시놀로지나스 도메인주소를 짧게줄이기 : synology.me -> myds.me

머신러닝 도메인줄이기 Q &ampAI머신 러닝, 딥러닝, 생성 AI, 자연어 처리, 컴퓨터 비전 등 AI에 관한 30가지 핵심 질문과 답변​​머신 러닝, 딥러닝, AI 전문가에게 묻다. “세바스찬 라시카, 이런 게 궁금해요!”다양한 고급 주제와 최신 동향을, 쉬운 그림과 Q&A 구성으로, 간단명료하지만 쉽고 흥미롭게! 이 책은 인공지능 분야의 선두에 서 있는 세바스찬 라시카 박사가 자주 받는 질문에 대해, Q&A라는 독특한 스타일을 사용해 설명한 책이다. 신경망과 딥러닝, 컴퓨터 비전, 자연어 처리, 생성 AI, 예측 성능과 모델 평가 등 다양한 인공지능 분야를 저자의 깊이 있는 고찰과 논리적인 설명으로 더욱 심도 있게 이해할 수 있다. 기본적인 이론 설명을 넘어서 기술 관련 지식, 활용 방법, 실무적인 설명을 정리하고 최신 연구 동향을 소개하면서, 연습문제와 연습문제에 대한 해답, 참고하면 좋을 자료들도 함께 수록했다. 또한 마찬가지로 국내 인공지능 분야에서 활발히 활동하고 있는 박해선 역자 역시 이 책을 번역하면서 국내 독자들에게 자주 받은 질문 12개에 대한 Q&A를 권말부록으로 집필해 실었다. 전반적인 인공지능 분야의 지식을 한 단계 업그레이드하고자 하는 분들에게 도움이 되기를 바란다. ​​출판사 리뷰​기본을 넘어서&quot(크리스 앨본, 위키미디어 재단 머신 러닝 디렉터) 기본 개념을 넘어서 머신 러닝, 딥러닝, AI에 대해 깊게 탐구할 준비가 되었다면, 질문-대답 형식의 콘텐츠로 구성된 이 책이 막힘없이 빠르고 쉽게 그 여정을 도와줄 것이다. 이 책은 저자 세바스찬 라시카가 자주 받는 질문을 바탕으로 탄생했다. 직접적이고 간단 명료하게 접근하여 고급 주제를 보다 쉽게 이해하고 매우 흥미롭게 만들어 준다. 각 장은 간결하고 독립적이며, AI에 관한 근본적인 질문을 하나씩 다룬다. 명쾌한 설명, 다이어그램, 실습을 통해 질문에 답한다.​​이 책에서 다루는 내용​٠ 핵심 질문: AI의 핵심 질문에 대해 간결하게 도메인줄이기 답변하고, 복잡한 개념을 이해하기 쉽도록 잘게 쪼개어 설명한다.٠ 광범위한 주제: 신경망 구조와 모델 평가에서 컴퓨터 비전과 자연어 처리까지 다양한 주제를 다룬다.٠ 실무 활용: 모델 성능 향상, 대규모 모델의 미세 튜닝 등의 기술을 배운다.​다음과 같은 내용도 담겨 있다.٠ 신경망 훈련에서 무작위성의 다양한 요인 관리하기٠ 대규모 언어 모델에서 인코더와 디코더 구조 사이의 차이 이해하기٠ 데이터와 모델을 변경해 과대적합 감소시키기٠ 분류 모델을 위해 신뢰 구간을 구성하고 레이블 데이터가 부족할 때 모델 최적화하기٠ 다양한 다중 GPU 훈련 패러다임과 생성 AI 모델의 종류 선택하기٠ 자연어 처리를 위한 성능 지표 이해하기٠ 비전 트랜스포머에 있는 귀납적 편향 이해하기​머신 러닝에 대한 지식을 업그레이드하기 위한 완벽한 책을 찾고 있다면 『머신 러닝 Q&AI』가 손쉽게 여러분의 지식을 기초를 넘어 그 이상으로 확장시켜 줄 것이다.​​지은이 소개​세바스찬 라시카(Sebastian Raschka) ​​지은이 서문​이 책에서는 머신 러닝이란 용어를 머신 러닝, 딥러닝, AI를 아우르는 포괄적인 의미로 사용합니다. Q&A라는 독특한 스타일을 사용하며, 각 장은 머신 러닝, 딥러닝, AI 분야의 중요 개념에 관련된 질문을 중심으로 구성되어 있습니다. 