핸즈온 머신러닝 with 사이킷런, 파이토치

『핸즈온 머신러닝』의 기본기 위에, 파이토치와 현대 AI를 다시 쌓다
『핸즈온 머신러닝』은 오랫동안 머신러닝의 기본을 익히는 대표적인 학습서로 사랑받아 왔습니다. 이번 책도 그 강점을 그대로 이어갑니다. 사이킷런을 중심으로 머신러닝의 핵심 개념과 프로젝트 흐름을 익히고, 그 위에서 파이토치로 신경망과 딥러닝을 확장해 나갑니다. 1부에서는 익숙한 기본기를 차근차근 다지고, 2부에서는 지금의 개발 환경에 맞는 도구와 기술로 학습을 이어가도록 구성했습니다. 실제로 1부는 사이킷런, 2부는 파이토치를 중심으로 전개됩니다.
이번 책에서 눈에 띄는 변화는 딥러닝 이후의 범위입니다. 전체 코드를 최신 라이브러리에 맞게 업데이트하고, 코드를 파이토치 중심으로 다시 구성했습니다. 여기에 자연어 처리와 챗봇을 위한 트랜스포머, 비전·멀티모달 트랜스포머, 트랜스포머 가속 등 새로운 내용을 더해 현재의 AI 기술 흐름까지 자연스럽게 이어갑니다. 트랜스포머와 LLM을 다루는 방식도 한층 넓어졌습니다. 사전 훈련 모델을 불러와 활용하고 미세 튜닝하는 데서 그치지 않고, 비전과 멀티모달, 모델을 더 빠르고 효율적으로 다루는 방법까지 연결합니다. 이어 오토인코더·GAN·확산 모델과 강화학습까지 다루며, 머신러닝의 기본에서 출발해 오늘날의 주요 AI 기술로 학습 범위를 확장해 나갑니다.
그럼에도 이 책의 학습 방식은 익숙합니다. 어려운 개념을 명료한 설명과 그림으로 풀고, 실제 코드를 직접 실행하며 원리를 확인하도록 이끕니다. 처음 머신러닝을 배우는 독자라면 기본부터 차근차근 따라갈 수 있고, 『핸즈온 머신러닝(3판)』을 읽었던 독자라면 익숙한 기본기 위에서 파이토치와 트랜스포머, LLM, 멀티모달과 확산 모델까지 자연스럽게 학습을 이어갈 수 있습니다. 머신러닝의 기본부터 지금의 AI까지, 기술의 흐름을 직접 구현하며 연결해 이해하고 싶은 독자에게 든든한 안내서가 되어줄 것입니다.

1부 머신러닝

1장 한눈에 보는 머신러닝
_1.1 머신러닝이란?
_1.2 왜 머신러닝을 사용하나요?
_1.3 애플리케이션 사례
_1.4 머신러닝 시스템의 종류
_1.5 머신러닝의 주요 도전 과제
_1.6 테스트와 검증
연습문제

2장 머신러닝 프로젝트 처음부터 끝까지
_2.1 실제 데이터로 작업하기
_2.2 큰 그림 보기
_2.3 데이터 가져오기
_2.4 데이터 이해를 돕는 탐색과 시각화
_2.5 머신러닝 알고리즘을 위한 데이터 준비
_2.6 모델 선택과 훈련
_2.7 모델 미세 튜닝
_2.8 론칭, 모니터링, 시스템 유지 보수
_2.9 직접 해 보세요!
연습문제


3장 분류
_3.1 MNIST
_3.2 이진 분류기 훈련
_3.3 성능 측정
_3.4 다중 분류
_3.5 오류 분석
_3.6 다중 레이블 분류
_3.7 다중 출력 분류
연습문제


4장 모델 훈련
_4.1 선형 회귀
_4.2 경사 하강법
_4.3 다항 회귀
_4.4 학습 곡선
_4.5 규제가 있는 선형 모델
_4.6 로지스틱 회귀
연습문제

5장 결정 트리
_5.1 결정 트리 학습과 시각화
_5.2 예측
_5.3 클래스 확률 추정
_5.4 CART 훈련 알고리즘
_5.5 계산 복잡도
_5.6 지니 불순도 또는 엔트로피?
_5.7 규제 하이퍼파라미터
_5.8 회귀
_5.9 축 방향에 대한 민감성
_5.10 결정 트리의 분산 문제
연습문제

6장 앙상블 학습과 랜덤 포레스트
_6.1 투표 기반 분류기
_6.2 배깅과 페이스팅
_6.3 랜덤 패치와 랜덤 서브스페이스
_6.4 랜덤 포레스트
_6.5 부스팅
_6.6 스태킹
연습문제

7장 차원 축소
_7.1 차원의 저주
_7.2 차원 축소 접근법
_7.3 주성분 분석
_7.4 랜덤 투영
_7.5 지역 선형 임베딩
_7.6 다른 차원 축소 기법
연습문제

8장 비지도 학습
_8.1 군집
_8.2 가우스 혼합
연습문제



2부 신경망과 딥러닝

9장 인공 신경망 소개
_9.1 생물학적 뉴런에서 인공 뉴런까지
_9.2 사이킷런으로 MLP 만들고 훈련하기
_9.3 하이퍼파라미터 튜닝 가이드라인
연습문제

10장 파이토치로 신경망 구축하기
_10.1 파이토치 기초
_10.2 선형 회귀 구현하기
_10.3 회귀 MLP 구현하기
_10.4 DataLoader로 미니배치 경사 하강법 구현하기
_10.5 모델 평가
_10.6 사용자 정의 모듈로 비순차 모델 만들기
_10.7 파이토치로 이미지 분류기 만들기
_10.8 Optuna로 신경망 하이퍼파라미터 미세 튜닝하기
_10.9 파이토치 모델 저장과 로드
_10.10 파이토치 모델 컴파일과 최적화
연습문제

