품목정보
발행일	2021년 12월 30일
쪽수, 무게, 크기	348쪽 \| 18824519mm
ISBN13	9791191600452
ISBN10	1191600459

더보기

카드 뉴스로 보는 책

추천사 xii 옮긴이 머리말 xv 머리말 xvii 베타리더 후기 xix CHAPTER 01 도입 1 1.1 표기법 및 정의 2 	1.1.1 자료 구조 2 / 1.1.2 대문자 시그마 표기법 3 1.2 머신러닝이란? 4 	1.2.1 지도학습 4 / 1.2.2 비지도학습 6 	1.2.3 준지도학습 7 / 1.2.4 강화학습 7 1.3 데이터와 머신러닝 용어 8 	1.3.1 직접적/간접적으로 사용하는 데이터 8 / 1.3.2 원시 데이터와 깔끔한 데이터 9 	1.3.3 훈련 및 홀드아웃 세트 10 / 1.3.4 기준점 11 	1.3.5 머신러닝 파이프라인 11 / 1.3.6 매개변수와 초매개변수 12 	1.3.7 분류와 회귀 12 / 1.3.8 모델 기반 학습과 인스턴스 기반 학습 13 	1.3.9 얕은 학습과 딥러닝 13 / 1.3.10 훈련과 채점 14 1.4 머신러닝을 사용해야 할 때 14 	1.4.1 문제가 너무 복잡해서 코딩으로 해결할 수 없을 때 14 	1.4.2 문제가 지속적으로 변할 때 15 	1.4.3 지각 문제일 때 15 	1.4.4 연구되지 않은 현상일 때 16 	1.4.5 문제의 목적이 단순할 때 16 	1.4.6 비용 효율적인 경우 17 1.5 머신러닝을 사용하지 말아야 할 때 17 1.6 머신러닝 엔지니어링이란? 18 1.7 머신러닝 프로젝트 수명주기 19 1.8 요약 21 CHAPTER 02 프로젝트 시작 전 23 2.1 머신러닝 프로젝트의 우선순위 결정 24 	2.1.1 머신러닝의 영향 24 / 2.1.2 머신러닝의 비용 24 2.2 머신러닝 프로젝트의 복잡도 추정 26 	2.2.1 미리 알 수 없는 것 26 / 2.2.2 문제 단순화 27 	2.2.3 비선형적 훈련 진행 27 2.3 머신러닝 프로젝트의 목표 정의 28 	2.3.1 모델이 할 수 있는 작업 28 / 2.3.2 성공적인 모델의 속성 29 2.4 머신러닝팀 구성 30 	2.4.1 두 가지 개발 문화 30 / 2.4.2 머신러닝팀의 구성원 31 2.5 머신러닝 프로젝트가 실패하는 이유 32 	2.5.1 숙련된 개발자 부족 32 / 2.5.2 경영진의 지원 부족 33 	2.5.3 데이터 인프라 부족 34 / 2.5.4 데이터 레이블링의 어려움 34 	2.5.5 고립된 조직과 협업 부족 35 / 2.5.6 기술적으로 실행 불가능한 프로젝트 35 	2.5.7 기술팀과 비즈니스팀 간의 소통 부족 35 2.6 요약 36 CHAPTER 03 데이터 수집 및 준비 39 3.1 데이터에 대한 질문 40 	3.1.1 데이터를 구할 수 있는가? 40 / 3.1.2 데이터 세트의 크기가 충분히 큰가? 41 	3.1.3 데이터를 사용할 수 있나? 43 / 3.1.4 데이터를 이해할 수 있나? 45 	3.1.5 데이터를 신뢰할 수 있나? 45 3.2 일반적인 데이터 관련 문제 47 	3.2.1 높은 비용 47 / 3.2.2 품질 불량 49 / 3.2.3 잡음 49 / 3.2.4 편향 50 	3.2.5 낮은 예측력 57 / 3.2.6 오래된 견본 58 / 3.2.7 특잇값 59 / 3.2.8 데이터 누출 60 3.3 좋은 데이터란? 61 	3.3.1 좋은 데이터는 유익함 61 	3.3.2 좋은 데이터는 넓은 적용 범위를 가짐 61 	3.3.3 좋은 데이터는 실제 입력을 반영함 61 	3.3.4 좋은 데이터는 편향되지 않음 62 	3.3.5 좋은 데이터는 피드백 루프의 결과가 아님 