🔎 자료탭 신설 안내
오탈자, 부록 및 예제소스, 관련 사이트가 자료 메뉴로 통합되었어요.
쪽수
ISBN
브랜드
AI를 쓰는 데서 그치지 말고, AI가 어떻게 만들어지는지 이해하라
생성형 AI와 LLM이 일상이 된 지금, 새로운 도구를 익히는 것만으로는 AI를 제대로 이해하기 어렵습니다. 그 아래에는 데이터를 준비하고, 모델을 선택하고, 훈련하고, 평가하는 머신러닝의 기본 원리가 여전히 단단하게 자리하고 있습니다. 이 책과 함께 사이킷런으로 머신러닝의 기본 개념과 엔드투엔드 프로젝트를 익히고, 파이토치로 신경망을 직접 구현하며 딥러닝의 원리를 차근차근 확장해 보세요.
『핸즈온 머신러닝(3판)』을 읽었다면 익숙한 기본기는 그대로지만, 딥러닝 이후의 내용은 꽤 달라졌습니다. 파이토치를 중심으로 신경망을 다시 배우고, 자연어 처리와 챗봇을 위한 트랜스포머에서 비전·멀티모달, 모델 가속까지 학습 범위를 넓혔습니다. 허깅 페이스의 사전 훈련 모델과 LLM을 직접 다루고 미세 튜닝하며, 오토인코더·GAN·확산 모델과 강화학습까지 실제 코드와 예제로 이어갑니다. 실제로 이번 책은 2부 전체를 파이토치 중심으로 새롭게 구성하고 트랜스포머 관련 장 세 개를 추가했습니다.
단편적인 최신 기술을 하나씩 좇기보다 머신러닝의 기본기에서 출발해 지금의 AI 기술이 어디서부터 이어져 왔는지 이해하고 싶다면, 이 책이 든든한 길잡이가 되어줄 것입니다. 처음 시작하는 독자에게는 탄탄한 출발점이 되고, 3판을 읽었던 독자에게는 이미 익힌 기본기 위에서 파이토치와 최신 AI 기술로 자연스럽게 다음 단계에 올라설 수 있는 책입니다.
출판사 리뷰
출판사 리뷰
『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.
추천사
AI가 점점 더 많은 일을 대신해 주는 지금, 이 기술이 어떻게 만들어져 우리 손에 들어오게 되었는지, 더 재미있고 신기한 AI를 만들려면 어디까지 알아야 하는지 막막한 분들께 이 책은 멋진 입문서입니다. 매개변수 2만 개의 시대에서 10조 개의 시대까지 켜켜이 쌓인 시간만큼, 기초부터 깊은 곳까지 차곡차곡 쌓아 올린 이 책이 많은 분의 좋은 길잡이가 될 것으로 믿습니다.
신정규, 래블업 대표·Google Developer Expert(AI·Cloud)
이 책은 머신러닝 분야의 역사와 핵심 개념을 이해하려는 입문자에게 훌륭한 출발점입니다. 잘 구성된 실용적인 예제를 통해 파이토치와 사이킷런으로 직접 구현하면서 머신러닝과 딥러닝의 기초부터 최신 기법까지 배울 수 있습니다.
루이프랑수아 부샤르, Towards AI 교육자, 공동 창립자 겸 CTO
제롱은 최적의 균형점을 찾아냈습니다. 사이킷런과 파이토치로 실용적인 예제를 구현하며 개념을 설명하고, 복잡하지 않고 명료한 설명으로 이론을 소개합니다. 기본 원리부터 최신 기법에 이르기까지 핸즈온 스타일로 실전 능력을 빠르게 갖출 수 있습니다. 머신러닝을 시작하는 사람들에게 제가 추천하는 책입니다.
울프 비스보르트, ZefHub 공동 창립자 겸 CTO
이 책은 미지의 머신러닝 세계를 탐험하기 위한 궁극의 지도입니다. 항상 손이 닿는 곳에 두세요.
박해선, Google AI/Cloud GDE
이 책은 한 세대의 머신러닝 기술자들을 길러냈습니다. 현명하게도 이번에는 파이토치를 다루며, 다시 한번 이 분야 최고의 핸즈온 가이드가 될 것입니다.
타룬 나라야난, 아마존 AGI 머신러닝 엔지니어
머신러닝 입문자를 위한 진정한 바이블입니다. 명쾌한 설명과 실습 예제를 제공할 뿐만 아니라, 섬세한 그림을 통해 복잡한 개념을 단순화합니다. 탄탄한 기초를 다지는 데 없어서는 안 될 필수 자료입니다.
미투 말호트라, 미국 해리스버그 과학기술대학교
목차
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
리뷰
오탈자
66,000원
10%
59,400원