AutoML 인 액션

누구를 위한 책 인가요?
● 머신러닝 엔지니어: AutoML 개념을 탄탄히 다지고 실무에서 활용 방법과 심화 주제를 익히고 싶은 분
● AutoML 도구에 관심 있는 프로젝트 관리자 및 개발자: AutoKeras와 KerasTuner를 활용하여 프로젝트의 효율성을 높이고 싶은 분
● 데이터 과학자 및 분석가: 머신러닝 모델의 개발과 최적화 방법을 찾고 있는 분
● 학계 연구자: 최신 AutoML 연구와 기술에 관심이 있고 기존 연구와 다른 관점으로 AutoML에 접근하고 싶은 분

간추린 목차로 보는 이 책을 200% 활용하는 방법
단계별로 AutoML의 기본 개념부터 고급 주제까지 체계적으로 학습할 수 있습니다. 각 장의 내용을 순차적으로 따라가면서 실제 예제와 함께 실습하면 AutoML의 전반적인 지식과 활용 능력을 향상시킬 수 있을 것입니다.

[PART 1: AutoML 기초]
● 머신러닝과 AutoML 이해하기: AutoML의 기본 개념에 익숙하지 않다면 1장에서 AutoML의 핵심 철학과 장점을 확인해보세요.
● 머신러닝 프로젝트의 흐름 알아보기: 2장에서는 머신러닝 프로젝트를 계획하고 구성할 때 도움이 되는 전반적인 흐름을 파악할 수 있습니다.
● 딥러닝 시작하기: 3장은 기본 모델로 실제 문제를 해결하는 방법을 학습할 수 있어, 딥러닝에 익숙하지 않은 독자에게 특히 더 유용하게 작용합니다.

[PART 2: 실전 AutoML]
● 실제 머신러닝 문제 해결하기: 4장에서는 AutoKeras를 활용한 실제 문제를 해결하는 방법을 배웁니다. 실무에서 자주 마주치는 문제를 어떻게 해결하는지 경험해보세요.
● 고급 파이프라인 구성하기: 5장에서는 파이프라인의 세부 조정 및 최적화 방법을 배웁니다. 심화 단계의 AutoML 활용법을 익히고자 하는 독자에게 추천합니다.
● 사용자 정의 탐색 활용하기: 6장에서는 사용자 정의 탐색 기법을 통해 더욱 세밀한 모델 튜닝 방법을 배웁니다.

[PART 3: AutoML의 고급 주제]
● 다양한 검색 기법 탐구하기: 7장에서는 다양한 검색 기법을 통해 최적의 모델을 찾는 전략을 배웁니다.
● AutoML의 확장성 활용하기: 8장에서는 대규모 데이터셋 처리 및 병렬 처리 방법 등 AutoML의 확장성을 최대한 활용하는 방법을 배웁니다.
● 전체 내용 복습 및 미래 전망 알아보기: 9장에서는 지금까지 학습한 내용을 복습하고, AutoML의 미래 발전 방향에 대해 알아봅니다.

[부록]
● 실습 환경 구축하기: 부록 A에서는 코드 실습을 위한 환경 설정 방법을 소개합니다. 실제로 코드를 실행하며 학습하고자 하는 독자에게 유용합니다.
● 실제 예제로 실력 키우기: 부록 B에서는 다양한 데이터 유형에 대한 분류 예제를 통해 실제로 학습한 내용을 적용해보는 기회를 얻을 수 있습니다.


AutoKeras 창시자의 실무 경험을 담은 AutoML 실전 가이드
이 책은 AutoML의 기본 개념부터 심화 내용과 실무 활용까지 전 과정을 포괄적으로 다루는 실전서입니다. AutoML 파이프라인의 확장성 개선부터 검색 알고리즘, 원샷 튜닝 기법까지 최신 AutoML 기술 동향을 한 권에 모두 담아냈습니다. 더불어 AutoKeras 창시자가 직접 알려주는 방법을 통해 AutoKeras와 KerasTuner를 활용하여 ML 파이프라인을 심도 있게 배우게 됩니다. 또한 검색 기법, 분류, 회귀, 데이터 증강 등 다양한 예제를 통해 AutoML 파이프라인을 생성하고, 머신러닝 문제를 해결하며 파이프라인을 개선하는 능력을 함양할 수 있습니다. 이 책을 통해 AutoML에 대한 포괄적인 이해를 기반으로 실무에 적용할 수 있는 실용적인 지식까지 얻어보세요.


[추천사]
최신 AutoML 기술의 이론과 실제 응용 사례를 풍부하게 다루고 있어, 머신러닝 전문가로 성장하고자 하는 모든 이에게 이상적인 학습 자료입니다

윤명식, 메가존클라우드 아키텍트

이 책은 단순히 하이퍼파라미터 튜닝과 AutoModel에 국한되지 않고 파이프라인까지 고려하여 케라스의 성능을 극대화하는 방법을 상세히 다룹니다. 이 책을 통해 케라스를 사용하는 모든 연구자가 업무나 연구에서 케라스의 생산성을 높이는 경험을 쌓기 바랍니다.
이영빈, 모두의연구소

'AutoML'이라는 이름 자체가 무척 고도화되고 쉽게 접근할 수 없는 기술로 느껴질 수 있습니다. 이러한 AutoML의 진입 장벽을 낮추기 위해 이 책은 모델 튜닝이 필요한 개발자들이 더 쉽게 접근할 수 있는 기회를 제공하고, 더 많은 사람이 AutoML을 활용할 수 있도록 돕습니다.