모든 질문에는 설명과 다양한 그림과 그래프는 물론 이해를 돕기 위한 연습문제도 제공합니다. 많은 장에 추가 학습을 위한 참고 자료도 포함되어 있습니다. 이 책은 다양한 주제를 다룹니다. 합성곱 신경망과 같은 기존 구조에 대해 새로운 통찰을 얻어 이 기술을 더 효과적으로 활용할 수 있을 것입니다. 또한 대규모 언어 모델(LLM)과 비전 트랜스포머의 내부 동작 방식과 같은 고급 기술에 대해서도 설명합니다. 경험 있는 머신 러닝 연구자나 기술자라도 자신의 기술 도구 상자에 새로 추가할 무언가를 만나게 될 것입니다.​​옮긴이 소개​박해선기계공학을 전공했지만 졸업 후엔 줄곧 코드를 읽고 쓰는 일을 했다. Microsoft 도메인줄이기 AI MVP, Google AI/Cloud GDE이다. 텐서 플로우 블로그(tensorflow.blog)를 운영하고 있고, 머신 러닝과 딥러닝에 관한 책을 집필하고 번역하면서 소프트웨어와 과학의 경계를 흥미롭게 탐험하고 있다. 『챗GPT로 대화하는 기술』(한빛미디어, 2023), 『혼자 공부하는 데이터 분석 with 파이썬』(한빛미디어, 2023), 『혼자 공부하는 머신러닝+딥러닝』(한빛미디어, 2020), 『Do it! 딥러닝 입문』(이지스퍼블리싱, 2019)을 집필했다. 『개발자를 위한 필수 수학』(한빛미디어, 2024), 『실무로 통하는 ML 문제 해결 with 파이썬』(한빛미디어, 2024), 『머신러닝 교과서: 파이토치 편』(길벗, 2023), 『스티븐 울프럼의 챗GPT 강의』(한빛미디어, 2023), 『핸즈온 머신러닝 3판』(한빛미디어, 2023), 『만들면서 배우는 생성 딥러닝 2판』(한빛미디어, 2023), 『코딩 뇌를 깨우는 파이썬』(한빛미디어, 2023), 『트랜스포머를 활용한 자연어 처리』(한빛미디어, 2022), 『케라스 창시자에게 배우는 딥러닝 2판』(길벗, 2022), 『개발자를 위한 머신러닝&딥러닝』(한빛미디어, 2022), 『XGBoost와 사이킷런을 활용한 그레이디언트 부스팅』(한빛미디어, 2022), 『구글 브레인 팀에게 배우는 딥러닝 with TensorFlow.js』(길벗, 2022), 『(개정2판)파이썬 라이브러리를 활용한 머신러닝』(한빛미디어, 2022), 『머신러닝 파워드 애플리케이션』(한빛미디어, 2021), 『머신러닝 교과서 3판』(길벗, 2021)을 포함하여 여러 권의 책을 우리말로 옮겼다.​​옮긴이 서문​저자가 밝혔듯이 이 책은 입문서를 읽은 독자가 한 단계 더 발전할 수 있도록 돕는 책입니다. 번역하면서 저도 많은 것을 새롭게 알게 되었습니다. 일반적인 머신 러닝 책과 달리 수식이나 코드를 담고 있지 않아서 누구나 가벼운 마음으로 읽을 수 있습니다. 모쪼록 이 책이 여러분의 ML 여정에 도움이 되길 바라겠습니다.​추천평​복잡한 AI 관련 주제를 누구나 이해할 수 있는 실용적인 요점으로 정리했습니다. 모든 수준의 AI 실무자에게 훌륭한 책입니다.– 캐머런 R. 울프_「Deep (Learning) Focus」 뉴스레터 발행​학문적 심층성, 엔지니어링 민첩성, 복잡한 아이디어의 신비를 해제하는 능력을 독특하게 결합했습니다. 이론적 주제를 심층적으로 다루고, 새로운 아이디어를 검증하기 위해 실험한 다음, 모든 것을 간단한 말로 설명합니다. 