초보자가 만들며 배우는 딥러닝 서비스

지은이의 글
베타테스터의 글
일러두기

1장 딥러닝 Open API를 이용한 강아지/고양이 종 분류 프로젝트
1.1 학습목표
1.2 사전 준비하기
1.2.1 AWS 클라우드 계정 생성
1.2.2 AWS 클라우드 액세스 키 발급
1.2.3 캐글 가입 및 데이터 다운로드
1.2.4 코랩 사용법
1.3 사전지식 쌓기
1.3.1 딥러닝
1.3.2 딥러닝 서비스
1.3.3 Open API 정의와 딥러닝 Open API 종류
1.4 구현하기
1.4.1 [스텝 1] AWS 웹화면에서 테스트하기
1.4.2 [스텝 2] AWS Open API 테스트하기
1.5 요약과 정리하기

2장 지도학습으로 딥러닝 모델 만들기 - 고양이 종 분류 프로젝트
2.1 학습목표
2.2 사전 준비하기
2.2.1 학습데이터 준비
2.2.2 Google Teachable Machine 사용 준비
2.3 사전지식 쌓기
2.3.1 왜, 커스텀 AI 분류 모델이 필요한가
2.3.2 분류 문제란 무엇인가
2.3.3 Google Teachable Machine 이해하기
2.3.4 Google Teachable Machine 모델 생성 과정
2.4 구현하기
2.4.1 [스텝 1] 각 데이터별로 학습시키기
2.4.2 [스텝 2] 학습된 결과를 비교하기
2.4.3 [스텝 3] AI모델을 추출하기
2.5 요약과 정리하기

3장 내 컴퓨터에서 AI/ML 서비스 구축하기
3.1 학습목표
3.2 사전 준비하기
3.2.1 파이썬 설치하기
3.2.2 FastAPI 설치하기
3.2.3 Streamlit 설치하기
3.3 사전지식 쌓기
3.3.1 딥러닝 모델을 서비스한다는 것의 의미
3.3.2 웹서비스를 구성하는 세 가지 기본 요소
3.3.3 RestAPI
3.3.4 FastAPI
3.3.5 Streamlit
3.4 구현하기
3.4.1 [스텝 1] 작업 파일 구성하기
3.4.2 [스텝 2] 프로토타입 설계하기
3.4.3 [스텝 3] 백엔드 만들기(FastAPI)
3.4.4 [스텝 4] 프런트엔드 만들기(Streamlit)
3.5 요약과 정리하기

4장 AWS 클라우드에서 AI/ML 서비스 구축하기
4.1 학습목표
4.2 사전 준비하기
4.2.1 AWS 콘솔 로그인
4.2.2 소스코드 다운로드
4.3 사전지식 쌓기
4.3.1 AWS EC2
4.3.2 AWS S3
4.4 구현하기
4.4.1 [스텝 1] S3에 모델 아티펙트 업로드하기
4.4.2 [스텝 2] 생성한 EC2에 서빙 서버 구축하기
4.4.3 [스텝 3] 연동 테스트하기
4.5 요약과 정리하기

5장 AI/ML Pipeline
5.1 학습목표
5.2 AI/ML Pipeline의 정의
5.3 AI/ML Pipeline의 필요성
5.4 AI/ML Pipeline의 구성요소
5.5 AWS SageMaket 스튜디오에서의 AI/ML Pipeline
5.5.1 SageMaker 프로젝트
5.5.2 SageMaker 프로젝트의 사용 시기
5.5.3 SageMaker 파이프라인
5.5.4 SageMaker 파이프라인 구조
5.5.5 IAM 액세스 관리
5.5.6 Pipeline 매개변수
5.5.7 Pipeline 스텝
5.5.8 Pipeline 정의하기
5.6 요약과 정리하기

6장 종합 프로젝트
6.1 학습목표
6.2 사전 준비하기
6.2.1 SageMaker 파이프라인 스텝 설계
6.2.2 소스코드 다운로드
6.2.3 AWS S3에 데이터 구성
6.3 사전지식 쌓기
6.3.1 ResNet18
6.3.2 전이 학습
6.3.3 온디맨드 인스턴스 및 요금(또는 제약사항)
6.4 구현하기
6.4.1 데이터 수집
6.4.2 데이터 검증
6.4.3 SageMaker 파이프라인 정의
6.4.4 API 테스트
6.4.5 서빙 서버 모니터링
6.4.6 서비스 사용을 위한 프런트엔드 애플리케이션과의 연동(interface)
6.5 요약과 정리하기

부록 A Anaconda의 설치 및 실행 방법
A.1 윈도우즈 버전
A.2 MacOS 버전