▣ 01장: 머신러닝 엔지니어링 소개

1.1 기술 요구 사항
1.2 데이터 관련 직무 분류
__1.2.1 데이터 과학자
__1.2.2 ML 엔지니어
__1.2.3 ML옵스 엔지니어
__1.2.4 데이터 엔지니어
1.3 효과적인 팀으로 일하기
1.4 실제 환경에서의 머신러닝 엔지니어링
1.5 머신러닝 솔루션은 어떤 모습인가?
__1.5.1 왜 파이썬인가?
1.6 고수준 머신러닝 시스템 설계
__1.6.1 예제 1: 배치 이상 탐지 서비스
__1.6.2 예제 2: 예측 API
__1.6.3 예제 3: 분류 파이프라인
1.7 요약

▣ 02장: 머신러닝 개발 프로세스

2.1 기술 요구 사항
2.2 도구 설정
__2.2.1 AWS 계정 설정
2.3 개념에서 솔루션까지의 4단계
__2.3.1 CRISP-DM과 비교
__2.3.2 발견
__2.3.3 플레이
__2.3.4 개발
__2.3.5 배포
2.4 요약

▣ 03장: 모델에서 모델 팩토리까지

3.1 기술적 요구사항
3.2 모델 팩토리 정의하기
3.3 학습이란 무엇인가
__3.3.1 목표 정의하기
__3.3.2 손실 최소화하기
__3.3.3 데이터 준비하기
3.4 머신러닝을 위한 특징 공학
__3.4.1 범주형 특징 처리하기
__3.4.2 수치형 특징 처리하기
3.5 훈련 시스템 설계하기
__3.5.1 훈련 시스템 설계 옵션
__3.5.2 훈련-실행
__3.5.3 훈련-보관
3.6 드리프트와 재훈련
__3.6.1 데이터 드리프트 감지
__3.6.2 개념 드리프트 탐지하기
__3.6.3 한계 설정하기
__3.6.4 드리프트를 진단하기
__3.6.5 드리프트 대응 방안
__3.6.6 모니터링을 위한 다른 도구
__3.6.7 훈련 자동화하기
__3.6.8 자동화의 계층
__3.6.9 하이퍼파라미터 최적화
3.6.10 오토ML
3.7 모델 영속화하기
3.8 파이프라인으로 모델 팩토리 구축하기
__3.8.1 사이킷런 파이프라인
__3.8.2 스파크 ML 파이프라인
3.9 요약

▣ 04장: 패키징

4.1 기술적 요구사항
4.2 좋은 파이썬 코드 작성하기
__4.2.1 파이썬 기초 다지기
__4.2.2 유용한 기법
__4.2.3 파이썬 코딩 관례
__4.2.4 PySpark 코딩 스타일
4.3 코딩 스타일 선택하기
__4.3.1 객체 지향 프로그래밍
__4.3.2 함수형 프로그래밍
4.4 코드 패키징하기
__4.4.1 패키지를 만드는 이유
__4.4.2 어떤 코드를 패키지로 만들까?
__4.4.3 패키지 설계하기
4.5 패키지 빌드하기
__4.5.1 Makefile로 환경 관리하기
__4.5.2 Poetry로 시작하기
4.6 테스팅, 로깅, 보안 및 오류 처리
__4.6.1 테스팅
__4.6.2 솔루션 보안
__4.6.3 코드의 보안 문제 분석하기
__4.6.4 의존성 패키지의 보안 점검
__4.6.5 로깅
__4.6.6 오류 처리
4.7 바퀴를 재발명하지 않기
4.8 요약

▣ 05장: 배포 패턴과 도구

5.1 기술적 요구사항
5.2 시스템 설계
__5.2.1 시스템 설계 원칙
5.3 대표적인 머신러닝 패턴
__5.3.1 데이터 레이크
__5.3.2 마이크로서비스
__5.3.3 이벤트 기반 설계
__5.3.4 일괄 처리
5.4 컨테이너화
5.5 AWS에서 자체 마이크로서비스 호스팅
__5.5.1 ECR로 푸시하기
__5.5.2 ECS에 배포하기
5.6 Airflow를 활용한 일반 파이프라인 구축
__5.6.1 Airflow
__5.6.2 MWAA
__5.6.3 Airflow를 위한 CI/CD 파이프라인 구축
5.7 고급 ML 파이프라인 구축
__5.7.1 ZenML
__5.7.2 Kubeflow
5.8 배포 전략 선택
5.9 요약

▣ 06장: 스케일링

6.1 기술적 요구사항
6.2 스파크로 확장하기
__6.2.1 스파크 팁과 트릭
__6.2.2 클라우드상의 스파크, AWS EMR
6.3 서버리스 인프라 구축
6.4 쿠버네티스로 대규모 컨테이너화하기
6.5 Ray로 확장하기
__6.5.1 ML을 위한 Ray 시작하기
__6.5.2 Ray의 컴퓨팅 확장
__6.5.3 Ray를 활용한 서빙 계층 확장
6.6 대규모 시스템 설계
6.7 요약

▣ 07장: 딥러닝, 생성형 AI, LLM옵스

7.1 딥러닝
__7.1.1 파이토치 기초
__7.1.2 딥러닝 확장과 프로덕션 적용
__7.1.3 미세 조정과 전이 학습
7.2 대규모 언어 모델
__7.2.1 LLM 기본 개념과 구조
__7.2.2 API를 통한 LLM 활용
__7.2.3 LLM으로 코딩하기
7.3 LLM 검증과 프롬프트 관리·운영
__7.3.1 LLM 검증하기
__7.3.2 프롬프트옵스(PromptOps)
7.4 요약

▣ 08장: 예제 ML 마이크로서비스 구축

8.1 기술 요구사항
8.2 예측 문제 이해
8.3 예측 서비스 설계
8.4 도구 선택
8.5 훈련 스케일링
8.6 FastAPI로 모델 서빙하기
__8.6.1 응답 및 요청 스키마
__8.6.2 마이크로서비스에서 모델 관리하기
__8.6.3 모든 구성 요소 통합하기
8.7 쿠버네티스를 활용한 컨테이너화와 배포
__8.7.1 애플리케이션 컨테이너화
__8.7.2 쿠버네티스로 확장하기
__8.7.3 배포 전략
8.8 요약

▣ 09장: ETML(추출, 변환, 머신러닝) 사례 연구

9.1 기술 요구사항
9.2 일괄 처리 문제 이해
9.3 ETML 솔루션 설계
9.4 도구 선택하기
__9.4.1 인터페이스와 저장소
__9.4.2 모델 확장
__9.4.3 ETML 파이프라인 스케줄링
9.5 빌드 실행
__9.5.1 고급 Airflow 기능을 사용한 ETML 파이프라인 구축
9.6 요약