[book] 머신 러닝 Q & AI

"길벗 출판사로부터 책을 협찬 받아 작성된 서평입니다."

 

"기본 개념을 넘어서 ML, DL, AI에 대해 깊게 탐구할 준비가 되었다면"

그렇다. 이 책은 기본 개념은 알고 실제 궁금해할만한 내용들을 질의응답 형식으로 만들었다.

1부 | 신경망과 딥러닝

1장 임베딩, 잠재 공간, 표현
2장 자기 지도 학습
3장 퓨-샷 학습
4장 로터리 티켓 가설
5장 데이터로 과대적합 줄이기
6장 모델을 변경하여 과대적합 줄이기
7장 다중 GPU 훈련 패러다임
8장 트랜스포머의 성공
9장 생성 AI 모델
10장 무작위성의 원인

2부 | 컴퓨터 비전

11장 파라미터 개수
12장 완전 연결 층과 합성곱 층
13장 비전 트랜스포머를 위한 대규모 훈련 세트

3부 | 자연어 처리

14장 분포 가설
15장 텍스트 데이터 증강
16장 셀프 어텐션
17장 인코더 기반 트랜스포머와 디코더 기반 트랜스포머
18장 사전 훈련된 트랜스포머 모델의 사용과 미세 튜닝 방법
19장 생성형 대규모 언어 모델의 평가

4부 | 제품화와 배포

20장 상태 비저장 훈련과 상태 저장 훈련
21장 데이터 중심 AI
22장 추론 속도 높이기
23장 데이터 분포 변화

5부 | 예측 성능과 모델 평가

24장 푸아송 회귀와 서열 회귀
25장 신뢰 구간
26장 신뢰 구간 vs 컨포멀 예측
27장 적절한 측정 지표
28장 k-폴드 교차 검증의 k
29장 훈련 세트와 테스트 세트 불일치
30장 제한적인 레이블 데이터

 

총 5개 챕터로 30가지 주제를 다루고 있다.

 

몇가지 흥미로운 부분을 살펴보자

5장은 과적합을 줄이는 방법이고, 당연하게도 데이터가 증가할수록 과대적합, 과소적합이 둘다 줄어든다. 이런 도식화 설명은 이해도를 높여줄 수 있게 직관적으로 작성되어있다.

데이터 증강 기법을 파이썬으로 익혔을 뿐 실무에서 사용한 적은 없었다. 이 책에선 아주 쉽게 이해할 수 있도록 이미지 데이터 증강을 사진으로 설명한다. 

21장은 데이터 중심 ai(data-centric AI)는 무엇인지 모델링 패러다임과 어떻게 다른지도 도표로 설명을 시작한다.

성능 향상을 위해 모델에만 초점을 맞추는 방식이 아니라 데이터 변화에 초점을 맞추는 방식을 말한다.

(실무에서도 양질의 데이터를 만드는게 가장 중요한 선행작업이라는 건 이해하고 있지만, 실제로는 잘 정비된 정형데이터 위주로 다루고, 반정형 데이터에서도 일부 전처리만 할뿐인데, 아예 데이터 자체에 집중한다는 발상은 좋았다.)

28장 K폴드 교차검증의 k값을 결정하는 것에 대한 설명이다.아주 자세하게 설명하진 않고, 하이퍼파라미터 튜닝과 모델성능 평가 2단계의 과정에 대한 언급, 그리고 편향 발생 가능성, 중첩교차 검증 이란 것도 있다는 정도만 언급하고 끝난다.

머신러닝, 딥러닝 책이 한참 나오고 나서 요즘엔 LLM 책들이 쏟아지고 있다. 장난스러운 Q&AI 라는 타이틀처럼 흥미로운 책이다.

우선 실제 ML, DL 업무를 하며 빅데이터를 다루는 업무를 한 사람에게 적합하다. 초보에겐 어려울 수 있다.

 

궁금해할만한 이슈들에 대해 핵심적 답변과 간단한 소개 정도로 끝마치기 때문에 그렇다. 장마다 연습문제와 참고로 소개하는 논문들 사이트들이 상당히 많다. 논문들을 많이 찾아보고 Deep 하게 공부하고자 하는 분들께 길잡이 성격의 책이라고 할 수 있다.

 

그럼에도 30개 주제에 344페이지나 된다. 친절하게도 박해선 님이 "국내 독자들이 많이 하는 질문" 이라는 부록도 작성해주셨다.

(혼공 시리즈 뿐만 아니라, 핸즈온 머신러닝도 번역하신 분이라 그냥 믿고 본다!)

 

목차에 나와있은 30가지 주제 중에 평소 궁금했던게 많은 분들이라면 참고할만한 책이다.

모든 주제를 하나씩 보겠다는 생각보다는 필요한 내용을 발췌독하고 소개된 논문들을 접하면서 실력을 향상시키기 위한 책이다.