AutoML 인 액션
AutoKeras 창시자가 안내하는, AutoKeras와 KerasTuner로 머신러닝 파이프라인 최적화하기
$38.56
SKU
9791169211468
[Free shipping over $100]
Standard Shipping estimated by Fri 05/31 - Thu 06/6 (주문일로부 10-14 영업일)
Express Shipping estimated by Tue 05/28 - Thu 05/30 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2023/10/04 |
| Pages/Weight/Size | 188*235*30mm |
| ISBN | 9791169211468 |
| Categories | IT 모바일 > OS/데이터베이스 |
Description
- 머신러닝의 새로운 시대를 여는 AutoML
- 머신러닝 한계를 넘어, AutoML로 정확하고 빠른 모델을 만들어보자
- AutoML의 핵심을 담은 AutoKeras 창시자의 집필서
- ML 전문가의 비밀 노트: ML 핵심 개념부터 ML 자동화를 위한 최적화 알고리즘까지
AutoML의 발전으로 머신러닝에 대한 전문 지식이 없어도 하이퍼파라미터 튜닝과 모델 최적화를 간편하게 수행할 수 있게 되었습니다. 특히, AutoKeras와 KerasTuner와 같은 도구들은 이러한 기능을 제공하며, 다양한 작업에 맞게 머신러닝 모델을 빠르게 조정할 수 있도록 도와줍니다. AutoML을 통해 머신러닝을 더욱 쉽게 활용하고 업무 성과를 향상시킬 수 있으므로, 이러한 도구들을 배우고 활용하는 것이 중요합니다.
이 책은 AutoML의 기본 개념과 알고리즘, 도구를 소개하고, AutoML 도구를 활용하여 머신러닝 모델을 학습시키는 방법을 설명합니다. 또한, 실제 사례를 통해 AutoML의 적용 방법을 보여주며, 머신러닝을 처음 접하는 독자도 쉽게 이해할 수 있도록 구성되어 있습니다. 다양한 분야에서 머신러닝을 활용하여 머신러닝 전문가로 성장하고자 하는 모든 사람에게 유용한 학습 자료가 될 것입니다.
- 머신러닝 한계를 넘어, AutoML로 정확하고 빠른 모델을 만들어보자
- AutoML의 핵심을 담은 AutoKeras 창시자의 집필서
- ML 전문가의 비밀 노트: ML 핵심 개념부터 ML 자동화를 위한 최적화 알고리즘까지
AutoML의 발전으로 머신러닝에 대한 전문 지식이 없어도 하이퍼파라미터 튜닝과 모델 최적화를 간편하게 수행할 수 있게 되었습니다. 특히, AutoKeras와 KerasTuner와 같은 도구들은 이러한 기능을 제공하며, 다양한 작업에 맞게 머신러닝 모델을 빠르게 조정할 수 있도록 도와줍니다. AutoML을 통해 머신러닝을 더욱 쉽게 활용하고 업무 성과를 향상시킬 수 있으므로, 이러한 도구들을 배우고 활용하는 것이 중요합니다.
이 책은 AutoML의 기본 개념과 알고리즘, 도구를 소개하고, AutoML 도구를 활용하여 머신러닝 모델을 학습시키는 방법을 설명합니다. 또한, 실제 사례를 통해 AutoML의 적용 방법을 보여주며, 머신러닝을 처음 접하는 독자도 쉽게 이해할 수 있도록 구성되어 있습니다. 다양한 분야에서 머신러닝을 활용하여 머신러닝 전문가로 성장하고자 하는 모든 사람에게 유용한 학습 자료가 될 것입니다.
Contents
[PART 1 AutoML 기초]
CHAPTER 1 머신러닝을 AutoML로
1.1 AutoML에 대한 감 잡기
1.2 머신러닝 시작하기
1.3 AutoML: 자동화 속의 자동화
CHAPTER 2 ML 프로젝트의 엔드투엔드 파이프라인
2.1 엔드투엔드 파이프라인의 개요
2.2 문제 정의 및 데이터셋 조립
2.3 데이터 전처리
2.4 피처 엔지니어링
2.5 머신러닝 알고리즘의 선별
2.6 머신러닝 모델의 파인튜닝: 그리드 탐색
CHAPTER 3 딥러닝 요점 정리
3.1 딥러닝이란?
