다음은 줄리아 JIT 컴파일러가 메서드를 컴파일하는 단계를 나타낸 그림이다. (…) 먼저, 소스 코드를 파싱하여 줄리아의 추상 구문 트리(abstract syntax tree, AST)를 생성한다. AST는 코드가 작성된 방식 그대로 구조화한 것이다. Meta.parse 함수로 앞의 소스를 파싱한 결과는 다음과 같다. (…) 다음으로, AST를 컴파일러가 최적화하기 좋은 형태로 저수준화한다. 앞에 나온 그림의 세 번째 상자인 줄리아의 중간 표현(intermediate representation, IR)이 이에 해당한다. 이 IR를 이용하여 메서드 특화, 타입 추론 등 줄리아 고유의 최적화가 이루어진다. 아래는 @code_lowered 매크로에 의해 생성된 줄리아의 중간 표현이다.
--- p.53~53

파이썬의 리스트(list)는 임의의 타입들에 대한 포인터를 담으므로 줄리아의 Vector{Any}와 비슷하다고 할 수 있다. 반면, 동일한 타입의 값을 배열에 직접 저장하는 넘파이(NumPy) 배열은, 1차원 dtype=np.float64인 경우 줄리아의 Vector{Float64}와 유사하다. / 다차원 배열의 경우, 넘파이는 디폴트 설정으로 행 우선(row-major) 방식으로 배열을 저장하는 반면, 줄리아는 열 우선(column-major) 방식으로 배열을 저장한다. 먼저 이런 줄리아 배열의 특징들부터 살펴본 후, 자세한 사용법을 익혀보자.
--- p.75

참고로, 기본 설정인 행 우선으로 생성된 넘파이 배열로 팬더스 데이터프레임을 생성하면 시리즈(열)별 계산이 효율적이지 못한 경우가 많다. 다음의 예제는 행 우선으로 생성한 배열 data로 만든 데이터프레임 df와 열 우선으로 생성한 배열 data2로 만든 데이터프레임 df2의 특정 열의 평균을 계산하는 데 걸리는 시간을 측정한 것이다. (…) 반면 줄리아는 배열이 열 우선이기 때문에, 배열에서 복사 없이 데이터프레임을 생성해도 열별로 효율적인 계산이 일어난다. (…) 단순화한 사례이므로 팬더스의 성능과 비교하기엔 성급하지만, 열 평균 계산에서 줄리아의 데이터프레임이 팬더스의 열 우선 배열 데이터프레임 이상으로 빠른 성능을 보였다.
--- p.126

MLJ의 모델은 하이퍼파라미터들을 담고 있는 변경 가능 복합 타입이다. 모델은 직접 작성할 수도 있고 기작성된 모델들 중에서 적합한 모델을 가져올 수도 있다. 또한 여러 모델을 합성해서 사용할 수도 있다. 모델 개발자가 아니면 모델을 직접 작성하는 경우는 드물 것이므로, 해당 내용은 MLJ 문서 등을 참고하면 된다. (…) MLJ에는 머신러닝 모델들을 패키지 로딩 없이도 검색할 수 있는 모델 등록소(registry)가 있다. models 함수를 이용하여 현재 등록된 모델들의 정보를 조회해볼 수 있다.
--- p.157

먼저 14.1절에서 다뤘던 MLDatasets 패키지를 이용하여 MNIST 패션 아이템 데이터셋을 불러온다. xtrain 데이터는 28 × 28픽셀의 이미지 6만 개로 이루어져 있고, ytrain은 각 이미지의 레이블이다. xtest, ytest 데이터는 1만 개의 이미지와 레이블 데이터이다. / 이미지 데이터는 reshape 함수를 이용하여 (W, H, C) 형상으로 바꿔준다. 파이토치에서는 (C, H, W) 형상을 이용하지만, 열 우선 배열인 줄리아에서는 합성곱 계산 시 빠른 접근이 필요한 W와 H 축이 1, 2차원으로 온다. 본 예제에서는 합성곱 신경망 대신 다층 퍼셉트론 신경망을 이용하기 때문에 채널 축이 필요 없지만, 합성곱 모델에도 적용될 수 있게 형상을 이렇게 바꿔둔다.
--- p.236

