초보자가 만들며 배우는 딥러닝 서비스

_주요 내용

"모델을 만들고 서비스해보고자 하는 독자에게 안성맞춤인 책"
"초보자가 쉽게 따라할 수 있는 딥러닝 서비스 만들기"
"군더더기를 쏙 뺀 딥러닝 실습 책".

이 책을 통해 독자들은 다음과 같은 내용을 배울 수 있습니다.
1. 딥러닝 및 인공지능의 기본 개념과 원리를 이해한다.
2. Google Teachable Machine으로 고양이 종 분류 모델 생성을 통해 데이터 수집, 전처리, 모델 훈련 및 평가 과정을 직접 경험한다.
3. AWS 클라우드 서비스를 활용하여 딥러닝 서비스를 구축한다

딥러닝과 인공지능 학습 여정에 도움이 되고, 이 분야에서의 기본적인 지식과 경험을 쌓을 수 있습니다. 또한 아이디어를 실생활에 활용하고 서비스를 하는 데 힌트를 얻을 수 있습니다. 이 책과 함께 흥미진진한 딥러닝 서비스 구축 여정을 시작해보세요.

[5명의 베타테스터가 직접 따라해보았더니]

〈파이썬 생활 밀착형 프로젝트〉라는 책의 인연으로 베타테스터에 지원하게 되었습니다. 이 책은 순수하게 딥러닝 실습에 중점을 두었기에 제가 잘 따라갈 수 있을까 하는 걱정이 많았습니다. 그러나 걱정은 기우였습니다. 실습 전에 철저한 '사전 준비' 코너가 있어 특별한 어려움 없이 따라갈 수 있었습니다. 1장과 2장을 통해 만든 모델을 어떻게 웹으로 서비스할 수 있는지에 대한 개념이 3장에서 딱 잡혔는데, 신기한 경험이었던 것 같습니다. 정말 내용이 심플하면서 모델을 만들고 서비스를 해보고자 하는 독자에게 안성맞춤으로 구성되어 있습니다.
_이민영(비전공 대학생 3학년)

첫 장부터 딥러닝 얘기를 하지는 않아 조금은 당황했습니다. AWS 가입 방법부터 활용법을 아주 자세하게 시작하고 코랩에서 이미지를 읽어 들이는 아주 단순한 작업부터 시작합니다. 그러면서 딥러닝 개념이 조금씩 양념처럼 나오지만 개념이 지루하지 않고 또 바로 실습으로 이어집니다. 딥러닝 초보자라 따라하다가 안 되는 부분도 더러 있었는데, 저자와 소통하면서 초보자가 쉽게 이해할 수 있도록 책에 조금이나마 기여했다는 게 정말 뿌듯합니다. 실습해보면서, "아~~ 모델을 이렇게 만들고 이렇게 서비스하는구나" "모델 만드는 게 이런 의미구나" 등의 전체 숲을 볼 수 있었습니다.
_박상철(개발자 취업 준비생)

이 책은 아주 간단한 서비스같지만, 여기에서 좀더 독자의 상상력과 노력이 더해진다면 정말 근사한 딥러닝 서비스를 만들 수 있으리라 생각합니다. 군더더기를 완전히 빼고 실습 위주로 깔끔해서 저에겐 안성맞춤이었습니다. 개념적으로는 뭔지 알겠는데, "그래서 뭘 어쩌라는거지?" 하며 힘들어 하는 분들에게 단비 같은 내용이 될 것 같습니다.
_김인수(2년차 주니어 웹 개발자)

간단한 것 같지만, 2장을 통해 학습하고 모델을 만들어내고 그 과정에서 알아야 할 내용들을 이후에 실습을 통해 정말 잘 전달해주신 것 같습니다. 이론적인 설명도 중간중간 곁들여 이해하는 데 많은 도움이 되었습니다.
_임영희(컴퓨터공학 전공 대학생 2학년)

마지막 장에서 백엔드 서비스와 프런트엔드 서비스를 종합한 AI/ML Pipeline을 AWS 클라우드에 직접 작성하고 테스트해 본 게 큰 도움이 되었습니다. 특히 파이프라인 자동화하는 부분이 인상적이었습니다.
_이순철(AI 기업 신입 개발자)

지은이의 글
베타테스터의 글
일러두기

1장 딥러닝 Open API를 이용한 강아지/고양이 종 분류 프로젝트
1.1 학습목표
1.2 사전 준비하기
1.2.1 AWS 클라우드 계정 생성
1.2.2 AWS 클라우드 액세스 키 발급
1.2.3 캐글 가입 및 데이터 다운로드
1.2.4 코랩 사용법
1.3 사전지식 쌓기
1.3.1 딥러닝
1.3.2 딥러닝 서비스
1.3.3 Open API 정의와 딥러닝 Open API 종류
1.4 구현하기
1.4.1 [스텝 1] AWS 웹화면에서 테스트하기
1.4.2 [스텝 2] AWS Open API 테스트하기
1.5 요약과 정리하기


