[PART I 올바른 머신러닝 접근 방법 모색]CHAPTER 1 제품의 목표를 머신러닝 문제로 표현하기1.1 어떤 작업이 가능한지 예상하기1.2 머신러닝 에디터 설계1.3 모니카 로가티: 머신러닝 프로젝트의 우선순위 지정하기1.4 마치며CHAPTER 2 계획 수립하기2.1 성공 측정하기2.2 작업 범위와 문제점 예상하기2.3 머신러닝 에디터 계획하기2.4 규칙적인 향상 방법: 간단하게 시작하기2.5 마치며[PART II 초기 프로토타입 제작]CHAPTER 3 엔드투엔드 파이프라인 만들기3.1 가장 간단한 프로토타입3.2 머신러닝 에디터 프로토타입3.3 워크플로 테스트하기3.4 머신러닝 에디터 프로토타입 평가4.5 마치며CHAPTER 4 초기 데이터셋 준비하기4.1 반복적인 데이터셋4.2 첫 번째 데이터셋 탐색하기4.3 레이블링으로 데이터 트렌드 찾기4.4 데이터를 활용한 특성 생성과 모델링4.5 로버트 먼로: 데이터를 찾고, 레이블링하고, 활용하는 방법4.6 마치며[PART III 모델 반복]CHAPTER 5 모델 훈련과 평가5.1 가장 간단하고 적절한 모델5.2 모델 평가: 정확도를 넘어서5.3 특성 중요도 평가5.4 마치며CHAPTER 6 머신러닝 문제 디버깅6.1 소프트웨어 모범 사례6.2 데이터 흐름 디버깅: 시각화와 테스트6.3 훈련 디버깅: 모델 학습하기6.4 일반화 디버깅: 유용한 모델 만들기6.5 마치며 CHAPTER 7 분류기를 사용한 글쓰기 추천7.1 모델로 추천 만들기7.2 모델 비교하기7.3 추천 생성하기7.4 마치며[PART IV 배포와 모니터링]CHAPTER 8 모델 배포 시 고려 사항8.1 데이터 고려 사항8.2 모델링 고려 사항8.3 크리스 할랜드: 배포 실험8.4 마치며CHAPTER 9 배포 방식 선택9.1 서버 측 배포9.2 클라이언트 측 배포9.3 연합 학습: 하이브리드 방법9.4 마치며CHAPTER 10 모델 안전장치 만들기10.1 실패를 대비하는 설계10.2 성능 설계10.3 피드백 요청10.4 크리스 무디: 데이터 과학자에게 모델 배포 권한 부여10.5 마치며CHAPTER 11 모니터링과 모델 업데이트11.1 모니터링의 역할11.2 모니터링 대상 선택11.3 머신러닝을 위한 CI/CD11.4 마치며
머신러닝 아이디어 생각만 하고 있었다면? 지금 바로 애플리케이션 개발에 힘을 실어줄 강력한 한 방!머신러닝이 점점 더 활발하게 다양한 제품에 사용되면서, 새로운 제품 개발에 대한 아이디어가 번쩍번쩍 샘솟는 분들이 많을 겁니다. 생각에만 그치지 않고 아이디어를 실제 애플리케이션으로 구현하고 싶은데 어떤 것부터, 어디서부터 시작해야 할지 모르겠다면 바로 이 책을 펼쳐보세요. 대부분의 머신러닝 책이 알고리즘과 라이브러리 설명에 중점을 두는 것과 달리, 이 책은 머신러닝 기반의 애플리케이션 아이디어가 실제 애플리케이션으로 구현되는 모든 과정을 살펴봅니다. 실무자가 실제로 애플리케이션을 구현할 때 필요한 도구와 마주하게 될 도전 과제를 살펴보고, 업계 리더 4명의 생생한 경험이 담긴 인터뷰를 통해 유용한 팁을 얻어 본인만의 스킬을 쌓아가세요. 이 책을 읽고 나면 본인만의 머신러닝 애플리케이션을 구현하는 과정의 첫 삽을 자신 있게 뜰 수 있을 겁니다. 대상 독자· 프로그래밍 경험과 머신러닝 기초 지식을 가진 누구나· 데이터 과학자, 머신러닝 엔지니어로 현업에 종사하는 개발자· 코딩은 모르지만 데이터 과학자와 함께 일해야 하는 직군주요 내용· 제품의 목표를 정의하고 머신러닝 문제를 설정합니다.· 첫 번째 엔드투엔드 파이프라인을 빠르게 만들어 초기 데이터셋을 획득합니다.· 머신러닝 모델을 훈련, 평가하고 성능 병목을 해결합니다.· 제품 환경에 모델을 배포하고 모니터링합니다.부별 요약· 1부: 아이디어를 머신러닝 문제로 표현하고 성능을 측정하는 방법을 배워 초기 계획을 세웁니다.· 2부: 첫 번째 파이프라인을 만들고, 초기 데이터셋을 탐색하고 시각화하는 법을 배웁니다.· 3부: 목표를 달성할 때까지 모델을 향상하는 방법을 살펴봅니다. · 4부: 모델 배포 시 고려해야 할 부분과 배포 방식, 모니터링 전략을 다룹니다.