머신 러닝 여정을 시작하는 당신에게 좋은 가이드가 도메인줄이기 될 것입니다.– 칩 후옌_『머신러닝 시스템 설계』 저자​입문 과정에서 다루는 핵심 내용을 넘어선 중요한 AI 주제에 대한 개요를 제시합니다. 딥러닝을 통해 AI 세계에 발을 들인 경우, 이 책은 다음 단계를 찾고 이해하는 데 필요한 정보를 줄 것입니다.– 로날드 T. 크누셀_『How AI Works』 저자​중급자 수준이 더 깊이 파고들기에 좋은 책입니다. 이 책은 AI와 그 주변 개념을 더 깊이 이해하는 데 유용하고, 접근하기 쉬운, 매우 잘 쓰여진 도구입니다. 초보자도 충분히 활용할 수 있지만 이미 탄탄한 기초를 갖춘 사람들에게 더 유용합니다.- 아마존 독자 리뷰​​베타리더 후기​독자와의 Q&A 형태와 쉬운 그림을 통해 설명합니다. AI에 관심 있는 독자부터 AI에 전문적인 지식을 가지고 있는 독자까지, 수많은 궁금증을 해결하고 이해할 수 있을 겁니다. - 심형광_한국아이디정보, 프런트엔드 &amp백엔드 개발자​심화 내용을 다루고 있으므로 머신 러닝과 딥러닝의 기초를 습득한 분들에게 적합하며, 자기주도적 학습을 위한 연습문제와 추가 학습용 참고 자료가 포함되어 있습니다. 단순한 이론 설명을 넘어서 실제 응용 사례와 최신 연구 동향도 소개하여, 읽다 보면 AI 분야의 최전선에 서 있다는 느낌을 줍니다. 전반적으로 머신 러닝 분야의 지식을 한 단계 높이고자 하는 분들에게 매우 유익한 책입니다.- 박상길_비브스튜디오스, 소프트웨어 엔지니어​마치 블로그 글을 읽는 것처럼 부담 없고 재미있습니다. 복잡한 개념을 딱딱하게 나열하는 대신, 흥미로운 이야기를 풀어가듯 설명합니다. 특히 각 주제가 길지 않고 분리되어 있어 궁금한 부분을 먼저 읽을 수 있어 좋았습니다.- 조현석_래블업 주식회사, 소프트웨어 엔지니어​머신 러닝 및 딥러닝 모델 구현에 필요한 기술적 지식뿐 아니라 서비스 관점에서의 활용 방법까지 포함되어 있고, 산업 현장에서 알고리즘이 실제로 어떻게 적용되는지 실무적인 설명도 잘 정리되어 있어 AI 연구자나 실무자에게 유용하리라 생각합니다. 특히 특정 도메인줄이기 기법이 항상 최선의 선택이 아닐 수 있다는 한계를 논리적으로 제시한 점이 돋보였습니다. - 이호민_프리랜서, 머신 러닝 엔지니어​머신 러닝, 딥러닝, AI의 주요 개념에 관한 Q&A로 구성되었으며 기존의 수식과 코드 중심 학습에서 벗어나 기본 개념을 넘어선 학습의 시사점을 제시하는 책입니다. 머신 러닝 입문 이후 학습 방향을 모색하고 주요 개념을 확장하고자 하는 모든 이에게 적극 추천합니다.- 임승민_cslee, 소프트웨어 엔지니어​머신 러닝을 제대로 공부하려면 꼭 알아야 하는 내용을 명확하게 정리해 줍니다. 단순히 AI를 도구로 활용하는 것이 아니라, 그 도구가 어떤 원리로 어떤 이점을 가져다주는지 알기 위해서는 반드시 알아야 하는 내용이라고 생각합니다. - 강민재_성균관대학교 전자전기공학부​다른 컴퓨터 관련 책들은 일반적으로 코딩이 주를 이루는데 이 책은 그렇지 않습니다. 자신이 알고 싶은 내용을 편하게 읽을 수 있게 구성되어 모르는 개념을 쉽게 알아가는 데 큰 도움이 되었습니다. - 김진혁_동양고등학교, 정보 교사​데이터 분석가이자, 데이터센터 관련 사업을 담당하면서 머신 러닝과 데이터 모델링에 관한 책을 꾸준히 학습하고 있습니다. 