|
이 책은 제목에서와 같이 실무 프로젝트를 진행하기에 앞서 반드시 읽어야 될 책이 아닌가 한다.
머신 러닝에 관한 책을 여러 권 읽었지만, 사실 프로젝트나 개발에 있어서 어떻게 적용해야 하는지에 대한 궁금증이 항상 머릿속을 떠나지 않았다.
시중에 나온 책 대부분이 머신러닝에 대한 입문서라고 한다면, 그 이후 실제로 프로젝트에 적용하기 위한 지침서로는 제격인 책이다. 뿐만 아니라 프로젝트 책임자와 관계자도 읽으면 반드시 도움이 될 책이다. 그 이유는 머신 러닝 프로젝트의 장단점과 어려움을 함께 알고 있어야 할 것이기 때문이다. 절대적으로 머신러인응 은탄환이 아니다.
책의 구성은 1부(머신 러닝 기본 이론 지식과 실무에서 필요한 지식), 2부(실무 예시)로 나눠서 설명하고 있으며 개인적으로는 처음부터 읽는 것보다 입문서를 먼저 읽고 실무에 적용하고자 할 때 읽는 것이 더 효과적일 것이다. 다루는 내용이 방대하고 사전 지식이 전제되기 때문이다. 실무 프로젝트에서는 교과서적인 책임이 틀림없다.
실제 현업에서 머신러닝 프로젝트가 어떻게 이뤄지는지 과정을 자세하게 설명하고 있으며, 늘 이슈가 되는 학습 결과 평가 방법, 데이터 수집 방안, MLOps, 학습 결과를 정책으로 이어서 판단하는 방법, 마지막으로 설명 가능한 머신 러닝 기법까지... 프로젝트에서 머신 러닝 모델을 구현하기에 필요한 모든 부분을 설명하고 있다.
사실 머신 러닝 모델 구현은 전체 프로젝트에서의 비중은 10~20%이며, 위의 과정이 프로젝트의 거의 대부분이기 때문이다. 데이터 수집 및 전처리, 가설 검증, EDA 작성, 보고서 작성, 결과 검증 등등...
따라서 머신러닝으로 진로를 선택했다면, 이 책은 사전에 반드시 읽어 봐야 할 책이다.
다만, 책에서 여러 추천 책이나 글이 많은데, 상당 부분 일본어로 된 예시가 많아서 이해하는 부분도 있지만 아쉬웠다. 물론 한글 추천 책도 많이 있다. ^^
마지막으로 책에서 개인적으로 마음에 드는 구절로 마무리 하고자 한다.
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다."
|
|
머신러닝이 실무에 어떻게 적용되고 활용되고 있을까? 머신러닝이 무엇인지? 머신러닝이 어떤 것인지? 분류, 회귀 등을 배우고 나서 간단한 토이 데이터로 나아가 컴피티션 데이터로 머신러닝을 실습해 보지만 실무에서 어떻게 활용되는지 호기심이 컷는데 이 책이 이를 알려주고 있다
이 책은 특히 2부가 이 책에서 재미있고 흥미로웠다. - 탐색적 데이터 분석 과정과 이를 기반으로 한 '킥스타터' 보고서 등에서는 킥스타터 크롤러(프로젝트 목표액과 달성률)를 만들고 킥스타터 분석을 수집한 데이터를 기반으로 상사에게 설명한다는 가성 하 내용을 담고 있었다. - 실제 기업에서 도입하고 있는 AB테스트를 통해 고객에 대해 각 예측 모델을 이용해 전환율을 예측는 업리프트 모델링을 서비스에 적용하는 프로세스와 예시를 보여주고 있었다. - 온라인 광고를 통해 의사결정 시스템에서 예츨 모델의 역할과 운영, 의사결정 설계를 설명하고 있다. 예측을 바탕으로 재무적 계산을 하는 앱이라면 에측 설명에 대한 책임이 있고 예측 실패시 어떻게 처리할지에 대한 이야기도 있다.
매우 유용한 책이었고 핵심코드가 포함되어 있지만 코드를 몰라도 읽을 수 있는 머신러닝 실용서이다. 다만 머신러닝 관련된 내용이 많아 입문자 보다는 초중급자가 읽기에 적합한 책으로 보여진다.
