허깅페이스 인 액션

책 이미지

eBook 미리보기

책 정보

· 제목 : 허깅페이스 인 액션 (모델 탐색부터 파인튜닝, RAG, 에이전트까지 허깅페이스로 완성하는 AI 개발)
· 분류 : 국내도서 > 컴퓨터/모바일 > 인공지능
· ISBN : 9791140720507
· 쪽수 : 428쪽
· 출판일 : 2026-09-23

책 소개

트랜스포머와 허깅페이스 허브의 기본 사용법부터 자연어 처리, 컴퓨터 비전, 모델 파인튜닝, 멀티모달 모델까지 차근차근 다룬다. 이후 랭체인과 라마인덱스를 활용한 LLM 애플리케이션, RAG 기반 질의응답, 로컬 LLM, MCP를 활용한 외부 도구 연동으로 확장한다.

1장 허깅페이스란
1.1 허깅페이스 트랜스포머 라이브러리
1.2 허깅페이스 모델
1.3 허깅페이스 그라디오 파이썬 라이브러리
1.4 허깅페이스 멘탈 모델 이해
1.5 요약

2장 시작하기
2.1 아나콘다 내려받기
__2.1.1 가상 환경 구축하기
__2.1.2 주피터 노트북 시작하기
2.2 트랜스포머 라이브러리 설치
__2.2.1 GPU 지원 확인하기
__2.2.2 파이프라인 객체에서 GPU 활용하기
2.3 허깅페이스 허브 패키지 설치
__2.3.1 파일 내려받기
__2.3.2 허깅페이스 CLI 사용법 안내
2.4 요약

3장 NLP 업무를 위한 허깅페이스 트랜스포머와 파이프라인 사용
3.1 트랜스포머 아키텍처 소개
__3.1.1 토큰화
__3.1.2 토큰 임베딩
__3.1.3 위치 인코딩
__3.1.4 트랜스포머 블록
__3.1.5 소프트맥스
3.2 트랜스포머 라이브러리 다루기
__3.2.1 사전 학습된 트랜스포머 모델이란
__3.2.2 트랜스포머 파이프라인이란
__3.2.3 모델 직접 사용하기
__3.2.4 트랜스포머 파이프라인 사용하기
3.3 NLP 작업에 트랜스포머 활용
__3.3.1 텍스트 분류
__3.3.2 텍스트 생성
__3.3.3 텍스트 요약
__3.3.4 텍스트 번역
__3.3.5 제로샷 분류
__3.3.6 질의응답 작업
3.4 요약

4장 허깅페이스를 컴퓨터 비전 작업에 활용
4.1 허깅페이스 컴퓨터 비전 모델
4.2 객체 탐지
__4.2.1 모델을 직접 사용하기
__4.2.2 트랜스포머 파이프라인 사용하기
__4.2.3 웹캠에 바인딩하기
4.3 이미지 분류
4.4 이미지 분할
__4.4.1 모델을 프로그래밍 방식으로 사용하기
__4.4.2 그라디오에 바인딩하기
4.5 비디오 분류
__4.5.1 필수 소프트웨어 설치하기
__4.5.2 테스트를 위한 비디오 내려받기
__4.5.3 트랜스포머 파이프라인 객체 사용하기
4.6 요약

5장 허깅페이스 데이터셋 탐색, 토큰화, 시각화
5.1 허깅페이스 데이터셋이란
__5.1.1 이용 가능한 데이터셋 목록 얻기
__5.1.2 데이터셋의 가용성 검증
__5.1.3 데이터셋 내려받기
__5.1.4 데이터셋 셔플링
__5.1.5 데이터셋 스트리밍
__5.1.6 데이터셋의 Parquet 파일 얻기
5.2 NLP에서 토큰화
__5.2.1 토큰화 방법의 유형
__5.2.2 데이터셋 토큰화
5.3 데이터셋 시각화
__5.3.1 twitter-financial-news-topic 데이터셋 사용하기
__5.3.2 CIFAR-10 데이터셋 사용하기
5.4 요약

6장 사전 학습된 모델 파인 튜닝과 멀티모달 모델 작업
6.1 사전 학습된 모델 파인 튜닝
__6.1.1 yelp_polarity 데이터셋 로드하기
__6.1.2 yelp_polarity 데이터셋 필터링하기
__6.1.3 축소된 데이터셋 토큰화하기
__6.1.4 시퀀스 분류를 위한 사전 학습된 모델 설정하기
__6.1.5 사전 학습된 모델 파인 튜닝을 위한 트레이너 구성 및 초기화
__6.1.6 파인 튜닝된 모델 사용하기
__6.1.7 다중 클래스 텍스트 분류를 위한 모델 파인 튜닝
6.2 멀티모달 모델 작업하기
__6.2.1 단일 모달 모델
__6.2.2 멀티모달 모델
6.3 요약

