오토케라스로 만드는 AutoML(데이터 과학)

◈ 이 책에서 다루는 내용 ◈

◆ 텐서플로 및 오토케라스로 딥러닝 워크스테이션 설정
◆ 오토케라스로 기계학습 파이프라인 자동화
◆ 오토케라스를 사용하여 이미지 및 텍스트 분류 모델 및 회귀 모델 구현
◆ 오토케라스를 사용하여 텍스트에 대한 감정 분석을 수행하여 부정적 또는 긍정적으로 분류
◆ 오토케라스를 활용하여 주제별로 문서 분류
◆ 가장 강력한 확장 기능을 사용하여 오토케라스를 최대 활용


◈ 이 책의 대상 독자 ◈
자동화된 ML 기술을 프로젝트에 적용하려는 머신러닝 및 딥러닝 애호가를 위한 책이다. 최대한 활용하려면 파이썬 프로그래밍에 대한 기본적인 사전지식이 필요하다.


◈ 이 책의 구성 ◈
1장, '자동화된 머신러닝 소개'에서는 AutoML 사용 방법의 유형 및 해당 소프트웨어 시스템에 대한 개요와 함께 자동화된 머신러닝의 주요 개념을 다룬다.
2장, '오토케라스 시작하기'에서는 오토케라스를 시작하는 데 필요한 모든 것을 다루고, 잘 설명된 기본 코드 예제를 통해 오토케라스를 실행한다.
3장, '오토케라스로 머신러닝 파이프라인 자동화하기'에서는 표준 머신러닝 파이프라인을 설명하고, 오토케라스로 파이프라인을 자동화하는 방법을 다룬 후, 모델을 학습시키기 전에 적용할 주요 데이터 준비의 모범 사례를 소개한다.
4장, '오토케라스를 사용한 이미지 분류 및 회귀'에서는 더 복잡하고 강력한 이미지 인식 모델을 만들고 오토케라스의 동작 방식을 조사하며 성능을 개선하기 위한 파인튜닝 방법을 살펴봄으로써 이미지 관련 문제에 오토케라스를 사용하는 것에 중점을 둔다.
5장, '오토케라스를 사용한 텍스트 분류 및 회귀'에서는 오토케라스를 이용한 텍스트(단어 시퀀스) 작업에 중점을 둔다. 또한 순환 신경망이 무엇이며 어떻게 작동하는지 설명한다.
6장, '오토케라스를 사용한 구조화된 데이터 작업'에서는 구조화된 데이터셋을 탐색하고, 변환하고, 특정 모델의 데이터 소스로 사용할 수 있다. 또한 구조화된 데이터를 기반으로 작업을 해결하기 위해 고유한 분류 및 회귀 모델을 생성한다.
7장, '오토케라스를 사용한 감정 분석'에서는 텍스트 분류 모델을 사용해 텍스트 데이터에서 감정을 추출하고, 감정 예측 모델을 구현해 텍스트 분류 개념을 실용적인 방식으로 적용한다.
8장, '오토케라스를 사용한 주제 분류'에서는 이전 장에서 배운 텍스트 기반 작업의 실용적인 측면에 중점을 둔다. 오토케라스로 주제 분류 모델을 생성한 다음, 주제 또는 범주 기반 데이터셋에 적용하는 방법을 알려준다.
9장, '다중 모드 및 다중 작업 데이터'에서는 오토모델 API로 다중 모드 및 다중 작업 데이터를 처리하는 방법을 설명한다.
10장, '모델 내보내기 및 시각화'에서는 오토케라스 모델을 내보내고 가져오는 방법과 모델을 학습시키는 동안 일어나는 일을 실시간으로 그래픽을 사용해 시각화하는 방법을 알려준다.

◈ 옮긴이의 말 ◈
머신러닝을 공부하는 사람들이 처음 책을 폈을 때 머신러닝이란 무엇인가, 또는 지도학습과 비지도학습은 무엇인가에 대해 배웠을 것입니다. 딥러닝 책으로 공부를 시작한 분들은 신경망, 미분, 역전파의 개념을 배웠을 것입니다. 개념도 물론 중요하지만 우리가 이러한 공부를 하는 이유는 실무에서 사용하기 위함입니다. 그런데 이런 이론적인 내용만 공부하다 보면 정작 AI를 비즈니스에 적용할 수 있는지 검토하는 데까진 더 오랜 시간이 걸립니다. 그래서 구글, 아마존, 마이크로소프트와 같은 클라우드 플랫폼 회사에서는 머신러닝을 비즈니스에서 빠르게 테스트하고 적용할 수 있도록 Vertex AI, Amazon SageMaker Autopilot, Azure Machine Learning Studio와 같은 AutoML 서비스를 제공하고 있습니다. 클라우드 플랫폼을 활용할 수 있다면 위에서 언급한 서비스를 이용하는 것이 좋습니다. 하지만 온프레미스 환경에서 작업을 해야 한다면 오토케라스가 좋은 대안이 될 수 있습니다.
이 책은 머신러닝 이론에 대해서는 간략하게 소개합니다. 그리고 비즈니스에서 겪는 문제를 분류, 회귀, 감정 분석, 주제 분류 등으로 나눠서 예측 모델을 만드는 방법을 설명합니다. 그리고 머신러닝 학습 과정을 관리하기 위해 머신러닝 파이프라인을 자동화하거나 머신러닝 모델링 과정을 모니터링하고 모델을 배포하는 방법을 다룹니다.
머신러닝과 딥러닝을 많이 경험해보지 못한 비즈니스 전문가, 학생, 개발자, 데이터 분석가분들도 데이터를 이용해 문제를 풀어야 하는 상황이라면 이 책에서 설명하는 오토케라스를 이용해 비즈니스 문제의 답을 빨리 찾을 수 있길 바랍니다.