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다."
|
|
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다." ＜누구를 위한 책인가?＞
-＞ 누구를 위한 책인가에 잘 맞춘 책인 것 같다는 느낌이 너무 들었다. ＜머신러닝 프로젝트 과정＞
＜머신러닝으로 해결한 사례 찾기＞
엔지니어로서 "머신러닝은 기술 부채 중 이자율이 높은 신용카드다" 라는 말이 매우 신선하였습니다. 어렴풋이 알고 있는 것을 글로 잘 정리가 되어 있고, 해결한 사례들을 제시해주면서 이해력을 올리려는 독자의 마음이 보여서 좋았습니다. 실무를 하면서 겪었던 문제들을 직접적으로 봐서 그런지 책을 읽으면서 공감이 너무 많이 되었고, 동의를 많이 하면서 봤던 부분들이 많았다.머신러닝 프로젝트를 수행하는 과정들을 전반적으로 보여주면서, 그 과정에서 적용가능한 추가적인 태스크까지 소개를 하고 있어 앞으로의 공부 방향이나 업무 방향을 제시하는 것 같아 매우 좋았습니다. 읽으면서 좋았던 점은 다양한 사례를 접해볼 수 있고 실습을 할 수 있었던 점이고, 아쉬웠던 점은 요즘 최신 트렌드를 따라가지 않았던 점은 매우 아쉬웠다. |
|
목차 PART1 머신러닝 실무 노하우
CHAPTER 1 머신러닝 프로젝트 처음 시작하기 CHAPTER 2 머신러닝으로 할 수 있는 일 CHAPTER 3 학습 결과 평가하기 CHAPTER 4 기존 시스템에 머신러닝 통합하기 CHAPTER 5 학습 리소스 수집하기 CHAPTER 6 지속적인 머신러닝 활용을 위한 기반 구축하기 CHAPTER 7 효과 검증: 머신러닝 기반 정책 성과 판단하기 CHAPTER 8 머신러닝 모델 해석하기
PART2 머신러닝 실무 프로젝트
CHAPTER 9 킥스타터 분석하기: 머신러닝을 사용하지 않는 선택지 CHAPTER 10 업리프트 모델링을 이용한 마케팅 리소스 효율화 CHAPTER 11 슬롯머신 알고리즘을 활용한 강화 학습 입문 CHAPTER 12 온라인 광고에서의 머신러닝
본문
책의 특징
추천 독자
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다." |
＞ 책의 구성 및 내용 이 책은 머신러닝을 실무에 적용할 때, 지도 학습의 분류와 회귀, 비지도 학습의 클러스터링과 차원 축소 등 알고리즘을 설명하고 있어 간단한 예시들도 제공하고 있어, 이해가 편했습니다. 흥미로웠던 부분은 머신러닝 프로젝트 과정을 설명할 때, 10개의 진행과정을 설명하고 있는데 머신러닝 프로젝트 진행 과정
AI, 머신러닝에 대한 관심과 사례가 늘어나며 "머신러닝은 기술 부채 중 이자율이 높은 신용카드다" 7장 효과 검증도 재미있게 읽을 수 있었습니다. ＞ 장점
＞ 단점
＞ 책읽기 필요사항 머신러닝에 대한 기초, 파이썬/사이킷런/주피터 사용법을 미리 알고있으면 좋습니다. ＞ 추천 독자 기초 머신러닝을 실무에 적용하고 싶은 개발자 ＞ 정보 저자: 아라가 미치아키, 나카야마 신타, 니시바야시 타카시 예제소스 : https://github.com/moseskim/ml-at-work GitHub - moseskim/ml-at-work: 머신러닝 실무 프로젝트 (2판) 샘플 코드 저장소입니다.
|
|
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다."
 책의 제목처럼 이 책은 머신러닝으로 실무 프로젝트를 진행할 때 생길 수 있는 문제점이나 대처법 그리고 방법론 등에 대해서 다루고 있다.
 책의 첫 시작은 비즈니스 문제를 머신러닝으로 정의하는 법 먼저 시작한다. sklearn, tensorflow, pytorch등 ML/DL 라이브러리가 상용화 되면서 알고리즘에 대한 접근성 자체는 충분히 높아졌지만, 알고리즘을 실제 비즈니스에 접목시키는 또 다른 문제이다. 책에서는 소비 전력 예측(ML 문제) - 공장 전력 소비량 최적화(비즈니스 문제), 사용자별 추천 상품 제시(ML 문제) - 매출 향상(비즈니스 문제)를 그 예시로 들고 있다.