7장 랭체인과 라마인덱스를 사용한 LLM 기반 애플리케이션 구축
7.1 LLM 소개
7.2 랭체인 소개
__7.2.1 랭체인 설치하기
__7.2.2 프롬프트 템플릿 생성하기
__7.2.3 LLM 지정하기
__7.2.4 LLM 체인 생성하기
__7.2.5 체인 실행하기
__7.2.6 대화 유지하기
__7.2.7 RunnableWithMessageHistory 클래스 사용하기
__7.2.8 다른 LLM 사용하기
7.3 라마인덱스로 LLM을 개인 데이터에 연결
__7.3.1 패키지 설치하기
__7.3.2 문서 준비하기
__7.3.3 문서 로드하기
__7.3.4 임베딩 모델 사용하기
__7.3.5 문서 인덱싱하기
__7.3.6 임베딩 로드하기
__7.3.7 쿼리를 위해 LLM 사용하기
__7.3.8 질문하기
__7.3.9 OpenAI와 라마인덱스 사용하기
__7.3.10 앱을 위한 웹 프론트엔드 생성하기
__7.3.11 대화 유지하기
__7.3.12 챗봇 UI 생성하기
7.4 요약

8장 랭플로우를 활용한 시각적 랭체인 애플리케이션 구축
8.1 랭플로우란
__8.1.1 pip 명령어를 사용하여 랭플로우 설치하기
__8.1.2 도커를 이용한 랭플로우 설치하기
__8.1.3 클라우드에서 랭플로우 실행하기
8.2 새로운 랭플로우 프로젝트 생성
__8.2.1 프롬프트 컴포넌트 추가하기
__8.2.2 Models 컴포넌트 추가하기
__8.2.3 Chains 컴포넌트 추가하기
__8.2.4 Chat Input 및 Chat Output 컴포넌트 추가하기
__8.2.5 프로젝트 테스트하기
__8.2.6 Chat Memory 컴포넌트를 이용한 대화 유지
8.3 고유 데이터를 활용한 질의응답
__8.3.1 File 컴포넌트를 이용한 PDF 문서 불러오기
__8.3.2 Parse Data 컴포넌트를 이용한 긴 텍스트 분할하기
__8.3.3 Prompt 컴포넌트를 통한 질문 수집
__8.3.4 HuggingFace 컴포넌트 활용하기
__8.3.5 Chat Output 컴포넌트에 연결하기
__8.3.6 프로젝트 테스트하기
__8.3.7 OpenAI 컴포넌트를 활용한 LLM 사용하기
8.4 프로그래밍 방식으로 프로젝트 활용
__8.4.1 cURL 활용하기
__8.4.2 파이썬 코드
8.5 요약

9장 에이전트 프로그래밍
9.1 에이전트란
9.2 스몰에이전트를 사용한 에이전트 개발
__9.2.1 내장 도구 활용: DuckDuckGoSearchTool
__9.2.2 내장 도구 활용: PythonInterpreterTool
__9.2.3 사용자 정의 도구 작성하기
9.3 랭체인을 사용한 에이전트 개발
__9.3.1 내장 Tool 클래스 활용하기
__9.3.2 사용자 정의 도구 활용하기
9.4 랭그래프를 사용한 에이전트 개발
__9.4.1 랭그래프란
__9.4.2 랭그래프 에이전트 기초
__9.4.3 도구와 함께 랭그래프 사용하기
__9.4.4 사용자 정의 도구와 함께 랭그래프 사용하기
__9.4.5 메모리 기능을 포함한 랭그래프 사용하기
9.5 요약

10장 그라디오를 사용한 웹 기반 UI 구축
10.1 그라디오 기초
__10.1.1 그라디오의 Interface 클래스 사용법
__10.1.2 플래깅(Flagging) 옵션 설정하기
__10.1.3 인증(authentication) 설정하기
__10.1.4 서버 및 포트 커스터마이징
__10.1.5 그라디오 애플리케이션 공유하기
__10.1.6 그라디오 애플리케이션을 허깅페이스 스페이스에 배포하기
10.2 위젯 활용
__10.2.1 Textbox 활용하기
__10.2.2 Audio 활용하기
__10.2.3 Images 활용하기
__10.2.4 선택 위젯(selection widgets) 활용하기
__10.2.5 TabbedInterface 클래스를 사용하여 레이아웃 구성하기
10.3 챗봇 UI 생성
__10.3.1 기본 챗봇 UI 생성하기
__10.3.2 Textbox 전송(submit) 이벤트 연결하기
__10.3.3 챗봇 초기화 기능 구현하기
10.4 요약

11장 GPT4All을 이용한 로컬 실행 LLM 애플리케이션 구축
11.1 GPT4All 소개
11.2 GPT4All 설치 및 사용
__11.2.1 GPT4All 애플리케이션 설치하기
__11.2.2 gpt4all 파이썬 라이브러리 설치하기
__11.2.3 지원 모델 목록 확인하기
__11.2.4 특정 모델 로드하기
__11.2.5 질문하기
__11.2.6 그라디오와 연동하기
11.3 요약

