이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 문화비소득공제 가능
이 상품의 태그
상세 이미지
책소개
목차
|
[PART 1 분산 머신러닝 시스템의 배경지식]
CHAPTER 01 분산 머신러닝 시스템 소개 _1.1 대규모 머신러닝 _1.2 분산 시스템 _1.3 분산 머신러닝 시스템 요약 [PART 2 분산 머신러닝 시스템의 설계 패턴] CHAPTER 02 데이터 수집 패턴 _2.1 데이터 수집이란? _2.2 Fashion-MNIST 데이터셋 _2.3 배치 처리 패턴: 제한된 메모리로 무거운 연산 실행하기 _2.4 샤딩 패턴: 매우 큰 데이터셋을 여러 워커에 분산시키기 _2.5 캐싱 패턴: 효율적인 학습을 위해 데이터 재활용하기 요약 CHAPTER 03 분산 학습 패턴 _3.1 분산 학습이란? _3.2 파라미터 서버 패턴: 8백만 개의 유튜브 영상에 태그 달기 _3.3 집합 통신 패턴: 파라미터 서버가 병목이 되지 않도록 개선하기 _3.4 탄력성 및 내결함성 패턴: 제한된 연산 자원으로 인한 실패 대응하기 요약 CHAPTER 04 모델 서빙 패턴 _4.1 모델 서빙이란? _4.2 레플리카 서버 패턴: 늘어나는 요청량 처리하기 _4.3 서비스 샤딩 패턴: 고해상도 영상을 처리하는 대규모 모델 서빙 다루기 _4.4 이벤트 기반 처리 패턴: 이벤트 기반으로 모델 서빙하기 요약 CHAPTER 05 워크플로 패턴 _5.1 워크플로란? _5.2 팬인 및 팬아웃 패턴: 복잡한 머신러닝 워크플로 체계화 _5.3 동기 및 비동기 패턴: 병렬성으로 더 빠르게 처리하기 _5.4 스텝 메모이제이션 패턴: 반복되는 작업 생략하기 요약 CHAPTER 06 운영 패턴 _6.1 머신러닝 시스템 운영하기 _6.2 스케줄링 패턴: 공유 클러스터 자원을 효과적으로 할당하기 _6.3 메타데이터 패턴: 실패를 적절히 처리하는 방법 요약 [PART 03 분산 머신러닝 시스템 구축] CHAPTER 07 실습 프로젝트 둘러보기 _7.1 프로젝트 개요 _7.2 데이터 수집 단계 _7.3 모델 학습 단계 _7.4 모델 서빙 단계 _7.5 전체 워크플로 구조 요약 CHAPTER 08 실습 관련 기술 둘러보기 _8.1 텐서플로: 머신러닝 프레임워크 _8.2 쿠버네티스: 분산 컨테이너 관리 시스템 _8.3 쿠브플로: 쿠버네티스 머신러닝 워크로드 관리 시스템 _8.4 아르고 워크플로: 컨테이너 기반 워크플로 엔진 요약 CHAPTER 09 실습 프로젝트 _9.1 데이터 수집 _9.2 모델 학습 _9.3 모델 서빙 _9.4 전체 워크플로 요약 |
저자 소개 2
Yuan Tang
Akuity의 창립 엔지니어로, 개발자를 위한 기업용 플랫폼을 구축하고 있다. 이전에 알리바바와 Uptake에서 데이터 과학 및 엔지니어링팀을 이끌며 AI 인프라와 AutoML 플랫폼 개발에 주력했다. 아르고(Argo)와 쿠브플로(Kubeflow)의 프로젝트 리더이자 텐서플로(TensorFlow)와 XGBoost의 메인테이너로 활동 중이며, 이 외에도 다양한 오픈 소스 프로젝트를 만들어 운영 중이다. 세 권의 머신러닝 서적을 집필하고 여러 논문을 발표했다. 다양한 콘퍼런스에서 정기적으로 다양한 발표를 정기적으로 진행하고 있으며, 여러 조직에서 기술 자문과 리더, 멘토 역할을 수행
Akuity의 창립 엔지니어로, 개발자를 위한 기업용 플랫폼을 구축하고 있다. 이전에 알리바바와 Uptake에서 데이터 과학 및 엔지니어링팀을 이끌며 AI 인프라와 AutoML 플랫폼 개발에 주력했다. 아르고(Argo)와 쿠브플로(Kubeflow)의 프로젝트 리더이자 텐서플로(TensorFlow)와 XGBoost의 메인테이너로 활동 중이며, 이 외에도 다양한 오픈 소스 프로젝트를 만들어 운영 중이다. 세 권의 머신러닝 서적을 집필하고 여러 논문을 발표했다. 다양한 콘퍼런스에서 정기적으로 다양한 발표를 정기적으로 진행하고 있으며, 여러 조직에서 기술 자문과 리더, 멘토 역할을 수행하고 있다.
국내 주요 IT 기업에서 머신러닝 엔지니어로 활동하며 대규모 실시간 추론 시스템을 설계 및 운영하고 있다. 컴퓨터 비전과 자연어 처리를 중심으로 다양한 도메인의 머신러닝 모델을 실제 서비스에 적용해왔으며, 현재는 머신러닝 서비스팀을 이끌고 있다. 확장 가능하면서도 안정적인 시스템을 구축하는 데 주력하고 있으며, 실용적인 머신러닝 엔지니어링 문화를 전파하는 데 힘쓰고 있다.