62 	3.3.6 좋은 데이터의 레이블은 일관됨 62 	3.3.7 좋은 데이터는 충분히 큼 63 	3.3.8 좋은 데이터 요약 63 3.4 상호 작용 데이터 처리 64 3.5 데이터 누출의 원인 64 	3.5.1 목표가 특징의 함수인 경우 65 / 3.5.2 목표가 특징에 숨어 있는 경우 65 	3.5.3 미래를 반영하는 특징 66 3.6 데이터 분할 67 	3.6.1 분할 중 누출 69 3.7 결측 속성 처리 70 	3.7.1 결측값 대체 기술 70 / 3.7.2 대체 중 누출 72 3.8 데이터 증강 72 	3.8.1 이미지 데이터 증강 73 / 3.8.2 텍스트 데이터 증강 74 3.9 불균형 데이터 처리 76 	3.9.1 오버샘플링 77 / 3.9.2 언더샘플링 77 	3.9.3 하이브리드 전략 78 3.10 데이터 샘플링 전략 79 	3.10.1 단순 랜덤 샘플링 79 / 3.10.2 체계적인 샘플링 80 	3.10.3 계층화된 샘플링 80 3.11 데이터 저장 81 	3.11.1 데이터 형식 82 / 3.11.2 데이터 저장소 레벨 83 	3.11.3 데이터 버전 관리 85 / 3.11.4 문서화와 메타데이터 87 	3.11.5 데이터 수명주기 88 3.12 데이터 처리 모범 사례 88 	3.12.1 재현성 88 / 3.12.2 데이터 우선, 알고리즘은 그 다음 89 3.13 요약 89 CHAPTER 04 특징 공학 93 4.1 특징 공학을 사용하는 이유 94 4.2 특징 공학을 사용하는 방법 95 	4.2.1 텍스트에 대한 특징 공학 95 / 4.2.2 단어 가방의 작동 원리 98 	4.2.3 범주형 특징을 숫자로 변환 98 / 4.2.4 특징 해싱 101 	4.2.5 주제 모델링 102 / 4.2.6 시계열 특징 105 / 4.2.7 창의력 활용 108 4.3 특징 쌓기 108 	4.3.1 특징 벡터 쌓기 109 / 4.3.2 개별 특징 쌓기 109 4.4 좋은 특징의 특성 111 	4.4.1 높은 예측력 111 / 4.4.2 빠른 계산 능력 111 / 4.4.3 신뢰성 111 	4.4.4 비상관성 112 / 4.4.5 기타 특성 112 4.5 특징 선택 113 	4.5.1 긴 꼬리 자르기 113 / 4.5.2 보루타 114 	4.5.3 L1-정규화 117 / 4.5.4 과제별 특징 선택 117 4.6 특징 합성 117 	4.6.1 특징 이산화 118 / 4.6.2 관계형 데이터에서 특징 합성 119 	4.6.3 데이터로부터 특징 합성 121 / 4.6.4 다른 특징으로부터 특징 합성 121 4.7 데이터를 통한 특징 학습 122 	4.7.1 단어 임베딩 122 / 4.7.2 문서 임베딩 124 	4.7.3 모든 객체에 대한 임베딩 125 / 4.7.4 임베딩 차원 선택 126 4.8 차원 축소 127 	4.8.1 PCA를 통한 빠른 차원 축소 127 / 4.8.2 시각화를 위한 차원 축소 128 4.9 특징 스케일링 128 	4.9.1 정규화 129 / 4.9.2 표준화 130 4.10 특징 공학에서 데이터 누출 131 	4.10.1 잠재적인 문제 131 / 4.10.2 설루션 131 4.11 특징 저장과 문서화 131 	4.11.1 스키마 파일 131 / 4.11.2 특징 저장소 133 4.12 특징 공학 모범 사례 135 	4.12.1 여러 가지 간단한 특징 생성 135 / 4.12.2 기존 시스템 재사용 136 	4.12.3 필요한 경우에만 식별자를 특징으로 사용 136 / 4.12.4 가능하면 크기를 줄인다 136 	4.12.5 계수 사용은 신중하게 137 / 4.12.6 특징은 필요할 때 선택 138 	4.12.7 