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.
--- p.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.
--- p.29

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.
--- p.131

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.
--- p.200

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.