3.2 텐서플로와 케라스
3.3 다층 퍼셉트론을 사용한 캘리포니아 주택 가격 예측
3.4 합성곱 신경망을 활용한 손 글씨 숫자 분류
3.5 순환 신경망을 활용한 IMDB 리뷰 분류
[PART 2 실전 AutoML]
CHAPTER 4 자동화된 엔드투엔드 머신러닝 솔루션 생성
4.1 AutoML 도구 준비: AutoKeras
4.2 자동화된 이미지 분류
4.3 4개의 지도 학습에 대한 엔드투엔드 AutoML 솔루션
4.4 다중 입/출력 문제 다루기
CHAPTER 5 AutoML 파이프라인 생성을 통한 탐색 공간 조정
5.1 순차적 AutoML 파이프라인으로 작업하기
5.2 자동화된 하이퍼파라미터 튜닝을 위한 순차적 AutoML 파이프라인 만들기
5.3 하이퍼블록으로 자동화된 파이프라인 검색
5.4 그래프 구조의 AutoML 파이프라인 설계하기
5.5 사용자 정의 AutoML 블록 설계하기
CHAPTER 6 완전한 사용자 정의 탐색 공간을 가진 AutoML
6.1 계층별로 탐색 공간 사용자 정의하기
6.2 오토인코더 모델 튜닝하기
6.3 서로 다른 검색 기법으로 얕은 모델 튜닝하기
6.4 튜너의 사용자 정의를 통해 AutoML 과정 제어하기
[PART 3 AutoML의 고급 주제]
CHAPTER 7 AutoML 검색 기법의 사용자 정의
7.1 순차적 검색 기법
7.2 임의 검색 기법으로 시작하기
7.3 베이지안 최적화 검색 기법 사용자 정의하기
7.4 진화적 검색 기법을 사용자 정의하기
CHAPTER 8 AutoML의 규모 확장
8.1 대규모 데이터셋 다루기
8.2 다중 GPU로 병렬화하기
8.3 검색 속도를 높이는 전략
CHAPTER 9 마무리
9.1 주요 개념 되돌아보기
9.2 AutoML 도구 및 플랫폼
9.3 AutoML의 미래 과제
9.4 빠르게 변하는 분야에서 최신 상태 유지하기
부록 A 코드 실행을 위한 환경 설정
A.1 구글 코랩 시작하기
A.2 로컬 우분투 시스템에 주피터 노트북 환경 설정
부록 B 이미지, 텍스트, 정형 데이터 분류 예제
B.1 이미지 분류: 손 글씨 숫자 인식
B.2 텍스트 분류: 뉴스 그룹의 주제 분류하기
B.3 정형 데이터 분류: 타이타닉 생존자 식별하기
CHAPTER 1 머신러닝을 AutoML로
1.1 AutoML에 대한 감 잡기
1.2 머신러닝 시작하기
1.3 AutoML: 자동화 속의 자동화
CHAPTER 2 ML 프로젝트의 엔드투엔드 파이프라인
2.1 엔드투엔드 파이프라인의 개요
2.2 문제 정의 및 데이터셋 조립
2.3 데이터 전처리
2.4 피처 엔지니어링
2.5 머신러닝 알고리즘의 선별
2.6 머신러닝 모델의 파인튜닝: 그리드 탐색
CHAPTER 3 딥러닝 요점 정리
3.1 딥러닝이란?
3.2 텐서플로와 케라스
3.3 다층 퍼셉트론을 사용한 캘리포니아 주택 가격 예측
3.4 합성곱 신경망을 활용한 손 글씨 숫자 분류
3.5 순환 신경망을 활용한 IMDB 리뷰 분류
[PART 2 실전 AutoML]
CHAPTER 4 자동화된 엔드투엔드 머신러닝 솔루션 생성
4.1 AutoML 도구 준비: AutoKeras
4.2 자동화된 이미지 분류
4.3 4개의 지도 학습에 대한 엔드투엔드 AutoML 솔루션
4.4 다중 입/출력 문제 다루기
CHAPTER 5 AutoML 파이프라인 생성을 통한 탐색 공간 조정
5.1 순차적 AutoML 파이프라인으로 작업하기
5.2 자동화된 하이퍼파라미터 튜닝을 위한 순차적 AutoML 파이프라인 만들기
5.3 하이퍼블록으로 자동화된 파이프라인 검색
5.4 그래프 구조의 AutoML 파이프라인 설계하기
5.5 사용자 정의 AutoML 블록 설계하기
CHAPTER 6 완전한 사용자 정의 탐색 공간을 가진 AutoML
6.1 계층별로 탐색 공간 사용자 정의하기
6.2 오토인코더 모델 튜닝하기
6.3 서로 다른 검색 기법으로 얕은 모델 튜닝하기
6.4 튜너의 사용자 정의를 통해 AutoML 과정 제어하기
[PART 3 AutoML의 고급 주제]
CHAPTER 7 AutoML 검색 기법의 사용자 정의
7.1 순차적 검색 기법
7.2 임의 검색 기법으로 시작하기
7.3 베이지안 최적화 검색 기법 사용자 정의하기
7.4 진화적 검색 기법을 사용자 정의하기
CHAPTER 8 AutoML의 규모 확장
8.1 대규모 데이터셋 다루기
8.2 다중 GPU로 병렬화하기
8.3 검색 속도를 높이는 전략
CHAPTER 9 마무리
9.1 주요 개념 되돌아보기
9.2 AutoML 도구 및 플랫폼
9.3 AutoML의 미래 과제
9.4 빠르게 변하는 분야에서 최신 상태 유지하기
부록 A 코드 실행을 위한 환경 설정
A.1 구글 코랩 시작하기
A.2 로컬 우분투 시스템에 주피터 노트북 환경 설정
부록 B 이미지, 텍스트, 정형 데이터 분류 예제
B.1 이미지 분류: 손 글씨 숫자 인식
B.2 텍스트 분류: 뉴스 그룹의 주제 분류하기
B.3 정형 데이터 분류: 타이타닉 생존자 식별하기