제1부 AutoML 기초

__1장. 자동화된 머신러닝 소개
____표준 ML 워크플로의 구조
______데이터 수집
______데이터 전처리
______모델 배포
______모델 모니터링
____AutoML의 정의
______표준 접근 방식과의 차이점
____AutoML의 유형
______피처 엔지니어링 자동화
______모델 선택 및 하이퍼파라미터 최적화 자동화
______신경망 아키텍처 선택 자동화
____요약
____더 읽을거리

__2장. 오토케라스 시작하기
____기술 요구사항
____딥러닝이란 무엇인가?
____신경망이란 무엇이며 어떻게 학습하는가?
____딥러닝 모델은 어떻게 학습하는가?
____왜 오토케라스인가?
______오토케라스 실험 실행 방법
____오토케라스 설치
______클라우드에 오토케라스 설치
______오토케라스 로컬 설치
____Hello MNIST: 첫 번째 오토케라스 실험 구현
______필요한 패키지 가져오기
______MNIST 데이터셋 가져오기
______숫자는 어떻게 분포하는가?
______이미지 분류 모델 만들기
______테스트 세트로 모델 평가
______모델 시각화
______이미지 회귀 분류 모델 만들기
______테스트 세트로 모델 평가
______모델 시각화
____요약

__3장. 오토케라스로 머신러닝 파이프라인 자동화하기
____텐서 이해하기
______텐서란 무엇인가?
______텐서의 유형
____딥러닝 모델을 제공하기 위한 데이터 준비
______신경망 모델을 위한 데이터 전처리 작업
____여러 형식으로 오토케라스에 데이터 로드
____학습 및 평가를 위한 데이터셋 분할
______데이터셋을 분할해야 하는 이유
______데이터셋을 분할하는 방법
____요약

제2부 오토케라스 활용

__4장. 오토케라스를 사용한 이미지 분류 및 회귀
____기술 요구사항
____CNN 이해하기
______합성곱 층
______풀링 층
______CNN 구조
______기존 신경망 넘어서기
____CIFAR-10 이미지 분류 모델 만들기
____강력한 이미지 분류 모델 생성 및 파인튜닝
______모델 성능 향상
______테스트 세트로 모델 평가
______모델 시각화
____사람의 나이를 알아내는 이미지 회귀 분석기 만들기
____강력한 이미지 회귀 분석기 생성 및 파인튜닝
______모델 성능 향상
______테스트 세트로 모델 평가
______모델 시각화
____요약

__5장. 오토케라스를 사용한 텍스트 분류 및 회귀
____기술 요구사항
____텍스트 데이터 작업
______토큰화
______벡터화
____RNN 이해하기
____1차원 CNN(Conv1D)
____이메일 스팸 감지기 만들기
______스팸 예측기 만들기
______모델 평가
______모델 시각화
____소셜 미디어에서 뉴스 인기도 예측
______텍스트 회귀 모델 생성
______모델 평가
______모델 시각화
______모델 성능 향상
______테스트셋으로 모델 평가
____요약

__6장. 오토케라스를 사용한 구조화된 데이터 작업
____기술 요구사항
____구조화된 데이터 이해하기
____구조화된 데이터 작업
____타이타닉 생존자를 예측하기 위한 구조화된 데이터 분류 모델 만들기
______분류 모델 만들기
______모델 평가
______모델 시각화
____보스턴 주택 가격을 예측하기 위한 구조화된 데이터 회귀 분석 모델 만들기
______구조 데이터 회귀 분석 모델 만들기
______모델 평가
______모델 시각화
____요약

__7장. 오토케라스를 사용한 감정 분석
____기술 요구사항
____감정 분석기 만들기
____감정 예측 모델 만들기
____모델 평가
____모델 시각화
____특정 문장의 감정 분석
____요약

__8장. 오토케라스를 사용한 주제 분류
____기술 요구사항
____주제 분류 이해하기
____뉴스 주제 분류 모델 만들기
______분류 모델 만들기
______모델 평가
______모델 시각화
______모델 평가
____모델 검색 공간 사용자 정의
______요약

제3부 고급 오토케라스

__9장. 다중 모드 및 다중 작업 데이터
____기술 요구사항
____다중 입력 또는 출력이 있는 모델 탐색
______오토모델이란 무엇인가?
______다중 모드란 무엇인가?
______다중 작업이란 무엇인가?
____다중 모드 / 다중 작업 모델 생성
______모델 생성
______모델 시각화
____검색 공간 사용자 정의
____요약

__10장. 모델 내보내기 및 시각화
____기술 요구사항
____모델 내보내기
______모델을 저장하고 불러오는 방법
____텐서보드로 모델 시각화
______콜백으로 모델 상태 기록
______텐서보드 설정 및 로드
______TensorBoard.dev와 ML 실험 결과 공유
____ClearML로 모델 시각화 및 비교
______코드에 ClearML 추가
______실험 비교
____요약
______마치며

루이스 소브레쿠에바 Luis Sobrecueva
현재 카비파이(Cabify)에서 근무하는 선임 소프트웨어 엔지니어이자 ML/DL 실무자다. OpenAI 프로젝트에 기여했으며 오토케라스 프로젝트에도 기여했다.