비즈니스 문제와 관련된 항목을 지나면 "머신러닝을 사용하지 않는 방법 검토"에 대한 얘기가 나온다. 저자는 머신러닝 시스템이 다른 시스템보다 "기술 부채"가 크다는 얘기를 하고 있다. 즉, 비즈니스 관점에서 ML은 추가적인 비용을 수반하기 때문에 만약, ML을 사용하지 않고 해결할 수 있는 방법이 있다면 그걸 먼저 사용하라는 의미이다.
 2, 3장에서는 머신러닝 알고리즘 및 평가 방법 등에 대한 얘기가 나온다. 개인적으로 "머신러닝으로 할 수 있는 일"이라는 제목 보다는 "머신러닝 알고리즘 소개"라는 제목이 더 잘어울리지 않나 싶다. 알고리즘에 대한 깊은 얘기는 하지 않고 기본적인 알고리즘 및 알고리즘 평가 방법 등에 대한 얘기를 한다. 머신러닝 학습자보다는 기존에 머신러닝에 대한 개념이 대략적으로 잡혀있는 사람이 한번쯤 살펴보고 지나가면 좋을 것 같은 챕터이다.
 4장에서는 기존 시스템에 머신러닝 방법론을 통합하는 방법에 대해서 얘기가 나온다. 여기서 통합의 영역은 "데이터 처리"이다. 주로 기존에 수집하던 데이터를 어떤 단위로 처리해서 어떻게 학습시킬지에 대한 얘기가 나온다. 한가지 특이한점은 이 책에서는 배치 학습과 온라인 학습에 대한 용어를 재정의 했다는 것이다. 배치 학습은 "일괄 학습"으로 온라인 학습은 "순차 학습"으로 표현하고 있다. 아마, 배치(저장된 데이터를 일괄 처리 - 데이터 사이즈에 따라 학습시간 많이 소요될 수 있음)/온라인(실시간으로 처리되는 데이터를 순차적으로 학습) 두 학습 방법에서 데이터를 처리하는 방식이 다르기 때문에 이렇게 구분한 것 같다.
최종적으로 저자는 일괄 학습/순차 학습 한 가지만 이용하기 보다는 두 기법을 적절히 사용하는 것을 권장하고 있다.
일괄 학습 - 임의 간격 동안 쌓인 데이터를 통해 모델 학습후 베이스 라인 업데이트 순차 학습(미니 배치) - 추가 학습을 통해 모델 최적화
 6장에서는 지속적 학습과 그 수단으로 MLOps에 대한 얘기를 하고 있다. 지속적 학습이 필요한 이유는 시간이 흐름에 따라 입력 데이터의 특성이 달라질 수 있기 때문이다. 이어서 "지속적 학습이 잘 이루어지고 있는지"에 대해 저자가 어떤 지표를 통해 판단하는지에 대한 얘기가 나온다. 저자는 단순 AUC나 로그 손실 체킹 보다는 RIG(상대적 정보 획득)을 추적한다고 한다. 평균 값만을 이용해 추정했을 때 RIG값이 0이 된다고 하는데 이 0을 기점으로 상대적으로 정보 획득이 더 용이한지/불리한지를 판단하는 것 같다. 주관적이 생각이지만 회귀 분석의 R^2와도 유사하다는 생각이 든다.
 7장에서는 머신러닝 기반 정책 성과 판단하기에 관련된 내용이 나온다. 관련하여 평균처리효과(ATE), 무작위 비교 시험(RCT)등에 대한 용어를 설명하다. 데이터 분석의 주요 활용처 중 하나가 효과 검증이기 때문에 7장의 내용은 머신러닝 적용의 관점 뿐만 아니라 데이터 분석의 관점에서도 한번쯤 자세히 읽어보면 좋을 것 같다.
 특히, A/B테스트에 대한 종료 시점을 어디서 판단해야할지에 관련된 내용이 있어서 실무에 도움이 될 것 같았다. 책에서는 개입군과 대조군의 추정량을 비교해서 baseline(10%성능 향상)을 넘어가는 지점을 종료 시점으로 설명하고 있다.
