡도 4.2 경사 하강법 _4.2.1 배치 경사 하강법 _4.2.2 확률적 경사 하강법 _4.2.3 미니배치 경사 하강법 4.3 다항 회귀 4.4 학습 곡선 4.5 규제가 있는 선형 모델 _4.5.1 릿지 회귀 _4.5.2 라쏘 회귀 _4.5.3 엘라스틱넷 _4.5.4 조기 종료 4.6 로지스틱 회귀 _4.6.1 확률 추정 _4.6.2 훈련과 비용 함수 _4.6.3 결정 경계 _4.6.4 소프트맥스 회귀 연습문제 5장 서포트 벡터 머신 5.1 선형 SVM 분류 _5.1.1 소프트 마진 분류 5.2 비선형 SVM 분류 _5.2.1 다항식 커널 _5.2.2 유사도 특성 _5.2.3 가우스 RBF 커널 _5.2.4 계산 복잡도 5.3 SVM 회귀 5.4 SVM 이론 5.5 쌍대 문제 _5.5.1 커널 SVM 연습문제 6장 결정 트리 6.1 결정 트리 학습과 시각화 6.2 예측 6.3 클래스 확률 추정 6.4 CART 훈련 알고리즘 6.5 계산 복잡도 6.6 지니 불순도 또는 엔트로피? 6.7 규제 매개변수 6.8 회귀 6.9 축 방향에 대한 민감성 6.10 결정 트리의 분산 문제 연습문제 7장 앙상블 학습과 랜덤 포레스트 7.1 투표 기반 분류기 7.2 배깅과 페이스팅 _7.2.1 사이킷런의 배깅과 페이스팅 _7.2.2 OOB 평가 7.3 랜덤 패치와 랜덤 서브스페이스 7.4 랜덤 포레스트 _7.4.1 엑스트라 트리 _7.4.2 특성 중요도 7.5 부스팅 7.5.1 AdaBoost _7.5.2 그레이디언트 부스팅 _7.5.3 히스토그램 기반 그레이디언트 부스팅 _7.6 스태킹 연습문제 8장 차원 축소 8.1 차원의 저주 8.2 차원 축소를 위한 접근법 _8.2.1 투영 _8.2.2 매니폴드 학습 8.3 주성분 분석 _8.3.1 분산 보존 _8.3.2 주성분 _8.3.3 d차원으로 투영하기 _8.3.4 사이킷런 사용하기 _8.3.5 설명된 분산의 비율 _8.3.6 적절한 차원 수 선택 _8.3.7 압축을 위한 PCA _8.3.8 랜덤 PCA _8.3.9 점진적 PCA 8.4 랜덤 투영 8.5 지역 선형 임베딩 8.6 다른 차원 축소 기법 연습문제 9장 비지도 학습 9.1 군집 _9.1.1 k-평균 __k-평균 알고리즘 __센트로이드 초기화 방법 __k-평균 속도 개선과 미니배치 k-평균 __최적의 클러스터 개수 찾기 _9.1.2 k-평균의 한계 _9.1.3 군집을 사용한 이미지 분할 _9.1.4 군집을 사용한 준지도 학습 _9.1.5 DBSCAN _9.1.6 다른 군집 알고리즘 9.2 가우스 혼합 _9.2.1 가우스 혼합을 사용한 이상치 탐지 _9.2.2 클러스터 개수 선택 _9.2.3 베이즈 가우스 혼합 모델 _9.2.4 이상치 탐지와 특이치 탐지를 위한 알고리즘 연습문제 [2부 신경망과 딥러닝] 10장 케라스를 사용한 인공 신경망 소개 10.1 생물학적 뉴런에서 인공 뉴런까지 _10.1.1 생물학적 뉴런 _10.1.2 뉴런을 사용한 논리 연산 _10.1.3 퍼셉트론 _10.1.4 다층 퍼셉트론과 역전파 _10.1.5 회귀를 위한 다층 퍼셉트론 _10.1.6 분류를 위한 다층 퍼셉트론 10.2 케라스로 다층 퍼셉트론 구현하기 _10.2.1 시퀀셜 API로 이미지 분류기 만들기 __케라스로 데이터셋 적재하기 __시퀀셜 API로 모델 만들기 __모델 컴파일 __모델 훈련과 평가 __모델로 예측 만들기 _10.2.2 시퀀셜 