코드 테스트는 주의 깊게 138 / 4.12.8 코드, 모델, 데이터의 동기화 상태 유지 139 	4.12.9 특징 추출 코드 분리 139 / 4.12.10 모델과 특징 추출기를 함께 직렬화 139 	4.12.11 특징값 기록 139 4.13 요약 140 CHAPTER 05 지도 모델 훈련(1부) 143 5.1 모델 개발을 시작하기 전에 144 	5.1.1 스키마 적합성 검증 144 / 5.1.2 달성 가능한 성능 수준 정의 144 	5.1.3 성능 지표 선택 145 / 5.1.4 올바른 기준선 선택 145 	5.1.5 데이터를 세 개의 세트로 분할 148 / 5.1.6 지도학습의 전제 조건 149 5.2 머신러닝을 위한 레이블 표현 150 	5.2.1 다중 클래스 분류 150 / 5.2.2 다중 레이블 분류 151 5.3 학습 알고리즘 선택 151 	5.3.1 학습 알고리즘의 주요 특성 152 / 5.3.2 알고리즘 스팟 검사 153 5.4 파이프라인 구축 154 5.5 모델 성능 평가 156 	5.5.1 회귀 분석의 성능 지표 156 / 5.5.2 분류의 성능 지표 157 	5.5.3 순위를 위한 성능 지표 163 5.6 초매개변수 조정 167 	5.6.1 그리드 검색 167 / 5.6.2 랜덤 검색 169 	5.6.3 무작위-미세한 검색 170 / 5.6.4 기타 기술 170 	5.6.5 교차 검증 170 5.7 얕은 모델 훈련 171 	5.7.1 얕은 모델 훈련 전략 171 / 5.7.2 모델 저장 및 복원 172 5.8 편향-분산 간 절충 174 	5.8.1 과소적합 174 / 5.8.2 과적합 175 / 5.8.3 절충 176 5.9 정규화 177 	5.9.1 L1 및 L2 정규화 178 / 5.9.2 다른 형태의 정규화 179 5.10 요약 179 CHAPTER 06 지도 모델 훈련(2부) 183 6.1 심층 모델 훈련 전략 183 	6.1.1 신경망 훈련 전략 184 / 6.1.2 성능 지표 및 비용 함수 185 	6.1.3 매개변수 초기화 전략 188 / 6.1.4 최적화 알고리즘 189 	6.1.5 학습률 감소 스케줄 192 / 6.1.6 정규화 194 	6.1.7 네트워크 크기 검색 및 초매개변수 조정 195 / 6.1.8 다중 입력 처리 198 	6.1.9 다중 출력 처리 198 / 6.1.10 전이 학습 199 6.2 모델 쌓기 201 	6.2.1 앙상블 학습 유형 201 / 6.2.2 모델 쌓기 알고리즘 202 	6.2.3 모델을 쌓을 때 데이터 누출 203 6.3 분포 이동 처리 204 	6.3.1 분포 이동 유형 204 / 6.3.2 적대적 검증 204 6.4 불균형 데이터 세트 처리 205 	6.4.1 클래스 가중치 205 / 6.4.2 다시 샘플링한 데이터 세트 앙상블 206 	6.4.3 기타 기술 207 6.5 모델 교정 207 	6.5.1 잘 교정된 모델 208 / 6.5.2 교정 기술 209 6.6 문제 해결 및 오류 분석 210 	6.6.1 모델의 성능이 떨어지는 이유 210 / 6.6.2 반복적 모델 개선 211 	6.6.3 오류 분석 211 / 6.6.4 복잡한 시스템의 오류 분석 213 	6.6.5 부분 지표 사용 215 / 6.6.6 잘못된 레이블 수정 215 	6.6.7 추가로 레이블링할 견본 찾기 216 / 6.6.8 딥러닝 문제 해결 216 6.7 모범 사례 218 	6.7.1 좋은 모델 제공 218 / 6.7.2 검증된 오픈소스 활용 219 	6.7.3 비즈니스별 성능 측정 최적화 219 / 6.7.4 밑바닥부터 개선 219 	6.7.5 연속적인 정정 방지 220 / 6.7.6 연속된 