강찬석, LG전자 소프트웨어 엔지니어

그동안 머신러닝 모델을 구축하면서 항상 가졌던 '어떻게 하면 모델과 하이퍼파라미터를 더 최적화할 수 있을까?'라는 아쉬움과 갈증을 해소할 수 있는 책입니다.

박희민, 상명대학교 소프트웨어학과

이 책은 AutoKeras를 활용하여 하이퍼파라미터 튜닝을 자동화하는 방법을 소개합니다. 따라서 이 책을 읽고 나면 AutoKeras를 통해 반복적인 테스트 과정으로부터 해방되어 데이터 분석과 아키텍처 설계에 집중하여 업무 효율을 높일 수 있을 것입니다.
신기원, 고려대학교 안암병원 의료 AI 연구자

AutoKeras와 KerasTuner를 통해 ML 파이프라인을 자동화하는 방법을 단계별로 안내합니다. 다양한 기술의 장단점은 물론, 각 단계는 다양한 이론과 기술을 코드와 함께 소개하고 있습니다.

박민우, AI Researcher

[PART 1 AutoML 기초]
CHAPTER 1 머신러닝을 AutoML로
1.1 AutoML에 대한 감 잡기
1.2 머신러닝 시작하기
1.3 AutoML: 자동화 속의 자동화

CHAPTER 2 ML 프로젝트의 엔드투엔드 파이프라인
2.1 엔드투엔드 파이프라인의 개요
2.2 문제 정의 및 데이터셋 조립
2.3 데이터 전처리
2.4 피처 엔지니어링
2.5 머신러닝 알고리즘의 선별
2.6 머신러닝 모델의 파인튜닝: 그리드 탐색

CHAPTER 3 딥러닝 요점 정리
3.1 딥러닝이란?
3.2 텐서플로와 케라스
3.3 다층 퍼셉트론을 사용한 캘리포니아 주택 가격 예측
3.4 합성곱 신경망을 활용한 손 글씨 숫자 분류
3.5 순환 신경망을 활용한 IMDB 리뷰 분류

[PART 2 실전 AutoML]
CHAPTER 4 자동화된 엔드투엔드 머신러닝 솔루션 생성
4.1 AutoML 도구 준비: AutoKeras
4.2 자동화된 이미지 분류
4.3 4개의 지도 학습에 대한 엔드투엔드 AutoML 솔루션
4.4 다중 입/출력 문제 다루기

CHAPTER 5 AutoML 파이프라인 생성을 통한 탐색 공간 조정
5.1 순차적 AutoML 파이프라인으로 작업하기
5.2 자동화된 하이퍼파라미터 튜닝을 위한 순차적 AutoML 파이프라인 만들기
5.3 하이퍼블록으로 자동화된 파이프라인 검색
5.4 그래프 구조의 AutoML 파이프라인 설계하기
5.5 사용자 정의 AutoML 블록 설계하기


CHAPTER 6 완전한 사용자 정의 탐색 공간을 가진 AutoML
6.1 계층별로 탐색 공간 사용자 정의하기
6.2 오토인코더 모델 튜닝하기
6.3 서로 다른 검색 기법으로 얕은 모델 튜닝하기
6.4 튜너의 사용자 정의를 통해 AutoML 과정 제어하기

[PART 3 AutoML의 고급 주제]
CHAPTER 7 AutoML 검색 기법의 사용자 정의
7.1 순차적 검색 기법
7.2 임의 검색 기법으로 시작하기
7.3 베이지안 최적화 검색 기법 사용자 정의하기
7.4 진화적 검색 기법을 사용자 정의하기

CHAPTER 8 AutoML의 규모 확장
8.1 대규모 데이터셋 다루기
8.2 다중 GPU로 병렬화하기
8.3 검색 속도를 높이는 전략

CHAPTER 9 마무리
9.1 주요 개념 되돌아보기
9.2 AutoML 도구 및 플랫폼
9.3 AutoML의 미래 과제
9.4 빠르게 변하는 분야에서 최신 상태 유지하기

부록 A 코드 실행을 위한 환경 설정
A.1 구글 코랩 시작하기
A.2 로컬 우분투 시스템에 주피터 노트북 환경 설정

부록 B 이미지, 텍스트, 정형 데이터 분류 예제
B.1 이미지 분류: 손 글씨 숫자 인식
B.2 텍스트 분류: 뉴스 그룹의 주제 분류하기
B.3 정형 데이터 분류: 타이타닉 생존자 식별하기

칭취안 송 (Qingquan Song)
링크드인 AI 파운데이션팀의 머신러닝 및 렐러번스 엔지니어. AutoKeras의 창시자 중 한명이기도 합니다. 텍사스 A&M 대학교에서 컴퓨터 공학 박사학위를 받았으며, 관심 연구 분야는 추천 시스템과 소셜 네트워크에서 AutoML, 동적 데이터 분석, 텐서 분해를 활용하는 것입니다. 그리고 지금까지 KDD, NeurIPS, TKDD 등 주요 데이터 마이닝 및 머신러닝 학회에서 논문을 발표했습니다.