이 책의 대상 독자

오픈소스 도구, 마이크로소프트 애저 자동머신러닝, AWS, 구글 클라우드 플랫폼에서 제공하는 기능을 사용해 머신러닝 모델을 자동으로 구축하고자 하는 사람들뿐 아니라 시민 데이터 과학자, 머신러닝 개발자, AI 애호가에게도 이 책이 유용할 것이다.

이 책의 구성

1장, ‘자동머신러닝 개요’에서는 초보자를 위한 확실한 개요를 제공하고 숙련된 머신러닝 실무자를 위한 참조 역할을 함으로써 AutoML 방법에 대한 자세한 개요를 제시한다. 머신러닝 개발 수명주기로 시작해 AutoML이 해결하는 하이퍼파라미터 최적화 문제를 살펴본다.

2장, ‘자동머신러닝, 알고리듬 및 기술’을 통해 시민 데이터 과학자는 광범위한 경험 없이도 AI 솔루션을 구축할 수 있다. 또한 자동 특성 공학(AutoFE), 자동 모델 및 하이퍼파라미터 학습(AutoMHL), 자동 딥러닝(AutoDL)의 세 가지 범주 측면에서 AutoML의 현재 개발을 검토한다. 베이지안 최적화, 강화 학습, 진화 알고리듬 및 그레이디언트 기반 접근법을 포함해 이 세 가지 범주에서 채택된 최첨단 기술이 제시된다.

3장, ‘오픈소스 도구와 라이브러리를 사용한 자동머신러닝’에서는 예측 모델의 아이디어화, 개념화, 개발 및 배포의 전체 수명주기를 자동화하는 AutoML OSS(Open Source Software, 오픈소스 소프트웨어) 도구 및 라이브러리에 관해 설명한다.

4장, ‘Azure 머신러닝 시작하기’에서는 Windows Azure 플랫폼 및 서비스의 강력한 기능을 사용해 엔드투엔드 머신러닝 생애 주기를 가속화하는 데 도움이 되는 Azure 머신러닝을 다룬다.

5장, ‘마이크로소프트 Azure를 사용한 자동머신러닝’에서는 Azure 머신러닝 스택을 사용해 모델 개발의 시간 소모적이고 반복적인 작업을 자동화하고 Azure AutoML을 사용해 회귀, 분류, 시계열 분석과 같은 작업을 수행하는 방법에 대해 자세히 살펴본다.

6장, ‘아마존 웹 서비스와 함께하는 머신러닝’에서는 아마존 세이지메이커 스튜디오, 아마존 세이지메이커 오토파일럿, 아마존 세이지메이커 진실, 아마존 세이지메이커 네오와 함께 AWS가 제공하는 다른 AI 서비스와 프레임워크를 다룬다.

7장, ‘아마존 세이지메이커 오토파일럿을 사용한 자동머신러닝의 수행’에서는 세이지메이커 오토파일럿을 사용해 여러 후보를 실행해 데이터 사전 처리 단계, 머신러닝 알고리듬 및 하이퍼파라미터의 최적 조합을 알아낸다.

8장, ‘구글 클라우드 플랫폼을 통한 머신러닝'에서는 구글의 AI 및 머신러닝 오퍼링에 대해 살펴본다. 이 장을 통해 개발자가 TensorFlow, TPU 및 TFX 도구와 같은 최첨단 Google AI 기술에 액세스할 수 있는 휴대용 머신러닝 파이프라인인 Kubeflow를 어떻게 지원하는지 이해하게 될 것이다.

9장, ‘GCP Cloud AutoML을 사용한 자동 머신러닝’에서는 최소한의 노력과 머신러닝 전문지식으로 맞춤형 비즈니스별 머신러닝 모델을 교육하는 방법을 소개한다. 실습 사례와 코드 워크스루를 통해 Google Cloud AutoML 플랫폼을 탐색해 데이터 과학이나 프로그래밍에 대한 지식 없이도 자연어, 비전, 비정형 데이터, 언어 번역 및 비디오 인텔리전스 분야의 맞춤형 딥러닝 모델을 만들 것이다.

10장, ‘엔터프라이즈의 AutoML’은 예측 모델 및 성능 비교뿐만 아니라 데이터 분석을 포함하는 완전 자동화된 보고서를 생성해 데이터 과학을 자동화하는 시스템으로 기업 환경에서 AutoML을 제공한다.


지은이의 말

모든 머신러닝 엔지니어는 하이퍼파라미터가 있는 시스템을 다루는데, 자동머신러닝에서 가장 기본적인 작업은 이러한 하이퍼파라미터를 자동으로 설정해 성능을 최적화하는 것이다. 최신 심층 신경망은 구조, 규제화 및 최적화를 위한 광범위한 하이퍼파라미터를 갖고 있으며, 시간과 노력을 절약하기 위해 효과적으로 사용자 지정할 수 있다. 이 책에서는 자동화된 특성 공학, 모델 및 하이퍼파라미터 튜닝, 그래디언트 기반 접근법 등의 기본 기술을 검토한다. 오픈소스 도구에서 이러한 기술을 구현하는 다양한 방법을 살펴보게 될 것이다. 다음으로 엔터프라이즈급 도구에 집중해 애저, AWS, 구글 클라우드 플랫폼의 다양한 AutoML 구현 방법을 알아본다. AutoML을 활용한 머신러닝 모델을 구축해 클라우드 AutoML 플랫폼의 기능을 살펴보고, 머신러닝 개발 수명주기와 관련된, 시간이 많이 걸리고 반복적인 작업을 자동화해 정확한 모델을 개발하는 방법을 알아본다. 이 책을 마치면 정확성과 생산성을 높이고 상호 운용성을 보장하며 특성 공학 작업을 최소화하는 AutoML 모델을 구축하고 배포할 수 있을 것이다.

옮긴이의 말

이 책은 『자동머신러닝』(에이콘, 2021)을 기술적인 구현 측면에서 보완하는 책이다. 애저, AWS와 GCP의 3대 클라우드 서비스의 다양한 AutoML 구현 방법을 설명한다. AutoML은 머신러닝/딥러닝의 민주화를 위한 강력한 개념이며, 이를 추구하는 과정에서 단순한 자동화를 넘어서는 머신러닝의 혁신을 유도한다. 또한 최첨단 이론들을 머신러닝의 초보자, 심지어 모르는 사람들조차도 짧은 시간에 업무에 용이하게 적용할 수 있도록 돕는 멋진 개념이며, 연구자 및 개발자로 하여금 연구와 개발에 집중할 수 있도록 한다. 머신러닝의 자동화 노력은 앞으로 머신러닝이 사람들의 일상생활에 더욱 밀착 적용될 것으로 믿어 의심치 않는다. 이 책에 나오는 개념을 더 깊이 탐구하고 싶은 사람들은 이론에 초점을 맞춘 『자동머신러닝』을 참고하기를 바란다.