API로 회귀용 다층 퍼셉트론 만들기 _10.2.3 함수형 API로 복잡한 모델 만들기 _10.2.4 서브클래싱 API로 동적 모델 만들기 _10.2.5 모델 저장과 복원하기 _10.2.6 콜백 사용하기 _10.2.7 텐서보드로 시각화하기 10.3 신경망 하이퍼파라미터 튜닝하기 _10.3.1 은닉 층 개수 _10.3.2 은닉 층의 뉴런 개수 _10.3.3 학습률, 배치 크기 그리고 다른 하이퍼파라미터 연습문제 11장 심층 신경망 훈련 11.1 그레이디언트 소실과 폭주 문제 _11.1.1 글로럿과 He 초기화 _11.1.2 고급 활성화 함수 __LeakyReLU __ELU와 SELU __GELU, Swish, Mish _11.1.3 배치 정규화 __케라스로 배치 정규화 구현하기 _11.1.4 그레이디언트 클리핑 11.2 사전 훈련된 층 재사용하기 _11.2.1 케라스를 사용한 전이 학습 _11.2.2 비지도 사전 훈련 _11.2.3 보조 작업에서 사전 훈련 11.3 고속 옵티마이저 _11.3.1 모멘텀 최적화 _11.3.2 네스테로프 가속 경사 _11.3.3 AdaGrad _11.3.4 RMSProp _11.3.5 Adam _11.3.6 AdaMax _11.3.7 Nadam _11.3.8 AdamW _11.3.9 학습률 스케줄링 11.4 규제를 사용해 과대적합 피하기 _11.4.1 l1과 l2 규제 _11.4.2 드롭아웃 _11.4.3 몬테 카를로 드롭아웃 _11.4.4 맥스-노름 규제 11.5 요약 및 실용적인 가이드라인 연습문제 12장 텐서플로를 사용한 사용자 정의 모델과 훈련 12.1 텐서플로 훑어보기 12.2 넘파이처럼 텐서플로 사용하기 _12.2.1 텐서와 연산 _12.2.2 텐서와 넘파이 _12.2.3 타입 변환 _12.2.4 변수 _12.2.5 다른 데이터 구조 12.3 사용자 정의 모델과 훈련 알고리즘 _12.3.1 사용자 정의 손실 함수 _12.3.2 사용자 정의 요소를 가진 모델을 저장하고 로드하기 _12.3.3 활성화 함수, 초기화, 규제, 제한을 커스터마이징하기 _12.3.4 사용자 정의 지표 _12.3.5 사용자 정의 층 _12.3.6 사용자 정의 모델 _12.3.7 모델 구성 요소에 기반한 손실과 지표 _12.3.8 자동 미분으로 그레이디언트 계산하기 _12.3.9 사용자 정의 훈련 반복 12.4 텐서플로 함수와 그래프 _12.4.1 오토그래프와 트레이싱 _12.4.2 텐서플로 함수 사용법 연습문제 13장 텐서플로를 사용한 데이터 적재와 전처리 13.1 데이터 API _13.1.1 연쇄 변환 _13.1.2 데이터 셔플링 _13.1.3 여러 파일에서 한 줄씩 번갈아 읽기 _13.1.4 데이터 전처리 _13.1.5 데이터 적재와 전처리 합치기 _13.1.6 프리페치 _13.1.7 케라스와 데이터셋 사용하기 13.2 TFRecord 포맷 _13.2.1 압축된 TFRecord 파일 _13.2.2 프로토콜 버퍼 개요 _13.2.3 텐서플로 프로토콜 버퍼 _13.2.4 Example 프로토콜 버퍼 읽고 파싱하기 _13.2.5 SequenceExample 프로토콜 버퍼로 리스트의 리스트 다루기 13.3 케라스의 전처리 층 _13.3.1 Normalization 층 _13.3.2 Discretization 층 _13.3.3 CategoryEncoding 층 _13.3.4 StringLookup 층 _13.3.5 