11장 심층 신경망 훈련
_11.1 그레이디언트 소실과 폭주 문제
_11.2 사전 훈련된 층 재사용하기
_11.3 고속 옵티마이저
_11.4 학습률 스케줄링
_11.5 규제를 사용해 과대적합 피하기
_11.6 실용적인 가이드라인
연습문제

12장 합성곱 신경망을 사용한 심층 컴퓨터 비전
_12.1 시각 피질 구조
_12.2 합성곱 층
_12.3 풀링 층
_12.4 파이토치로 풀링 층 구현하기
_12.5 CNN 구조
_12.6 파이토치로 ResNet-34 CNN 구현하기
_12.7 TorchVision의 사전 훈련 모델 사용하기
_12.8 사전 훈련된 모델을 사용한 전이 학습
_12.9 분류와 위치 추정
_12.10 객체 탐지
_12.11 객체 추적
_12.12 시맨틱 분할
연습문제

13장 RNN과 CNN을 사용한 시퀀스 처리
_13.1 순환 뉴런과 순환 층
_13.2 RNN 훈련하기
_13.3 시계열 예측하기
_13.4 긴 시퀀스 다루기
연습문제

14장 RNN과 어텐션을 사용한 자연어 처리
_14.1 char-RNN으로 셰익스피어 문체 생성하기
_14.2 허깅 페이스 라이브러리를 사용한 감성 분석
_14.3 신경망 기계 번역을 위한 인코더-디코더 네트워크
_14.4 어텐션 메커니즘
연습문제

15장 자연어 처리와 챗봇을 위한 트랜스포머
_15.1 Attention Is All You Need: 원본 트랜스포머 아키텍처
_15.2 영어-스페인어 번역 트랜스포머 만들기
_15.3 자연어 이해를 위한 인코더 기반 트랜스포머
_15.4 디코더 기반 트랜스포머
_15.5 대규모 언어 모델을 챗봇으로 바꾸기
_15.6 인코더-디코더 모델
연습문제

16장 비전 및 멀티모달 트랜스포머
_16.1 비전 트랜스포머
_16.2 멀티모달 트랜스포머
_16.3 기타 멀티모달 모델
연습문제

17장 트랜스포머 가속하기
_17.1 추론 시 디코딩 속도 높이기
_17.2 멀티 헤드 어텐션 속도 높이기
_17.3 MoE로 스케일 키우기
_17.4 훈련 속도 높이기
연습문제

18장 오토인코더, GAN 그리고 확산 모델
_18.1 효율적인 데이터 표현
_18.2 과소완전 선형 오토인코더로 PCA 수행하기
_18.3 적층 오토인코더
_18.4 합성곱 오토인코더
_18.5 잡음 제거 오토인코더
_18.6 희소 오토인코더
_18.7 변분 오토인코더
_18.8 생성적 적대 신경망
_18.9 확산 모델
연습문제

19장 강화 학습
_19.1 강화 학습이란?
_19.2 정책 그레이디언트
_19.3 가치 기반 방법
_19.4 액터-크리틱 알고리즘
_19.5 Stable-Baselines3 PPO 구현을 사용하여 아타리 브레이크아웃 마스터하기
_19.6 다른 강화 학습 알고리즘
연습문제

3부 부록

부록 A 자동 미분
_A.1 수동 미분
_A.2 유한 차분 근사
_A.3 전진 모드 자동 미분
_A.4 후진 모드 자동 미분

부록 B 혼합 정밀도와 양자화
_B.1 일반적인 수 표현
_B.2 낮은 정밀도 모델
_B.3 혼합 정밀도 훈련
_B.4 양자화
_B.5 사전 양자화된 모델 사용하기

부록 C 서포트 벡터 머신
_C.1 선형 SVM 분류
_C.2 비선형 SVM 분류
_C.3 SVM 회귀
_C.4 SVM 이론
_C.5 쌍대 문제
연습문제

부록 D 상대 위치 인코딩
_D.1 상대 위치 인코딩(RPE)
_D.2 로터리 위치 임베딩(RoPE)
_D.3 ALiBi

부록 E 머신러닝 프로젝트 체크리스트
_E.1 문제 정의 및 큰 그림 그리기
_E.2 데이터 수집
_E.3 데이터 탐색
_E.4 데이터 준비
_E.5 가능성 있는 모델 선정
_E.6 모델 미세 튜닝
_E.7 솔루션 제시
_E.8 시스템 론칭

부록 F 연습문제 정답

오렐리앙 제롱 머신러닝 컨설턴트이자 강사입니다. 2013년에서 2016년까지 구글에서 유튜브 동영상 분류 팀을 이끌었습니다. 2002년에서 2012년까지 프랑스의 모바일 ISP 선두 주자인 와이퍼스트를 설립하고 CTO로 일했습니다. 2001년에는 폴리콘셀 (Polyconseil)을 설립하고 CTO로 일했습니다. 이 회사는 지금 전기차 공유 서비스인 오토립(Autolib)을 운영하고 있습니다.

그전에는 재무(J. P. 모건과 소시에테 제네랄 Soci?t? G?n?rale), 방위(캐나다 국방부), 의료(수혈) 등 다양한 분야에서 엔지니어로 일했습니다. C++, WiFi, 인터넷 구조에 관한 기술 서적 몇 권을 집필했으며 프랑스의 한 공과대학에서 컴퓨터과학을 가르쳤습니다.