소득공제
PDF
eBook
러닝 레이
대규모 모델 훈련에 효율적인 라이브러리로 빠르게 구현하는 파이썬 분산 처리
스마트한 PDF 필기 기능을 사용해 보세요!
- 원서
- Learning Ray
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
이 분야의 이벤트
이 상품의 태그
상세 이미지
소개
목차
|
Chapter 1 레이 살펴보기1.1 레이는 무엇인가?_1.1.1 레이가 추구하는 목적_1.1.2 레이의 디자인 철학_1.1.3 레이의 3가지 계층: 코어, 라이브러리, 생태계1.2 분산 컴퓨팅 프레임워크1.3 데이터 과학 라이브러리_1.3.1 데이터 과학 워크플로_1.3.2 데이터 처리_1.3.3 모델 학습_1.3.4 하이퍼파라미터 튜닝_1.3.5 모델 서빙1.4 성장하는 생태계1.5 요약Chapter 2 레이 코어로 시작하는 분산 컴퓨팅2.1 레이 코어 소개_2.1.1 레이 API를 활용한 첫 번째 예시_2.1.2 레이 API 개요2.2 레이 시스템 컴포넌트_2.2.1 노드에서 태스크 스케줄링 및 실행_2.2.2 헤드 노드_2.2.3 분산된 스케줄링과 실행2.3 레이를 사용한 간단한 맵리듀스 예시_2.3.1 매핑과 셔플_2.3.2 단어 수 축소(리듀스 단계)2.4 요약Chapter 3 분산 애플리케이션 개발3.1 강화학습 소개3.2 간단한 미로 문제 설정3.3 시뮬레이션 구현3.4 강화학습 모델 훈련3.5 레이 분산 애플리케이션 구축3.6 강화학습 용어 요약3.7 요약Chapter 4 레이 RLlib을 활용한 강화학습4.1 RLlib 개요4.2 RLlib 시작하기_4.2.1 Gym 환경 구축_4.2.2 RLlib CLI_4.2.3 RLlib 파이썬 API4.3 RLlib 실험 구성_4.3.1 리소스 구성_4.3.2 롤아웃 워커 구성_4.3.3 환경 구성4.4 RLlib 환경_4.4.1 RLlib 환경 개요_4.4.2 다중 에이전트_4.4.3 정책 서버와 클라이언트 작동4.5 고급 개념_4.5.1 고급 환경 구축_4.5.2 커리큘럼 학습 적용_4.5.3 오프라인 데이터 작업_4.5.4 다른 고급 주제4.6 요약Chapter 5 레이 튠을 활용한 하이퍼파라미터 최적화5.1 하이퍼파라미터 튜닝_5.1.1 레이를 사용한 랜덤 서치_5.1.2 HPO가 어려운 이유5.2 튠 소개_5.2.1 튠의 작동 방식_5.2.2 튠의 구성과 실행5.3 튠을 활용한 머신러닝_5.3.1 튠을 활용한 RLlib_5.3.2 케라스 모델 튜닝5.4 요약Chapter 6 레이 데이터셋을 활용한 데이터 분산 처리6.1 레이 데이터셋_6.1.1 레이 데이터셋 기초_6.1.2 레이 데이터셋 연산_6.1.3 데이터셋 파이프라인_6.1.4 예시: 병렬 분류기 복사본 훈련6.2 외부 라이브러리 통합6.3 머신러닝 파이프라인 구축6.4 요약Chapter 7 레이 트레인을 활용한 분산 모델 훈련7.1 분산 모델 훈련의 기초7.2 예시를 통한 레이 트레인 소개_7.2.1 뉴욕시 택시 승차 시 팁 예측_7.2.2 로드, 전처리, 피처화_7.2.3 딥러닝 모델 정의_7.2.4 레이 트레인을 활용한 모델 훈련_7.2.5 분산 배치 추론7.3 레이 트레인의 