Hashing 층 _13.3.6 임베딩을 사용해 범주형 특성 인코딩하기 _13.3.7 텍스트 전처리 _13.3.8 사전 훈련된 언어 모델 구성 요소 사용하기 _13.3.9 이미지 전처리 층 13.5 텐서플로 데이터셋 프로젝트 연습문제 14장 합성곱 신경망을 사용한 컴퓨터 비전 14.1 시각 피질 구조 14.2 합성곱 층 _14.2.1 필터 _14.2.2 여러 가지 특성 맵 쌓기 _14.2.3 케라스로 합성곱 층 구현하기 _14.2.4 메모리 요구 사항 14.3 풀링 층 14.4 케라스로 풀링 층 구현하기 14.5 CNN 구조 _14.5.1 LeNet-5 _14.5.2 AlexNet _14.5.3 GoogLeNet _14.5.4 VGGNet _14.5.5 ResNet _14.5.6 Xception _14.5.7 SENet _14.5.8 주목할 만한 다른 구조 _14.5.9 올바른 CNN 구조 선택 14.6 케라스로 ResNet-34 CNN 구현하기 14.7 케라스의 사전 훈련 모델 사용하기 14.8 사전 훈련된 모델을 사용한 전이 학습 14.9 분류와 위치 추정 14.10 객체 탐지 _14.10.1 완전 합성곱 신경망 _14.10.2 YOLO 14.11 객체 추적 14.12 시맨틱 분할 연습문제 15장 RNN과 CNN을 사용한 시퀀스 처리 15.1 순환 뉴런과 순환 층 _15.1.1 메모리 셀 _15.1.2 입력과 출력 시퀀스 15.2 RNN 훈련하기 15.3 시계열 예측하기 _15.3.1 ARMA 모델 _15.3.2 머신러닝 모델을 위한 데이터 준비하기 _15.3.3 선형 모델로 예측하기 _15.3.4 간단한 RNN으로 예측하기 _15.3.5 심층 RNN으로 예측하기 _15.3.6 다변량 시계열 예측하기 _15.3.7 여러 타임 스텝 앞 예측하기 _15.3.8 시퀀스-투-시퀀스 모델로 예측하기 15.4 긴 시퀀스 다루기 _15.4.1 불안정한 그레이디언트 문제와 싸우기 _15.4.2 단기 기억 문제 해결하기 __LSTM 셀 __GRU 셀 __1D 합성곱 층으로 시퀀스 처리하기 __WaveNet 연습문제 16장 RNN과 어텐션을 사용한 자연어 처리 16.1 Char-RNN으로 셰익스피어 문체 생성하기 _16.1.1 훈련 데이터셋 만들기 _16.1.2 Char-RNN 모델 만들고 훈련하기 _16.1.3 가짜 셰익스피어 텍스트 생성하기 _16.1.4 상태가 있는 RNN 16.2 감성 분석 _16.2.1 마스킹 _16.2.2 사전 훈련된 임베딩과 언어 모델 재사용하기 16.3 신경망 기계 번역을 위한 인코더-디코더 네트워크 _16.3.1 양방향 RNN _16.3.2 빔 서치 16.4 어텐션 메커니즘 _16.4.1 트랜스포머 구조: 어텐션만 있으면 된다 __위치 인코딩 __멀티 헤드 어텐션 16.5 언어 모델 분야의 최근 혁신 16.6 비전 트랜스포머 16.7 허깅 페이스의 트랜스포머스 라이브러리 연습문제 17장 오토인코더, GAN 그리고 확산 모델 17.1 효율적인 데이터 표현 17.2 과소완전 선형 오토인코더로 PCA 수행하기 17.3 적층 오토인코더 _17.3.1 케라스로 적층 오토인코더 구현하기 _17.3.2 재구성 시각화 _17.3.3 패션 MNIST 데이터셋 시각화 _17.3.4 적층 오토인코더를 사용한 비지도 사전 훈련 _17.3.5 가중치 묶기 _17.3.6 오토인코더 한 개씩 훈련하기 17.4 합성곱 