8장은 모델 해석과 관련된 내용으로 아무래도 해석력이 높은 모델 몇 가지를 예시로 들어 설명하고 있다. 해석력이 높은 대표적인 모델은 회귀분석이 있다. 왜냐하면, 회귀분석의 경우 회귀계수를 구할 수 있기 때문이다. 회귀계수의 부호만 살펴보더라도 종속 변수에 어떤 영향을 끼쳤는지를 알아볼 수 있다. 더불어, Feature Importance의 단점을 개선한 SHAP Value에 대해서도 소개하고 있다.
파트2에서는 머신러닝 실무 프로젝트에 대한 사례가 자세히 나온다. ML을 실행하지 않고 진행할 수 있는 프로젝트 먼저 시작한다는 점이 개인적으로 마음에 들었다. 왜냐하면, 그만큼 가볍고 간단하게 시작할 수 있기 때문이다.  특히, 킥스타터라는 플랫폼의 API를 활용해 성공하는 프로젝트와 실패하는 프로젝트를 비교해보고 성공할 수 있는 전략을 마련하는 점이 인상깊었다. 이런 프로젝트는 관심있는 분야 + 약간의 코딩 지식만 있으면 언제든지 적용해볼 수 있을 것 같다.
또한, 업리프트 모델링을 이용한 마케팅 리소스 효율화에 관련된 얘기도 있어 인과추론에 관심이 있으신 분들도 한번쯤 재밌게 읽어볼 수 있을 것 같다.
총평 이 책 역시 지난 시간에 리뷰한 SQL쿡북과 마찬가지로 Learner보다느 User에게 걸맞는 책이다. 이제 막 머신러닝 알고리즘 및 데이터 분석에 입문한 사람들이 프로젝트를 시작하기 전에 참고 서적으로 활용해보면 좋을 것 같다. 그 외에 현업에서 실제 데이터 관련된 업무를 진행하시는 분들도 업무를 진행하기전 프로젝트 사례 혹은 체크 사항들에 대해 한번쯤 확인해보면 많은 도움이 될 것 같다. 최신 기법에 대한 내용은 없으나, 과거 그리고 현재까지도 유용하게 사용하고 있는 기법들을 실무 혹은 프로젝트에 어떻게 녹여야할지에 대해 잘 다루고 있는 책이다. 만약, 시간이 없다면 파트2라도 한번 읽어보시길 추천드린다.
|
이 서평은 한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다.
나는 머신러닝 실무자다. 그래서 머신러닝 실무 프로젝트 그러니까 내가 평소에 하게되는 프로젝트말고 다른 사람들의 프로젝트는 어떻게 돌아가는지 궁금하던 찰나에 한빛 미디어에게 이 책을 받게 되었다. 난 3학년이 끝나자마자 취업해서 제대로 안들은 수업이 1년치나 있었다(예를 들면 소프트웨어공학). 근데 회사에서는 스크래치부터 해야되는 일을 몇 개 맡았었다. 챗봇 빌더를 개발할 때는 심지어 백엔드 개발자 한 분과 나와 같이 디비와 전체 시스템을 논의하며 만들정도로 스크래치였다. 이렇게 하면 맞겠지 정도만 생각하고 개발하였기 때문에 정말 정석적으로 남들이 어떻게 하는지 궁금했었다.
어떤 사람들이 이 책을 읽을까? 나같은 사람일까? 책의 예상 독자는 다음과 같았다.
Advanced 단계로 넘어가는 사람들에게 딱이란 생각이 들었다. 내가 머신러닝 실무 프로젝트를 읽으며 중점적으로 본 것은 실제로 내가 일하면서 이 책과 어떤 다른 점들을 가지고 있는지였다.
Chapter 3까지는 거의 머신러닝 이론과 관련된 것이었고 4장부터가 진짜 머신러닝 모델을 서비스하기 위한 어떤 일련의 과정들을 보여준다. 나는 예전에 안드로이드와 연동하는 API를 flask로 개발한 적이 있는데 물론 좀 다르지만 아래의 [그림 2]와 어느 정도 비슷하게 나와있어서 오 실무와 꽤나 비슷하군 싶었다.