트레이너_7.3.1 레이 트레인으로 마이그레이션_7.3.2 트레이너 스케일 아웃_7.3.3 레이 트레인을 활용한 전처리_7.3.4 트레이너와 레이 튠의 통합_7.3.5 콜백을 사용한 학습 모니터링7.4 요약Chapter 8 레이 서브를 활용한 온라인 추론8.1 온라인 추론의 주요 특징_8.1.1 계산 집약적 머신러닝 모델_8.1.2 고립된 상태에서 유용하지 않은 머신러닝 모델8.2 레이 서브 소개_8.2.1 아키텍처 개요_8.2.2 기본 HTTP 엔드포인트 정의_8.2.3 확장 및 리소스 할당_8.2.4 요청 배치 처리_8.2.5 멀티모델 추론 그래프8.3 엔드 투 엔드 예시: 자연어 처리 기반 API 구축_8.3.1 콘텐츠 가져오기 및 전처리_8.3.2 NLP 모델_8.3.3 HTTP 처리 및 드라이버 로직_8.3.4 통합8.4 요약Chapter 9 레이 클러스터를 활용한 스케일링9.1 수동으로 레이 클러스터 생성9.2 쿠버네티스에 배포_9.2.1 첫 번째 쿠브레이 클러스터 설정_9.2.2 쿠브레이 클러스터와 상호작용_9.2.3 쿠브레이 노출_9.2.4 쿠브레이 구성_9.2.5 쿠브레이 로깅 구성9.3 레이 클러스터 런처_9.3.1 레이 클러스터 구성_9.3.2 클러스터 런처 CLI _9.3.3 레이 클러스터와 상호작용9.4 클라우드 클러스터_9.4.1 AWS_9.4.2 기타 클라우드 제공자9.5 오토스케일링9.6 요약Chapter 10 레이 AIR로 구성하는 데이터 과학 워크플로10.1 AIR를 사용하는 이유10.2 예시로 살펴보는 AIR의 핵심_10.2.1 레이 데이터셋과 전처리기_10.2.2 트레이너_10.2.3 튜너와 체크포인트_10.2.4 배치 예측기_10.2.5 배포10.3 AIR에 적합한 워크로드_10.3.1 AIR 워크로드 실행_10.3.2 AIR 메모리 관리_10.3.3 AIR 고장 모델_10.3.4 AIR 워크로드 오토스케일링10.4 요약Chapter 11 레이 생태계와 그 너머11.1 성장하는 생태계_11.1.1 데이터 로드와 처리 _11.1.2 모델 훈련_11.1.3 모델 서빙_11.1.4 커스텀 통합_11.1.5 레이 통합 개요11.2 레이 외 시스템_11.2.1 분산 파이썬 프레임워크_11.2.2 레이 AIR와 더 넓은 생태계_11.2.3 AIR를 머신러닝 플랫폼에 통합하는 방법11.3 앞으로 살펴볼만한 주제11.4 요약
|
저자 소개 4
Max Pumperla
독일 함부르크에 사는 데이터 과학 교수이자 소프트웨어 엔지니어. 매우 적극적인 오픈소스 기여자이며 여러 파이썬 패키지의 메인테이너로 활동 중이다. 현재 애니스케일에서 소프트웨어 엔지니어로 일하고 있다. 이전에는 패스마인드의 제품 연구 책임자로서 레이 RLlib, 서브, 튠을 활용해 대규모 산업 애플리케이션을 위한 강화학습 설루션을 개발했으며, 스카이마인드에서 DL4J의 개발에 중요한 역할을 맡았다. 또한, 케라스 생태계의 성장과 확장을 도왔으며 하이퍼옵트의 메인테이너이다.
Edward Oakes
애니스케일의 소프트웨어 엔지니어이자 레이 서브 개발을 주도하는 팀의 리더이며 레이 오픈소스 기여자. 애니스케일에서 근무하기 전에는 UC 버클리의 EECS에서 학위를 수료했다.