2장 지도학습으로 딥러닝 모델 만들기 - 고양이 종 분류 프로젝트
2.1 학습목표
2.2 사전 준비하기
2.2.1 학습데이터 준비
2.2.2 Google Teachable Machine 사용 준비
2.3 사전지식 쌓기
2.3.1 왜, 커스텀 AI 분류 모델이 필요한가
2.3.2 분류 문제란 무엇인가
2.3.3 Google Teachable Machine 이해하기
2.3.4 Google Teachable Machine 모델 생성 과정
2.4 구현하기
2.4.1 [스텝 1] 각 데이터별로 학습시키기
2.4.2 [스텝 2] 학습된 결과를 비교하기
2.4.3 [스텝 3] AI모델을 추출하기
2.5 요약과 정리하기

3장 내 컴퓨터에서 AI/ML 서비스 구축하기
3.1 학습목표
3.2 사전 준비하기
3.2.1 파이썬 설치하기
3.2.2 FastAPI 설치하기
3.2.3 Streamlit 설치하기
3.3 사전지식 쌓기
3.3.1 딥러닝 모델을 서비스한다는 것의 의미
3.3.2 웹서비스를 구성하는 세 가지 기본 요소
3.3.3 RestAPI
3.3.4 FastAPI
3.3.5 Streamlit
3.4 구현하기
3.4.1 [스텝 1] 작업 파일 구성하기
3.4.2 [스텝 2] 프로토타입 설계하기
3.4.3 [스텝 3] 백엔드 만들기(FastAPI)
3.4.4 [스텝 4] 프런트엔드 만들기(Streamlit)
3.5 요약과 정리하기

4장 AWS 클라우드에서 AI/ML 서비스 구축하기
4.1 학습목표
4.2 사전 준비하기
4.2.1 AWS 콘솔 로그인
4.2.2 소스코드 다운로드
4.3 사전지식 쌓기
4.3.1 AWS EC2
4.3.2 AWS S3
4.4 구현하기
4.4.1 [스텝 1] S3에 모델 아티펙트 업로드하기
4.4.2 [스텝 2] 생성한 EC2에 서빙 서버 구축하기
4.4.3 [스텝 3] 연동 테스트하기
4.5 요약과 정리하기

5장 AI/ML Pipeline
5.1 학습목표
5.2 AI/ML Pipeline의 정의
5.3 AI/ML Pipeline의 필요성
5.4 AI/ML Pipeline의 구성요소
5.5 AWS SageMaket 스튜디오에서의 AI/ML Pipeline
5.5.1 SageMaker 프로젝트
5.5.2 SageMaker 프로젝트의 사용 시기
5.5.3 SageMaker 파이프라인
5.5.4 SageMaker 파이프라인 구조
5.5.5 IAM 액세스 관리
5.5.6 Pipeline 매개변수
5.5.7 Pipeline 스텝
5.5.8 Pipeline 정의하기
5.6 요약과 정리하기

6장 종합 프로젝트
6.1 학습목표
6.2 사전 준비하기
6.2.1 SageMaker 파이프라인 스텝 설계
6.2.2 소스코드 다운로드
6.2.3 AWS S3에 데이터 구성
6.3 사전지식 쌓기
6.3.1 ResNet18
6.3.2 전이 학습
6.3.3 온디맨드 인스턴스 및 요금(또는 제약사항)
6.4 구현하기
6.4.1 데이터 수집
6.4.2 데이터 검증
6.4.3 SageMaker 파이프라인 정의
6.4.4 API 테스트
6.4.5 서빙 서버 모니터링
6.4.6 서비스 사용을 위한 프런트엔드 애플리케이션과의 연동(interface)
6.5 요약과 정리하기

부록 A Anaconda의 설치 및 실행 방법
A.1 윈도우즈 버전
A.2 MacOS 버전

김효실 컴퓨터공학과 빅데이터를 전공하였다. 서울대학교, 숭실대학교, LG전자, 삼성전자에서 전문강사로 활동하였으며, 국민대학교 겸임교수로 활동하였다.
다양한 산업군을 거치면서 고객들의 문제를 AI/ML로 해결하는 업무를 담당하고 있다. 프로그래머, 데이터사이언티스트, 강사, 겸임교수 등 다양한 경험에서 쌓인 지식을 쉽고, 재밌게 전파하는 사람이 되고 싶다.
그리고, 배움 앞에선 늙지 않는자가 되기 위해 오늘도 노력중이다.