Q러닝에서는 다음 행동 a′으로 현재 학습된 Q함수의 Q값을 가장 크게 하는 행동을 선택한다. 이 경우 에이전트는 훈련 초기에 Q함수를 충분히 학습하지 못한 상태에서 다양한 상태 행동 공간을 탐험(exploration)할 기회를 놓치게 된다. / 훈련 초기에는 탐험의 비율을 높이고 뒤로 갈수록 학습 결과를 활용(exploitation)하여 Q값을 가장 크게 하는 행동을 선택하는 전략으로, DQN에서는 엡실론 탐욕적(epsilon-greedy) 전략을 쓴다. 초반에는 높은 엡실론 비율만큼 무작위한 행동을 선택하고, 뒤로 갈수록 엡실론 비율을 낮춰서 탐욕적(가장 Q값을 높이는) 행동을 많이 선택한다. DDPG, SAC에서도 탐험과 활용의 균형을 조정하기 위해 유사한 전략을 사용한다.

<b>가장 빠르고 우아한 데이터 과학 최고의 언어를 만날 시간</b><br/><br/>줄리아는 파이썬 상위호환 언어로 평가받으면서 사용이 늘고 있다. 파이썬과 같이 동적 언어이면서도 C와 같은 정적 언어에 가까운 실행 속도를 보이며, 대부분의 라이브러리 역시 줄리아 코드로 작성되어 라이브러리의 코드를 수정하거나 디버깅하기가 매우 쉽다는 장점도 있다. 이 책은 줄리아의 우아한 언어 특성과 강력한 라이브러리 생태계를 활용해 전문가답게 인공지능 실무를 처리하는 방법을 알려준다. 언어 문법을 매뉴얼 형식으로 설명하는 대신, 타입 시스템, 다중 디스패치, 메서드 특화, 메타프로그래밍, 다차원 배열, 병렬 연산 등 실무 관점에서 알아야 할 줄리아의 코딩 스타일을 자세히 다룬다. 이어서 데이터 분석과 시각화에 쓰이는 라이브러리들(Tables.jl, DataFrames.jl, Query.jl, Plots.jl 등)과 환경 구성법을 살펴보고, 간단한 전처리 실습도 해본다. 특히 책 앞부분은 파이썬과 비교하는 예시로 파이썬 사용자의 줄리아 적응을 돕는다.<br/><br/>이후는 머신러닝, 딥러닝, 강화학습 영역의 일반적인 작업들에 대해 최신 알고리즘을 활용해 줄리아로 우아하게 실습해보는 시간이다. 줄리아의 과학적 타입이나 MLJ의 모델 합성을 활용하면 머신러닝 워크플로 자체가 얼마나 깔끔해지는지 체감할 수 있다. 플럭스를 사용하는 딥러닝 파트에서는 자동 미분과 함자를 설명한 다음, 컴퓨터 비전, 객체 탐지, NLP 등의 딥러닝 작업들을 실습한다. 파이토치나 텐서플로에 익숙한 독자가 쉽게 따라올 수 있게 구성했다. 끝으로 DQN, DDPG, SAC, A2C, PPO 등 강화학습 알고리즘을 줄리아로 구현해 카트폴 환경에서 결과를 확인해본다. 줄리아 문법 또는 인공지능 이론을 기초부터 하나씩 설명하는 책은 아니다. 그런 입문서들은 이미 시중에 있지만, 줄리아를 실제로 인공지능 실무에 활용해본 저자가 노하우를 담아 집필한 활용서는 이 책이 유일하다. 인공지능 실무에서 생산성을 높이고 싶다면 이 책이 가장 우아한 선택이 될 것이다.<br/><br/><b>주요 내용</b><br/><br/>- 타입 시스템, 다중 디스패치, 메서드 특화, 메타프로그래밍, 병렬 연산 등 줄리아의 강력한 언어 특성<br/>- Tables.jl, DataFrames.jl, Query.jl, Plots.jl 등 줄리아 패키지를 활용한 데이터 분석 및 시각화<br/>- 과학적 타입을 이용한 머신러닝 전처리, 학습, 예측, 평가, 튜닝 및 모델 합성 실무<br/>- 플럭스를 사용한 컴퓨터 비전, 객체 탐지, NLP 등 딥러닝 작업 실습<br/>- DQN, DDPG, SAC, A2C, PPO 강화학습 알고리즘 구현