Richard Liaw
애니스케일의 소프트웨어 엔지니어이며 분산 머신러닝을 위한 오픈소스 도구를 연구하고 있다. UC 버클리 컴퓨터 과학과의 박사 과정에서 휴학 중으로 조셉 곤잘레스와 이온 스토이카, 켄 골드버그의 지도를 받고 있다.
AI 교육 스타트업 뤼이드에서 근무하고 있으며, 하이퍼옵트의 메인테이너로 활동했다. 선언적이면서 멱등성을 보장하고 재현 가능한 특성을 가진 소프트웨어를 매우 선호한다. 오픈소스 생태계를 사랑하는 마음으로 주제를 가리지 않고 다양한 오픈소스 프로젝트에 적극적으로 기여하고 있다. 최근에는 특히 VIM과 Nix 생태계에 많은 관심을 두고 지켜보고 있다. 개인 개발 환경의 생산성 향상을 위해 회사 업무로 할 수 없는 극단적인 오버 엔지니어링과 자동화가 취미이며, 여가 활동으로 커스텀 키보드 제작을 즐긴다.
품목정보
- 발행일
- 2024년 02월 05일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 6.20MB ?
- 글자 수/ 페이지 수
- 약 293쪽 ?
- ISBN13
- 9791169217804
출판사 리뷰
|
파이썬에 쉽고 빠른 병렬화를 구현하는 레이를 만나다.머신러닝 시스템은 훈련에 많은 양의 데이터를 사용하며 모델의 크기는 점점 커지고 있다. AI 시스템에 필요한 연산의 수가 초당 1000조 회를 넘어가는 시점에서 분산 컴퓨팅은 절대적으로 필요하다. 레이는 분산 컴퓨팅 전용 파이썬 라이브러리로, 간단한 코드 변경으로 빠른 병렬화와 확장 가능한 분산 처리를 지원한다. 소규모 작업부터 대규모 클러스터까지 다양한 규모에서 높은 성능을 제공하며, API의 범위도 유연해 다양한 상황에 사용할 수 있다. 특히 텐서플로나 파이토치 같은 라이브러리와의 통합을 지원해 데이터 과학자에게도 유용하다.이 책은 레이를 사용해 강력한 분산 애플리케이션과 모델을 구축하는 방법을 소개한다. 독자가 직접 흥미로운 프로젝트를 구현하며, 레이를 구성하는 각 라이브러리의 기능과 적용 분야를 알 수 있도록 구성에 더 복잡한 상황에 레이를 적용할 자신감을 심어준다. 이 책을 통해 레이의 잠재력을 발견해 병렬화를 구현해보자.대상 독자- 데이터 과학과 머신러닝에 레이를 사용하려는 데이터 관련 종사자- 파이썬으로 분산 컴퓨팅을 구현하는 방법이 궁금한 개발자배우는 내용- 하이퍼파라미터 최적화를 시행하는 레이 튠- 강화학습을 수행하는 레이 RLlib- 분산 훈련을 지원하는 레이 트레인- 대용량 데이터를 처리하는 레이 데이터셋- 머신러닝 애플리케이션을 구축하는 레이 AIR이 책의 구성1장부터 3장까지는 분산 파이썬 프레임워크로서의 레이를 살펴보며 실질적인 예시를 통해 기본적인 개념을 배웁니다. 4장부터 10장까지는 레이 RLlib, 레이 튠, 레이 데이터셋, 레이 트레인 등 레이 생태계를 구성하는 하이레벨 라이브러리를 알아보고, 이를 사용해 애플리케이션을 만드는 방법을 배웁니다. 마지막 장에서는 레이의 생태계에 대한 종합적인 개요와 더 나아가는 방법을 안내합니다.옮긴이의 말레이는 소프트웨어 레이어뿐 아니라 인프라 레이어까지도 빠르게 통합을 이루어내는 가장 훌륭한 분산 시스템 추상화입니다. 이 책을 읽으시는 여러분도 제가 발견한 레이의 잠재력과 가능성을 만나길 바라며, 지금까지 풀기 힘들었던 문제를 해결하는 계기가 되었으면 합니다.김완수
|