Chapter5의 학습 리소스 수집하기에서도 내가 해본 방법이 있었다ㅋㅋㅋㅋ 바로 5.4 동료나 지인에게 데이터 입력 요청인데 내 경우에는회사의 동료들에게 부탁하여 데이터를 모았다. 내가 했던 프로젝트 중 장문인식(손바닥인식)을 시작했을 때는 회사사람들에게 데이터를 부탁해서 약 50-100명의 데이터로 시작을 했었다. 물론 데모도 회사사람들의 손바닥으로했었다. 딥러닝 모델을 돌려본다고해서 무조건 성공하진 않는다. 그렇기 때문에 회사에게 마냥 데이터를 요청하기도 쉽지 않다. 이게 현실인 것 같다.
뒤로 갈수록 결정 트리를 시각화해 원인 분석, SHAP을 활용한 기여도 시각화 등 머신러닝 아웃풋의 결과를 설명할 수 있는 방법이 나온다. 난 아무래도 이미지데이터를 주로 사용하니까 아주 친근하지는 않은데 재밌었다.
읽으면서 좋았던 점은 다양한 사례와 심지어 코드까지 있었던 점이고, 아쉬웠던 점은 다양한 사례임에도 불구하고 요즘 얼굴인식, 기계번역, 객체인식 등 다양한 기술이 서비스되고 자주 사용하고 있는데 그런 딥러닝 모델의 서비스에는 비중을 많이 두지 않았다는 것이다.
하지만 모델 서비스라는 전체적인 큰 틀을 보고 싶은 사람들과 만든 모델을 실무에 사용해보고 싶은데 어떻게 해야될지 감이 안오는 사람들에게 좋은 책이 될 것 같다. |
|
책의 앞머리에서 밝히는 바대로 어느 정도 실무를 하는 사람 입장에서 읽어보면 좋을 책이다. 팁도 일본인 저자들이 그렇듯이 꽤 상세하게 곁들여져 있어서 참고하기도 괜찮다. 확실히 이런 쪽은 방법이나 이론, 논문 등을 공부하고 습득하는 것도 중요하다. 그런데 또 동등하게 중요한게 하나의 실험을 통해 유의미한 결과를 활용한다는 측면에서 봐보자. 그 실험을 어떻게 설계하고 유지하며 좋은 결과를 내기 위해서 지속적으로 필요한 부분은 무엇인지 또한 중요하다. 이런 경우 이미 툴이나 기본적인 이론은 알고 있고, 이를 실무에 더 잘 활용하기 위해서는 또 그 부분에 대한 팁이나 다른 회사나 팀은 문제를 어떻게 해결하였는가가 궁금할 때가 있다. 정답은 없기 때문에 막힌 부분에 대한 참고를 통해 자기가 처한 상황에 더 나은 해답을 찾는 데에 길잡이가 될 수도 있기 때문이다. 그런 점에서 이런 책이 도울 수 있는 부분이 있다.
읽으면서 내가 막연히 막혔던 부분에서 떠오른 고민들이 텍스트로 적혀있어서 공감되는 부분이 있었다. 그리고 책 중간중간 삽입된 도표도 내용을 이해하는 데에 도움이 될 만큼 적절하게 삽입되어 있었다. 확실히 이론만 읽고 공부할 때보다 실무가 같이 적힌 내용을 읽는 것을 더 선호하는 타입이라는 걸 이번 기회에 다시 느꼈다. 실무에서 사용하는 툴들이 언급되면서 전체 그림을 그려주니까 내가 어디에 있는지도 파악하기 쉬웠고 연관되어서 도전해볼 만한 업무 부분 또한 찾기에 용이했다. 이곳저곳에서 들리던 데이터 관련 툴들도 책에서 어느 부분에 속하는지 분류된 정리 내용으로 살피니까 큰 그림으로 구조화하기도 좋았다. 몇 개 궁금한 데이터 툴이 눈에 보여 이 책은 몇 번 더 보기로 했다. 지금 하고 있는 일에도 적용할 부분이 보였다.