업계 종사자라면 해당 개념과 실무에서 활용할 수 있는 방법들을 참고하기에 좋은 책이라고 생각합니다.- 박경호_엘에스일렉트릭, 데이터 분석가​​목차​1부 | 신경망과 딥러닝 1장 임베딩, 잠재 공간, 표현 1.1 임베딩 1.2 잠재 공간 1.3 표현 1.4 연습문제 1.5 참고 2장 자기 지도 학습 2.1 자기 지도 학습 vs 전이 학습2.2 레이블이 없는 데이터 활용하기2.3 자기 예측 및 대조적 자기 지도 학습 2.4 연습문제 2.5 참고 3장 퓨-샷 학습 3.1 데이터셋과 용어 3.2 연습문제 4장 로터리 티켓 가설 4.1 로터리 티켓 훈련 과정 4.2 실제적 영향과 한계 4.3 연습문제4.4 참고 5장 데이터로 과대적합 줄이기 5.1 대표적인 방법 __5.1.1 추가 데이터 수집 __5.1.2 도메인줄이기 데이터 증강 __5.1.3 사전 훈련 5.2 다른 방법 5.3 연습문제 5.4 참고 6장 모델을 변경하여 과대적합 줄이기6.1 일반적인 방법 __6.1.1 규제 __6.1.2 작은 모델 __6.1.3 작은 모델에 대한 주의 사항 __6.1.4 앙상블 방법 6.2 다른 방법 6.3 규제 기법 선택하기6.4 연습문제 6.5 참고 7장 다중 GPU 훈련 패러다임 7.1 훈련 패러다임__7.1.1 모델 병렬화 __7.1.2 데이터 병렬화 __7.1.3 텐서 병렬화 __7.1.4 파이프라인 병렬화__7.1.5 시퀀스 병렬화 7.2 추천7.3 연습문제 7.4 참고 8장 트랜스포머의 성공 8.1 어텐션 메커니즘8.2 자기 지도 학습을 통한 사전 훈련 8.3 많은 수의 파라미터 8.4 손쉬운 병렬화 8.5 연습문제 8.6 참고 9장 생성 AI 모델 9.1 생성 모델링 vs 판별 모델링 9.2 심층 생성 모델의 종류 __9.2.1 에너지 기반 모델 __9.2.2 변분 오토인코더__9.2.3 생성적 적대 신경망 __9.2.4 흐름 기반 모델__9.2.5 자기회귀 모델 __9.2.6 디퓨전 모델 __9.2.7 일관성 모델 9.3 추천 9.4 연습문제 9.5 참고 10장 무작위성의 원인 10.1 모델 가중치 초기화 10.2 데이터셋 샘플링과 셔플링 10.3 비결정론적인 알고리즘 10.4 여러 가지 런타임 알고리즘 10.5 하드웨어와 드라이버 10.6 무작위성과 생성 AI 10.7 연습문제 10.8 참고 2부 | 컴퓨터 비전 11장 파라미터 개수 11.1 파라미터 개수를 계산하는 방법__11.1.1 합성곱 층 __11.1.2 완전 연결 층 11.2 현실적인 이유 11.3 연습문제 12장 완전 연결 층과 합성곱 층 12.1 커널 크기와 입력 크기가 같을 때 12.2 커널 크기가 1일 때12.3 추천 12.4 연습문제 13장 비전 트랜스포머를 위한 대규모 훈련 세트 13.1 CNN의 귀납적 편향 13.2 CNN을 능가할 수 있는 ViT 13.3 ViT의 귀납적 편향 13.4 추천 도메인줄이기 13.5 연습문제 13.6 참고 3부 | 자연어 처리 14장 분포 가설 14.1 Word2vec, BERT, GPT14.2 가설이 유효한가요? 