관련 분류
품목정보
- 발행일
- 2024년 11월 29일
- 쪽수, 무게, 크기
- 304쪽 | 183*235*30mm
- ISBN13
- 9791169213134
출판사 리뷰
|
대규모 데이터 처리와 분석을 위한 분산 머신러닝 실무 가이드
이 책은 분산 시스템에서 머신러닝을 구현하고 최적화하는 데 필요한 14가지 핵심 패턴과 모범 사례를 소개하는 실무 지침서다. 복잡한 분산 머신러닝 개념을 쉽게 이해할 수 있도록 설명하고, 실무에서 바로 적용할 수 있는 실질적인 방법론을 제시한다. 데이터 분산 처리, 모델 학습의 병렬화, 효율적인 리소스 관리 등 분산 머신러닝의 전반적인 과정에서 발생할 수 있는 다양한 문제를 해결하기 위한 체계적인 패턴을 소개한다. 이를 통해 AI와 데이터 과학 분야의 전문가들뿐만 아니라, 대규모 데이터 처리 및 분석을 다루는 모든 이에게 실용적인 가이드가 될 것이다. 주요 내용 ● 데이터 수집, 분산 학습, 모델 서빙 등 다양한 단계로 구성된 ML 파이프라인 구축 ● 쿠버네티스, 텐서플로, 쿠브플로, 아르고 워크플로를 사용해 ML 작업 자동화 ● 다양한 패턴과 접근 방식 간의 트레이드오프 평가 ● 대규모 머신러닝 작업 관리 및 모니터링 14가지 패턴 ● 데이터 수집 패턴: 배치 처리, 샤딩, 캐싱 ● 분산 학습 패턴: 파라미터 서버, 집합 통신, 탄력성 및 내결함성 ● 모델 서빙 패턴: 레플리카 서버, 서비스 샤딩, 이벤트 기반 처리 ● 워크플로 패턴: 팬인 및 팬아웃, 동기 및 비동기, 스텝 메모이제이션 ● 운영 패턴: 스케줄링, 메타데이터 |
추천평
|
이 책은 대규모 머신러닝 시스템의 설계, 유지, 관리 과정에서 발생하는 문제와 해결책, 그리고 해결 과정에서 고려해야 할 사항들을 주제별로 다루어 현업 엔지니어들에게 실질적인 도움을 줄 것입니다. - 강찬석 (LG전자 소프트웨어 엔지니어)
|
|
머신러닝의 활용이 급격히 증가함에 따라 학습에 필요한 데이터의 크기도 날로 커지고 있습니다. 이러한 대용량 데이터를 빠르게 처리하고 학습하기 위해서는 분산 처리가 필수적이며, 데이터의 유형에 따라 적절한 분산 처리 시스템의 설계가 중요합니다. 이 책은 머신러닝 시스템을 대규모로 확장하기 위한 실용적인 패턴과 설계 방법을 제시하며, 분산 시스템의 기초부터 데이터 수집, 학습, 모델 서빙, 운영 패턴에 이르기까지 폭넓은 내용을 다루고 있습니다. - 오정준 (현대오토에버 SW개발센터)
|
|
최근 머신러닝 연구는 주로 모델 성능 향상에 집중되어 있지만, 실제 현장에서는 효율적인 시스템 구축이 더욱 중요합니다. 이 책은 단순한 분할 처리를 넘어, 머신러닝 모델의 효과적인 분산 처리와 운영을 위한 전략적인 접근법을 제시합니다. 특히 데이터 양이 폭발적으로 증가하고 모델의 복잡성이 높아지는 현시대에, 이 책에서 제시하는 분산 처리 전략은 필수적인 지식이라고 생각합니다. - 우수연 (법원행정처 차세대전자소송추진단)
|
|
이 책은 분산 머신러닝에서 널리 사용되는 기술의 이론적 개념과 실습을 체계적으로 다룬 실용적인 안내서입니다. 전반부는 분산 머신러닝 패턴을 쉽게 설명하여, 분산 머신러닝을 처음 접하는 독자들도 부담 없이 학습할 수 있습니다. 후반부는 앞서 배운 이론을 다양한 최신 도구로 실습해볼 수 있도록 구성되어 있습니다. - 이기용 ((주)마인씨드 소프트웨어 개발자)
|
|
분산 시스템에서의 다양한 사례를 통해 대용량 데이터 처리에 대한 고민을 자연스럽게 풀어내어, 이 분야에서 고민하는 분들에게 큰 도움이 될 것입니다. 이 책은 머신러닝 모델 개발보다는 MLOps 관점에 중점을 두었으며, 특히 대용량 데이터 처리에 초점을 맞추고 있다는 점을 고려하면 좋습니다. - 이상욱 (말레이시아 PETRONAS AI Platform팀 리드)
|
|
클라우드 기반 분산 환경에서 머신러닝 시스템을 운영하는 실용적인 패턴을 소개하는 필독서입니다. 데이터 수집부터 모델 훈련, 서빙, 워크플로 관리까지 전반적인 과정을 다루며, 각 단계에서 직면하는 도전 과제와 해결책을 제시합니다. - 이석곤 ((주)아이알컴퍼니 AI/빅데이터 수석)
|
|
단일 GPU에서의 머신러닝 실행은 비교적 간단합니다. 하지만 현실에서는 다양한 도전 과제에 직면합니다. 모델이 GPU 메모리 용량을 초과할 때는 어떻게 대처해야 할까요? 서빙 시 사용자가 급증해 처리 용량을 넘어설 때는 어떻게 해결해야 할까요? 이 책에서는 이러한 실제 문제들을 해결하기 위한 다양한 설계 패턴을 살펴봅니다. - 조현석 (래블업 주식회사 소프트웨어 엔지니어)
|
27,000원
총 1개
27,000원