모델은 주의해서 사용 220 	6.7.7 효율적인 코드 작성, 컴파일, 병렬화 221 	6.7.8 최신 데이터와 이전 데이터에 대한 테스트 223 	6.7.9 똑똑한 알고리즘보다 더 많은 데이터가 좋음 223 	6.7.10 새로운 데이터가 좀 더 좋은 특징보다 뛰어남 224 	6.7.11 작은 진전의 수용 224 	6.7.12 용이한 재현성 224 6.8 요약 225 CHAPTER 07 모델 평가 229 7.1 오프라인 평가와 온라인 평가 231 7.2 A/B 테스트 233 	7.2.1 G-테스트 233 / 7.2.2 Z-테스트 236 	7.2.3 결론 및 주의사항 238 7.3 멀티 암드 밴딧 239 7.4 모델 성능에 대한 통계적 한계 242 	7.4.1 분류 오류에 대한 통계 구간 243 / 7.4.2 부트스트래핑 통계 구간 244 	7.4.3 회귀를 위한 부트스트래핑 예측 구간 245 7.5 테스트 세트 적합성 평가 246 	7.5.1 뉴런 커버리지 246 / 7.5.2 돌연변이 테스트 247 7.6 모델 특성 평가 248 	7.6.1 강건성 248 / 7.6.2 공정성 249 7.7 요약 250 CHAPTER 08 모델 배포 253 8.1 정적 배포 254 8.2 사용자 기기에 동적 배포 255 	8.2.1 모델 매개변수 배포 255 / 8.2.2 직렬화된 객체 배포 255 	8.2.3 브라우저에 배포 256 / 8.2.4 장점과 단점 256 8.3 서버에 동적 배포 256 	8.3.1 가상 머신에 배포 257 / 8.3.2 컨테이너에 배포 258 	8.3.3 서버리스 배포 259 / 8.3.4 모델 스트리밍 261 8.4 배포 전략 264 	8.4.1 단일 배포 264 / 8.4.2 자동 배포 265 	8.4.3 카나리 배포 265 / 8.4.4 멀티 암드 밴딧 265 8.5 자동화된 배포, 버전 관리, 메타데이터 266 	8.5.1 모델에 수반하는 항목 266 / 8.5.2 버전 동기화 266 	8.5.3 모델 버전 관리를 위한 메타데이터 267 8.6 모델 배포 모범 사례 268 	8.6.1 알고리즘 효율성 268 / 8.6.2 심층 모델 배포 272 	8.6.3 캐싱 272 / 8.6.4 모델 및 코드에 대한 전달 형식 273 	8.6.5 간단한 모델로 시작 275 / 8.6.6 외부인에 대한 테스트 276 8.7 요약 276 CHAPTER 09 모델 서빙, 모니터링, 유지보수 279 9.1 모델 서빙 런타임의 특성 280 	9.1.1 보안 및 정확성 280 / 9.1.2 배포 용이성 280 	9.1.3 모델 유효성 보장 281 / 9.1.4 복구 용이성 281 	9.1.5 훈련/서빙 왜곡 방지 281 / 9.1.6 숨겨진 피드백 루프 방지 282 9.2 모델 서빙 모드 283 	9.2.1 배치 모드 서빙 283 / 9.2.2 인간에 대한 주문형 서빙 283 	9.2.3 머신에 대한 주문형 서빙 286 9.3 현실에서의 모델 서빙 287 	9.3.1 오류에 대한 대비 287 / 9.3.2 오류 처리 288 	9.3.3 변화에 대한 준비 및 대처 290 / 9.3.4 인간 본성에 대한 준비 및 대처 291 9.4 모델 모니터링 293 	9.4.1 무엇이 잘못될 수 있는가? 293 / 9.4.2 모니터링 대상 및 방법 294 	9.4.3 기록할 내용 297 / 9.4.4 남용 감시 298 9.5 모델 유지보수 299 	9.5.1 업데이트 시기 299 / 9.5.2 업데이트 방법 300 9.6 요약 303 CHAPTER 10 결론 307 10.1 핵심 요점 308 10.2 다음에 읽을 내용 312 10.3 감사의 말 313