12장 LLM을 이용한 로컬 데이터 쿼리
12.1 GPT4All로 고유 데이터 쿼리
__12.1.1 필수 패키지 설치 및 랭체인 모듈 임포트하기
__12.1.2 랭체인 패키지에서 다양한 모듈 임포트하기
__12.1.3 PDF 문서 로드하기
__12.1.4 텍스트를 청크로 분할하기
__12.1.5 임베딩(embedding)하기
__12.1.6 임베딩 로드하기
__12.1.7 모델 내려받기
__12.1.8 질문하기
__12.1.9 여러 문서 로드하기
__12.1.10 CSV 파일 로드하기
__12.1.11 JSON 파일 로드하기
12.2 LLM을 이용한 데이터 분석 코드 작성
__12.2.1 JSON 파일 준비 및 로드하기
__12.2.2 JSON 파일 로드하기
__12.2.3 Mistral 7B 모델을 사용하여 질문하기
__12.2.4 OpenAI를 사용하여 질문하기
12.3 요약

13장 LLM을 현실 세계와 연결: 모델 컨텍스트 프로토콜
13.1 MCP란
__13.1.1 MCP가 해결하는 문제
__13.1.2 MCP 이해하기
__13.1.3 MCP 서버 배포 및 구성 요소
__13.1.4 MCP 서버의 구성 요소
13.2 MCP 서버 구축
__13.2.1 uv 설치하기
__13.2.2 프로젝트 초기화하기
__13.2.3 패키지 설치하기
__13.2.4 MCP 서버 생성하기
__13.2.5 MCP 서버 점검하기
__13.2.6 Resources 구현하기
__13.2.7 Tools 구현하기
__13.2.8 프롬프트 구현하기
__13.2.9 구성 요소 테스트하기
13.3 클로드 데스크톱을 이용한 MCP 서버 테스트
__13.3.1 MCP 서버를 사용하도록 클로드 데스크톱 구성하기
__13.3.2 날씨 정보 가져오기
__13.3.3 텍스트 파일의 내용 가져오기
__13.3.4 PDF 파일의 내용 가져오기
__13.3.5 MCP 서버 개선하기
13.4 서드파티 MCP 서버 시도
__13.4.1 내 위치 가져오기(Get My Location)
__13.4.2 날짜 및 시간 정보(mcp-datetime)
13.5 요약

저자소개

웨이멍 리 (지은이) 정보 더보기

공학자이자 최신 모바일 기술에 대한 실습 교육 전문 회사인 Developer Learning Solutions (www.learn2develop.net)의 설립자이다. 다년간의 교육 경험을 토대로 한 그의 교육 과정은 행동에 의한 학습 방식을 중점으로 두고 있다. 프로그래밍 학습을 위한 이러한 실습 방식은 책이나 튜토리얼, 그 밖의 문서를 읽는 것보다 주제를 더 이해하기 쉽게 해준다. 그는 『Beginning iOS 5 Application Development』(Wrox, 2010), 『Beginning Android 4 Application Development』(Wrox, 2011) 등 .NET, XML, 모바일 기술에 관한 여러 책의 저자로 활동하고 있으며 국제 콘퍼런스에서 정기적으로 강연도 하고 있다. 그와 연락하려면 weimenglee@learn2develop.net으로 메일을 보내면 된다.

펼치기

웨이멍 리의 다른 책 >

박지은 (옮긴이) 정보 더보기

자동차 SW 전문 기업에서 7년차 엔지니어로 근무하고 있다. 임베디드부터 클라우드까지 다양한 개발 경험을 가지고 있으며, 사내 AI 프로젝트에서 프로젝트 매니저(PM)를 맡고 있다. 전자공학을 전공하고, 컴퓨터 비전으로 석사 학위를 받았으며, 최근에는 기업 환경에 에이전트를 도입하는 일에 집중하고 있다. 고객 중심의 사고를 하고자 노력하며, 세상에 의미 있는 변화를 남기는 일에 관심이 있다.

펼치기

책속에서

[역자 서문]
이 책은 허깅페이스 생태계로 들어가는 입문서입니다. 트랜스포머의 기본 개념을 소개한 뒤, 자연어 처리와 컴퓨터 비전 업무에 허깅페이스를 활용하는 방법을 안내합니다. 더 나아가 LLM을 외부 세계와 잇는 표준으로 자리 잡은 MCP(Model Context Protocol) 서버를 직접 구축해 보는 실습까지 제공합니다. 여러 프레임워크를 두루 써 보고 장단점을 분석하다 보면, 비즈니스 환경에서 적절한 솔루션을 고르는 안목을 얻게 될 것입니다.