14.3 연습문제 14.4 참고 15장 텍스트 데이터 증강 15.1 동의어 교체 15.2 단어 삭제 15.3 단어 위치 변경 15.4 문장 섞기 15.5 잡음 추가 15.6 역번역 15.7 합성 데이터 15.8 추천15.9 연습문제15.10 참고 16장 셀프 어텐션 16.1 RNN의 어텐션 메커니즘 16.2 셀프 어텐션 메커니즘16.3 연습문제16.4 참고 17장 인코더 기반 트랜스포머와 디코더 기반 트랜스포머 17.1 원본 트랜스포머 17.2 인코더 17.3 디코더 17.4 인코더-디코더 17.5 용어에 대한 주의 사항 17.6 최신 트랜스포머 모델 17.7 연습문제 17.8 참고 18장 사전 훈련된 트랜스포머 모델의 사용과 미세 튜닝 방법 18.1 분류 작업에 트랜스포머 사용하기 18.2 문맥 내 학습, 인덱싱, 프롬프트 튜닝 18.3 PEFT 18.4 RLHF 18.5 사전 훈련된 모델 적용하기 18.6 연습문제18.7 참고 19장 생성형 대규모 언어 모델의 평가 19.1 LLM을 위한 평가 지표19.2 혼잡도 19.3 BLEU 점수 19.4 ROUGE 점수 19.5 BERTScore 19.6 대리 평가 지표 19.7 연습문제 19.8 참고 4부 | 제품화와 배포 20장 상태 비저장 훈련과 상태 저장 훈련 20.1 상태 비저장 훈련20.2 상태 저장 훈련 20.3 연습문제 21장 데이터 중심 AI 21.1 데이터 중심 AI vs 모델 중심 AI 21.2 추천 21.3 연습문제 21.4 참고 22장 추론 속도 높이기22.1 병렬화 22.2 벡터화 22.3 루프 타일링 22.4 연산자 융합 22.5 양자화 22.6 연습문제 22.7 참고 23장 데이터 분포 변화 23.1 공변량 변화 23.2 레이블 변화 23.3 개념 변화23.4 도메인 변화 23.5 데이터 분포 변화의 종류 23.6 연습문제 도메인줄이기 23.7 참고 5부 | 예측 성능과 모델 평가 24장 푸아송 회귀와 서열 회귀 24.1 연습문제 25장 신뢰 구간 25.1 신뢰 구간의 정의 25.2 방법 __25.2.1 방법 1: 정규 근사 구간 __25.2.2 방법 2: 훈련 세트 부트스트래핑하기 __25.2.3 방법 3: 테스트 세트 예측 부트스트래핑하기 __25.2.4 방법 4: 다른 랜덤 시드로 모델을 재훈련하기 25.3 추천 25.4 연습문제 25.5 참고 26장 신뢰 구간 vs 컨포멀 예측 26.1 신뢰 구간과 예측 구간 26.2 예측 구간과 컨포멀 예측 26.3 예측 영역, 예측 구간, 예측 집합 26.4 컨포멀 예측 계산하기 26.5 컨포멀 예측의 예시 26.6 컨포멀 예측의 장점 26.7 추천26.8 연습문제 26.9 참고 27장 적절한 측정 지표 27.1 조건27.2 평균 제곱 오차 27.3 크로스 엔트로피 손실 27.4 연습문제 28장 k-폴드 교차 검증의 k ​28.1 k 값 선택의 트레이드오프28.2 적절한 k 값 결정하기 28.3 연습문제 28.4 참고 29장 훈련 세트와 테스트 세트 불일치 29.1 연습문제 30장 제한적인 레이블 데이터 30.1 제한적인 레이블 데이터로 모델 성능 향상 __30.1.1 더 많은 데이터에 레이블 부여하기 __30.1.2 데이터 부트스트래핑__30.1.3 전이 학습 __30.1.4 자기 지도 학습 __30.1.5 능동 학습 __30.1.6 퓨-샷 학습 __30.1.7 메타 학습 __30.1.8 약지도 학습 __30.1.9 준지도 학습 __30.1.10 자기 훈련 __30.1.11 다중 작업 학습 __30.1.12 멀티모달 학습 __30.1.13 귀납적 편향 30.2 추천30.3 연습문제 30.4 참고 부록 연습문제 해답 찾아보기 ​​​책 자세히 보기​