오토인코더 17.5 잡음 제거 오토인코더 17.6 희소 오토인코더 17.7 변이형 오토인코더 _17.7.1 패션 MNIST 이미지 생성하기 17.8 생성적 적대 신경망 _17.8.1 GAN 훈련의 어려움 _17.8.2 심층 합성곱 GAN _17.8.3 ProGAN __미니배치 표준 편차 층 __동일한 학습 속도 __픽셀별 정규화 층 _17.8.4 StyleGAN __매핑 네트워크 __합성 네트워크 17.9 확산 모델 연습문제 18장 강화 학습 18.1 보상을 최적화하기 위한 학습 18.2 정책 탐색 18.3 OpenAI Gym 18.4 신경망 정책 18.5 행동 평가: 신용 할당 문제 18.6 정책 그레이디언트 18.7 마르코프 결정 과정 18.8 시간차 학습 18.9 Q-러닝 _18.9.1 탐험 정책 _18.9.2 근사 Q-러닝과 심층 Q-러닝 18.10 심층 Q-러닝 구현 18.11 심층 Q-러닝의 변형 _18.11.1 고정 Q-가치 타깃 _18.11.2 더블 DQN _18.11.3 우선 순위 기반 경험 재생 _18.11.4 듀얼링 DQN 18.12 다른 강화 학습 알고리즘 연습문제 19장 대규모 텐서플로 모델 훈련과 배포 19.1 텐서플로 모델 서빙 _19.1.1 텐서플로 서빙 사용하기 __SavedModel로 내보내기 __텐서플로 서빙 설치하고 시작하기 __REST API로 TF 서빙에 쿼리하기 __gRPC API로 TF 서빙에 쿼리하기 __새로운 버전의 모델 배포하기 _19.1.2 버텍스 AI에서 예측 서비스 만들기 _19.1.3 버텍스 AI에서 배치 예측 작업 실행하기 19.2 모바일 또는 임베디드 디바이스에 모델 배포하기 19.3 웹 페이지에서 모델 실행하기 19.4 계산 속도를 높이기 위해 GPU 사용하기 _19.4.1 GPU 구매하기 _19.4.2 GPU RAM 관리하기 _19.4.3 디바이스에 연산과 변수 할당하기 _19.4.4 다중 장치에서 병렬 실행하기 19.5 다중 장치에서 모델 훈련하기 _19.5.1 모델 병렬화 _19.5.2 데이터 병렬화 __미러드 전략을 사용한 데이터 병렬화 __중앙 집중적인 파라미터를 사용한 데이터 병렬화 __대역폭 포화 _19.5.3 분산 전략 API를 사용한 대규모 훈련 _19.5.4 텐서플로 클러스터에서 모델 훈련하기 _19.5.5 버텍스 AI에서 대규모 훈련 작업 실행하기 _19.5.6 버텍스 AI의 하이퍼파라미터 튜닝 연습문제 마치며 [3부 부록] 부록 A 연습문제 정답 부록 B 머신러닝 프로젝트 체크리스트 B.1 문제를 정의하고 큰 그림을 그립니다 B.2 데이터를 수집합니다 B.3 데이터를 탐색합니다 B.4 데이터를 준비합니다 B.5 가능성 있는 몇 개의 모델을 고릅니다 B.6 모델을 미세 튜닝합니다 B.7 솔루션을 출시합니다 B.8 시스템을 론칭합니다! 부록 C 자동 미분 C.1 수동 미분 C.2 유한 차분 근사 C.3 전진 모드 자동 미분 C.4 후진 모드 자동 미분 부록 D 특수한 데이터 구조 D.1 문자열 D.2 래그드 텐서 D.3 희소 텐서 D.4 텐서 배열 D.5 집합 D.6 큐 부록 E 텐서플로 그래프 E.1 TF 함수와 콘크리트 함수 E.2 함수 정의와 함수 그래프 탐험하기 E.3 트레이싱 자세히 보기 E.4 오토그래프로 제어 흐름 표현하기 E.5 TF 함수에서 변수와 다른 리소스 다루기 E.6 케라스로 TF 함수 사용하기(또는 사용하기 않기)