관리라는 측면에서 ML 또한 예외는 아니다. 여기 또한 인프라가 날로 중요해지고 있다. 획기적인 ML알고리즘은 소수의 실리콘밸리 박사님들에게 토스하고 잘 운영하는 법을 배우는 게 더 실무적이라고 생각한다. 책의 6장 지속적인 머신러닝을 활용을 위한 기반 구축하기 에 나온 내용도 공감이 갔다. 만약 들어오는 데이터의 성격이 바뀌거나 로직을 바꿔야 한다면.. 그리고 그런 상황이 '빈번하게' 일어난다면 어떻게 할 것인가? 이를 위해서 기민한 머신러닝 인프라가 필요하다. ML은 한번 만들고 끝이 아니다. 데이터가 살아있는 한 실험 또한 계속 업데이트 되어야 한다. 소프트웨어와 같으면서도 다른 맥락에서 말이다. 사실 그래서 이 6장이 실무적으로는 굉장히 중요하지 않나 생각한다. '지금 잘 하고 있나'를 평가하는 것은 실험에서도, 그리고 실험 이후에서도 매우 중요한 부분이다. 조금 시간이 지나다 보니까 이 6장의 내용을 재미있게 잘 읽을 수 있었다. 그리고 2부에서 머신러닝 실무 프로젝트를 통해 실제 문제를 어떻게 해결하는지에 대한 일본인 저자의 사고를 따라갈 수 있었다. 확실히 실무는 경험자가 어떤 생각으로 어떻게 문제를 해결하는가 그 관점을 참고할 수 있다는 것에서 장점이 있다.
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다." |
책은 머신러닝을 실무에서 써야 하는 사람들을 위해
등을 다룬다. 모델을 해석하는 방법에서는 시각화를 중심으로 유용한 라이브러리를 소개하고 있다. 모델을 사용하고 나서 모델에서 어떤 점이 중요하게 작용했는지, 그래서 어떤 효과가 있었는지는 깔끔하게 시각화로 정리해야 하는 항목이니만큼 필수적인 내용들로 잘 구성되어 있다. 마케팅 리소스 효율화를 다루는 부분이나, 머신러닝을 쓰지 않고도 데이터를 살펴보며 분석할 수 있는 예제를 엑셀로 구성한 것도 특이했다. 보통의 회사의 다니는 실무진이라면 이 책으로 머신러닝 실무를 입문하면서 업무에 프로젝트를 적용하는 데 큰 도움이 되지 않을까 생각한다. 또한 머신러닝의 효과를 검증하는 방법이 세세하고 알차다. 통계적인 방법론들이 들어가 있어 정확한 검증을 할 때 필수적으로 고려해야 할 요소라고 생각된다. 이런 내용을 모르고 머신러닝 실무를 처음 한다면 실수하고, 본의 아니게 결과를 왜곡하거나 성과를 부풀리기 딱 좋을 것이다. 책을 읽으며 로그 데이터를 다루는 데이터 엔지니어의 입장에서 흥미로웠다. 회사에서 새 서비스가 오픈된다면 로그 데이터를 기획하는 과정에도, 머신러닝 프로젝트를 염두에 두며 참여해야겠다는 생각이 들었다. 온라인 광고 데이터 중심의 예제가 많아, 광고 데이터를 다뤄야 하거나, 관련 업계에 종사하고 있다면 꼭 추천하고 싶다. 내가 다니는 회사의 도메인도 잠깐 언급되어서 흥미롭게 책을 읽을 수 있었다.
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다."
|
|
학교에서 머신러닝 및 데이터 분석 관련 수업을 들을때 항상 아쉬운 점은 실무에서 머신러닝 프로젝트를 적용하는데 있어서 어떠한 어려운 점과 분석을 이행하기 위하여 어떤 툴들이 쓰이는지 그리고 휴리스틱하게 해석해야 하는 부분에 있어서는 어떠한 실무적인 테크닉을 이용해야 하는지 항상 궁금하였습니다.
내용들은 쉽게 한번 훑어볼 수 있게 짧게 기재되어 있으며, 책 안에 있는 전반적인 이론 내용과 실습내용은 조금 부족하여 인터넷으로 찾아가면서 부족한 부분은 따로 공부해야 되는 점이 다소 아쉬웠습니다.
책을 통하여 머신러닝 모델이 실무에서 어떻게 배포하고 관리하는지 또한 기재되어 있어서 실용적이였습니다.
마지막으로 좋은 책 제공과 기회를 주신 한빛미디어 담당자 분들께 감사 드립니다. 5월에도 내용이 탄탄한 도서를 읽고 빨리 리뷰를 남기고 싶습니다.
"한빛미디어 ＜나는 리뷰어다＞ 활동을 위해서 책을 제공받아 작성된 서평입니다." |
