딥러닝 프로젝트 엔드투엔드 파이프라인

서문 13
제 1장. 프로젝트 설정 19
1.1. 비즈니스 목표 이해 21
1.2. 데이터 이해 및 식별 29
1.2.1. 문제에 대한 해결책을 선택하세요 30
1.2.2. 데이터 이해 32
1.2.3. 데이터 식별 35
1.2.4. 딥 러닝을 위한 치트 시트 37
1.3. 인공지능을 비즈니스 목표에 맞추기 39
1.3.1. 결과적인 비즈니스 가치를 측정하는 방법을 알아내세요 41
1.3.2. 인공지능에 대한 목표 결정 41
1.3.3. 인공지능이 할 수 있는 일과 할 수 없는 일을 이해하세요 42
1.3.4. 목표를 정의할 때 복잡성을 자세히 살펴보세요 42
1.3.5. 기능 간(Cross-Functional) 데이터 공유 43
1.3.6. 필수 질문 44
1.3.7. 측정 가능한 성공 ? AI 프로젝트의 중요한 KPI 45
1.3.8. 지속적인 평가 및 반복적 개선 문화 46
1.3.9. 장기 계획 46
1.4. 머신 러닝 문제 프레이밍 49
1.5. 머신 러닝 프로젝트 비용 추정 54
1.5.1. 머신 러닝 프로젝트 비용 추정 단계 55
1.5.2. 탑다운 vs. 바텀업 58
1.5.3. 유추 vs. 매개변수 기법 60
1.5.4. 3점 기법 vs. 단일 지점 기법 61
1.5.5. 크리티컬 패스 vs. 크리티컬 체인 63
1.5.6. 유추 추정 64
1.5.7. 분석적 추정 66
1.6. 머신 러닝 프로젝트 계획 69
1.6.1. 애자일 방법론 70
1.6.2. 디자인 씽킹 72
1.6.3. 스크럼 프레임워크 73
1.6.4. 칸반 방법 74
1.6.5. 프로그램 평가 및 검토 기법 (PERT) 76
1.6.6. 원인-결과 다이어그램 77
제 2장. 데이터 엔지니어링 81
2.1. 데이터 수집(Ingestion) 84
2.1.1. 잠재적인 데이터 소스 86
2.1.2. 8가지 종류의 데이터 87
2.1.3 데이터 수집 영향 94
2.2. 탐색적 데이터 분석 (EDA) 102
2.2.1. 데이터 탐색이란 무엇인가? 105
2.2.2. 데이터 탐색이 중요한 이유 106
2.2.3. 머신 러닝에서의 데이터 탐색 107
2.3. 데이터 정리(클리닝, 사전 처리) 112
2.4. 특성 엔지니어링 121
2.4.1. 특성 추출 123
2.4.2. 특성 스케일링 123
2.4.3. 특성 생성 126
2.4.4. 특성 변환 127
2.4.5. 특성 선택 129
2.4.6. 특성 엔지니어링의 단계 131
2.5. 데이터 증강 132
2.5.1. 데이터 증강이란? 133
2.5.2. 데이터 증강이 중요한 이유는 무엇입니까? 134
2.5.3. 적용 및 평가 137
2.5.4. 데이터 증강의 이점 137
2.5.5. 이미지 데이터 증강 139
2.5.6. 텍스트 데이터 증강 143
2.5.7. 오디오 데이터 증강 144
2.5.8. 표형식 데이터 증강 146
2.6. 데이터 모델링 149
2.7. 데이터 분할 165
2.7.1. 데이터 분할 168
2.7.2. 계층화된 훈련-테스트 분할 168
2.7.3. 불균형 데이터 처리 169
제 3장. 모델 엔지니어링 177
3.1. 모델 선택 180
3.1.1. 데이터 이해 182
3.1.2. 문제를 명확하게 이해 183
3.1.3. 사용 가능한 알고리즘 탐색 183
3.1.4. 모델 가정 및 형질 고려 185
3.1.5. 모델 복잡성 평가 185
3.1.6. 성공 지표 정의 187
3.1.7. 계산 리소스 및 효율성 188
3.1.8. 확장성 및 유연성 189
3.1.9. 다양한 모델로 실험해보세요 190
3.1.10. 가장 성능이 좋은 모델을 선택하세요 192
3.2. 하이퍼파라미터 튜닝 194
3.2.1. 머신 러닝 모델의 매개변수란 무엇인가? 197
3.2.2. 머신 러닝 모델에서 하이퍼 파라미터란 무엇입니까? 199
3.2.3. 올바른 하이퍼파라미터 값 세트의 중요성 200
3.2.4. 하이퍼 파라미터를 최적화/조정하기 위한 두 가지 간단한 전략 201
3.3. 모델 구축 204
3.3.1. 모델과 알고리즘의 차이점 205
3.3.2. 피드 포워드 신경망의 아키텍처 207
3.3.3. 신경망의 가중치와 편향 212
3.3.4. 가중치 초기화 218
3.4. 모델 학습/검증 220
3.4.1. 모델 학습이란? 224
3.4.2. 모델 학습이 중요한 이유는 무엇입니까? 225
3.4.3. 순방향 전파 226
3.4.4. 손실 계산 230
3.4.5. 평가 지표 계산 232
3.4.6. 역전파 235
3.4.7. 매개변수 업데이트 240
3.4.8. 경사 하강의 역할 241
3.4.9. 에포크, 배치 크기, 반복 횟수 246
3.4.10. [Optional] 검증 및 조기 중단 250
3.4.11. [Optional] 정규화 252
3.5. 예측 255
3.5.1. 예측은 왜 중요한가? 256
3.5.2. 예측 모델의 유형 257
3.5.3. 머신 러닝에서의 예측 모델링 기술 260
3.6. 성능 평가/모델 평가 263
3.6.1. 모델 평가란 무엇인가? 264
3.6.2. 모델 평가 기술 265
3.7. 신경망 구조 검색(NAS) 267
3.7.1. 신경망 구조 검색의 구성 요소 270
3.7.2. 그리드 검색 276
3.7.3. 임의 검색 277
3.7.4. 베이지안 최적화 279
3.7.5. 힐 클라이밍 280
3.7.6. 강화 학습 281
3.7.7. 유전적 진화 284
3.7.8. 다중 목표 검색 285
3.7.9. 원샷 접근방식: 검색 및 평가 통합 287
제4장. 코드 엔지니어링(배포) 289
4.1. 모델 배포 291
4.1.1. 모델 배포란 무엇인가요? 292
4.1.2. 세 가지 중요한 고려 사항… 293
4.1.3. 다양한 배포 아키텍처 293
4.2. 모델 제공 298
4.2.1. 모델 제공이란? 300
4.2.2. 모델 제공은 어떤 기능을 지원하나요? 301
4.2.3. 온라인 제공 301
4.2.4. 오프라인(배치) 제공 302
4.2.5. 에지 디바이스에서 모델 제공 303
4.3. 모델 성능 모니터링 305
4.3.1. 왜 모니터링이 필요한가? 306
4.3.2. ML 성능을 모니터링하는 방법 310