웹 브라우저 속 머신러닝 TensorFlow.js

다양한 분야의 개발자가 쉽게 접근할 수 있는 머신러닝
이 책은 웹 개발자뿐 아니라 머신러닝, 딥러닝, 데이터 분석 종사자 등 웹에서 머신러닝 모델을 실행하려는 모든 이를 대상으로 쓰였다. 머신러닝 관련 다양한 이론을 쉽게 설명하여 이해하기도 쉽고, 머신러닝 기술을 웹에서 구축하기 위해 바로 활용할 수 있는 실전 예제를 가득 담았다. 또한, 웹에서 머신러닝 기술을 직접 실습해보며 개념을 더 쉽고, 명확하고, 탄탄하게 잡을 수도 있다. 기술 이해에 도움이 되는 많은 참고 자료와 그림, 수식을 통해 머신러닝 기술이 어떻게 프런트까지 닿게 되는지 쉽고 빠르게 이해하길 바란다.
주요 내용
● TensorFlow.js 설치 방법과 환경 구축 방법
● 케라스 모델을 TensorFlow.js로 가져오는 방법
● TensorFlow.js 프레임워크와 라이브러리 사용법
● 다항 회귀, 로지스틱 회귀 등 다양한 모델 사용법
● 군집화 알고리즘과 비지도 학습법
● 차원 축소와 t-분포 확률적 임베딩
● 머신러닝 애플리케이션 배포 방법
● 머신러닝 성능 향상을 위한 튜닝법과 TensorFlow.js의 전망

1부 머신러닝의 원리와 TensorFlow.js 사용법

CHAPTER 1 웹에서의 머신러닝
_1.1 개발 환경
_1.2 머신러닝을 웹에서 돌리는 이유
_1.3 연산 그래프
_1.3 연산 그래프 시각화하기
_1.4 TensorFlow.js란?
_1.5 TensorFlow.js 설치하기
_1.6 저수준 API
_1.7 Layers API
_1.8 마치며
_1.9 연습 문제
_1.10 더 읽을거리

CHAPTER 2 사전 학습된 모델을 TensorFlow.js로 가져오기
_2.1 개발 환경
_2.2 포터블 모델 형식
_2.3 텐서플로에서 모델 내보내기
_2.4 tfjs-converter를 사용하여 모델 변환하기
_2.5 TensorFlow.js에서 모델 불러오기
_2.6 마치며
_2.7 연습 문제
_2.8 더 읽을거리

CHAPTER 3 TensorFlow.js 에코시스템
_3.1 개발 환경
_3.2 왜 고수준 라이브러리가 필요한가?
_3.3 기존 모델 사용하기
_3.4 다양한 종류의 스토리지에서 데이터 불러오기
_3.5 ML_5.js를 이용한 자세 추정
_3.6 Magenta.js로 고양이 그리기
_3.7 machinelearn_.js를 사용한 XOR 분류
_3.8 마치며
_3.9 연습 문제
_3.10 더 읽을거리

2부 TensorFlow.js를 활용한 실제 애플리케이션 사례

CHAPTER 4 다항 회귀
_4.1 개발 환경
_4.2 다항 회귀란?
_4.3 2차원 곡선 피팅
_4.4 마치며
_4.5 연습 문제
_4.6 더 읽을거리

CHAPTER 5 로지스틱 회귀를 사용한 분류
_5.1 개발 환경
_5.2 이진 분류의 배경
_5.3 로지스틱 회귀란?
_5.4 2차원 군집 분류하기
_5.5 마치며
_5.6 연습 문제
_5.7 더 읽을거리

CHAPTER 6 비지도학습
_6.1 개발 환경
_6.2 비지도학습이란?
_6.3 k-평균 알고리즘 동작 원리
_6.4 기댓값-최대화 알고리즘을 사용한 k-평균 알고리즘의 일반화
_6.5 2차원 공간에서 두 그룹을 군집화하기
_6.6 마치며
_6.7 연습 문제
_6.8 더 읽을거리

CHAPTER 7 순차 데이터 분석
_7.1 개발 환경
_7.2 푸리에 변환이란?
_7.3 코사인 곡선 분해
_7.4 마치며
_7.5 연습 문제
_7.6 더 읽을거리

CHAPTER 8 차원 축소
_8.1 개발 환경
_8.2 왜 차원 축소를 해야 하는가?
_8.3 주성분 분석의 이해
_8.4 주성분 분석을 이용하여 3차원 좌표를 2차원 공간으로 투영하기
_8.5 단어 임베딩
_8.6 마치며
_8.7 연습 문제
_8.8 더 읽을거리

CHAPTER 9 마르코프 결정 문제 풀기
_9.1 개발 환경
_9.2 강화학습
_9.3 4개 상태 문제 해결하기
_9.4 마치며
_9.5 연습 문제
_9.6 더 읽을거리

3부 TensorFlow.js로 머신러닝 애플리케이션 배포하기

CHAPTER 10 머신러닝 애플리케이션 배포하기
_10.1 개발 환경
_10.2 자바스크립트 플랫폼의 에코시스템
_10.3 모듈 번들러
_10.4 깃허브 페이지로 모듈 배포하기
_10.5 마치며
_10.6 연습 문제
_10.7 더 읽을거리

CHAPTER 11 성능 향상을 위한 애플리케이션 튜닝하기
_11.1 개발 환경
_11.2 TensorFlow.js 백엔드 API
_11.3 텐서 관리
_11.4 비동기 데이터 접근
_11.5 프로파일링
_11.6 모델 시각화
_11.7 마치며
_11.8 연습 문제
_11.9 더 읽을거리

CHAPTER 12 TensorFlow.js의 전망
_12.1 개발 환경
_12.2 실험적 백엔드 프로젝트
_12.3 AutoML 에지 헬퍼
_12.4 마치며
_12.5 연습 문제
_12.6 더 읽을거리

카이 사사키 Kai Sasaki
Treasure Data의 소프트웨어 엔지니어. 데이터를 가치 있게 만들기 위해 대규모의 분산 시스템을 개발하는 업무를 맡고 있다. 대규모 데이터를 처리하여 인공지능을 만드는 일에 대한 열정이 그를 머신러닝 분야로 이끌었다. TensorFlow.js 초기 개발진 중 한 명이기도 하며, 새로운 종류의 머신러닝 모델에서 요구되는 새로운 연산자를 추가하는 업무를 계속해서 맡고 있다. 2018년에 Google Open Source Peer Bonus를 받기도 했다.