• 컴퓨터/IT > 데이터베이스 > 데이터베이스 일반

출판사 리뷰

대상 독자 ● 프로그래밍 경험과 머신러닝 기초 지식을 가진 누구나 ● 데이터 과학자, 머신러닝 엔지니어로 현업에 종사하는 개발자 ● 코딩은 모르지만 데이터 과학자와 함께 일해야 하는 직군 주요 내용 ● 제품의 목표를 정의하고 머신러닝 문제를 설정합니다. ● 첫 번째 엔드투엔드 파이프라인을 빠르게 만들어 초기 데이터셋을 획득합니다. ● 머신러닝 모델을 훈련, 평가하고 성능 병목을 해결합니다. ● 제품 환경에 모델을 배포하고 모니터링합니다. 부별 요약 ● 1부: 아이디어를 머신러닝 문제로 표현하고 성능을 측정하는 방법을 배워 초기 계획을 세웁니다. ● 2부: 첫 번째 파이프라인을 만들고, 초기 데이터셋을 탐색하고 시각화하는 법을 배웁니다. ● 3부: 목표를 달성할 때까지 모델을 향상하는 방법을 살펴봅니다. ● 4부: 모델 배포 시 고려해야 할 부분과 배포 방식, 모니터링 전략을 다룹니다.

[PART I 올바른 머신러닝 접근 방법 모색]

CHAPTER 1 제품의 목표를 머신러닝 문제로 표현하기
1.1 어떤 작업이 가능한지 예상하기
1.2 머신러닝 에디터 설계
1.3 모니카 로가티: 머신러닝 프로젝트의 우선순위 지정하기
1.4 마치며

CHAPTER 2 계획 수립하기
2.1 성공 측정하기
2.2 작업 범위와 문제점 예상하기
2.3 머신러닝 에디터 계획하기
2.4 규칙적인 향상 방법: 간단하게 시작하기
2.5 마치며

[PART II 초기 프로토타입 제작]

CHAPTER 3 엔드투엔드 파이프라인 만들기
3.1 가장 간단한 프로토타입
3.2 머신러닝 에디터 프로토타입
3.3 워크플로 테스트하기
3.4 머신러닝 에디터 프로토타입 평가
4.5 마치며

CHAPTER 4 초기 데이터셋 준비하기
4.1 반복적인 데이터셋
4.2 첫 번째 데이터셋 탐색하기
4.3 레이블링으로 데이터 트렌드 찾기
4.4 데이터를 활용한 특성 생성과 모델링
4.5 로버트 먼로: 데이터를 찾고, 레이블링하고, 활용하는 방법
4.6 마치며

[PART III 모델 반복]

CHAPTER 5 모델 훈련과 평가
5.1 가장 간단하고 적절한 모델
5.2 모델 평가: 정확도를 넘어서
5.3 특성 중요도 평가
5.4 마치며

CHAPTER 6 머신러닝 문제 디버깅
6.1 소프트웨어 모범 사례
6.2 데이터 흐름 디버깅: 시각화와 테스트
6.3 훈련 디버깅: 모델 학습하기
6.4 일반화 디버깅: 유용한 모델 만들기
6.5 마치며

CHAPTER 7 분류기를 사용한 글쓰기 추천
7.1 모델로 추천 만들기
7.2 모델 비교하기
7.3 추천 생성하기
7.4 마치며

[PART IV 배포와 모니터링]

CHAPTER 8 모델 배포 시 고려 사항
8.1 데이터 고려 사항
8.2 모델링 고려 사항
8.3 크리스 할랜드: 배포 실험
8.4 마치며

CHAPTER 9 배포 방식 선택
9.1 서버 측 배포
9.2 클라이언트 측 배포
9.3 연합 학습: 하이브리드 방법
9.4 마치며

CHAPTER 10 모델 안전장치 만들기
10.1 실패를 대비하는 설계
10.2 성능 설계
10.3 피드백 요청
10.4 크리스 무디: 데이터 과학자에게 모델 배포 권한 부여
10.5 마치며

CHAPTER 11 모니터링과 모델 업데이트
11.1 모니터링의 역할
11.2 모니터링 대상 선택
11.3 머신러닝을 위한 CI/CD
11.4 마치며