더보기

상세 이미지 상세 이미지 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

더보기

저자 소개 (2명)

책 속으로 책속으로 보이기/감추기

머신러닝 엔지니어링(machine learning engineering, MLE)은 머신러닝과 기존 소프트웨어 엔지니어링의 과학적 원리, 도구, 기술을 통해 복잡한 컴퓨팅 시스템을 설계하고 구축하는 것이다. MLE는 데이터 수집부터 모델 훈련, 제품이나 고객이 모델을 사용할 수 있도록 하는 모든 단계를 포함한다.
--- p.18

머신러닝 프로젝트 수명주기에는 1) 목표 정의, 2) 데이터 수집 및 준비, 3) 특징 공학, 4) 모델 훈련, 5) 모델 평가, 6) 모델 배포, 7) 모델 서빙, 8) 모델 모니터링, 9) 모델 유지보수 단계가 있다.
--- p.20

머신러닝 프로젝트의 목표는 비즈니스 문제를 해결하거나 해결하는 데 도움이 되는 모델을 구축하는 것이다. 프로젝트 내에서 모델은 종종 입력(또는 여러 입력), 출력(또는 여러 출력)의 구조와 허용 가능한 최소 성능 수준(예측 정확도나 다른 성능 지표로 측정됨)으로 설명되는 블랙박스처럼 보인다.
--- p.28

전체 데이터 세트를 훈련, 검증, 테스트 세트로 잘 분할하려면 분할 프로세스가 다음과 같은 몇 가지 조건을 충족해야 한다. 1) 분할 전에 데이터를 랜덤화하고, 2) 원시 데이터를 분할하고, 3) 검증 세트와 테스트 세트는 동일한 분포를 따르고, 4) 누출을 방지한다.
--- p.90

모델 개발을 시작하기 전에 몇 가지를 확인하고 결정해야 한다. 우선 데이터가 스키마파일에 정의된 대로 스키마를 준수하는지 확인한다. 그 다음 달성 가능한 성능 수준을 정의하고, 성능 지표를 선택한다. 이상적으로는 모델 성능을 단일 지표로 나타내는 것이 좋다. 또한, 머신러닝 모델을 비교하기 위한 기준점을 제공하는 기준선을 설정하는 것이 중요하다. 마지막으로 데이터를 훈련, 검증, 테스트의 세 세트로 분할한다.
--- p.179

멀티 암드 밴딧은 널리 사용되는 또 다른 온라인 모델 평가 기술이다. 모든 모델을 사용자에게 랜덤하게 노출한 다음, 가장 성능이 좋은 모델 하나만 대부분의 시간 동안 서비스를 받을 때까지 성능이 가장 낮은 모델의 노출을 점차 줄여 나간다.

--- p.250

출판사 리뷰 출판사 리뷰 보이기/감추기

회원리뷰 (7건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 8.2점 8.2 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (1건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 8.0점 8.0 / 10.0

구매 한줄평

한줄평 전체보기

채널예스 관련기사 관련분류 새창 이동

배송/반품/교환 안내

배송 안내

반품/교환 안내에 대한 내용입니다.
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내에 대한 내용입니다.
반품/교환 방법	고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리