인터넷서점 인터파크도서

우리는 지금 인공지능의 르네상스를 경험하고 있고, 모든 사람은 이 변화에 참여하기를 원합니다. 그래서 여러분들은 지금 이 책을 학습하고 있습니다. 우리 주변에는 딥러닝에 관한 수많은 책이 있습니다. 그런데 왜 우리에게 이 책이 필요할까요? 잠시 후에 그 이유를 알게됩니다. 2013년 이후 딥러닝(마이크로소프트, 엔비디아, 아마존 및 스퀘어(Square) 등 기업에서 제품을 제작하는 동안) 의 환경이 크게 변화했습니다. 연구는 끊임없이 발전하였고 바로 사용할 수 있을 만한 도구가 부족하다는 현실적인 문제에 직면하였습니다. 우리는 일반 사용자들을 위한 최종 제품으로 연구를 전환하는 방법에 대한 명확한 지침이 부족하다는 것을 커뮤니티가 성장하고 학습하는 동안 발견했습니다. 결국, 최종 사용자는 웹 브라우저, 스마트폰 또는 에지 장치 앞에서 종종 수많은 시간 동안의 해킹과 실험을 하고, 블로그, 깃허브 문제, 스레드, 스택 오버플로의 답변들을 광범위하게 검색하고 패키지 작성자들에게 이메일을 보내면서 난해한 지식을 얻어야 했습니다. 심지어 시장에 나온 책들도 이론이나 특정한 도구를 사용하는 방법에 더 초점을 맞추는 경향이 있었습니다. 우리가 구할 수 있는 책에서 배울 수 있는 최선은 장난감 같은 예제를 만드는 것이었습니다. 이론과 실제 사이의 차이를 메우기 위해, 연구자들뿐만 아니라 실질적인 적용에 초점을 둔 최종 사용자들과도 인공지능에 대하여 대화할 수 있도록 이 책의 내용을 구성하였습니다. 이 책은 동기부여 사례뿐만 아니라 단순 취미부터 구글 규모의 엔지니어까지의 기술 수준과 생산 제품 안에 딥러닝을 배포하는 데 수반되는 노력을 기반으로 다양한 수준의 복잡성을 보여줄 수 있도록 구성되었습니다. 시간이 지나면서 고맙게도 초보자들에게 전체적인 접근이 가능해졌고 더 많은 툴을 사용할 수 있게 되었습니다. Fast.ai나 DeepLearning.ai과 같은 훌륭한 온라인 자료는 AI 모델을 어떻게 교육하는지를 어느 때보다 쉽게 이해시켜 주었습니다. 또한, 책들은 텐서플로우와 파이토치(PyTorch) 와 같은 딥러닝 프레임워크를 사용하여 기본적인 교육 시장을 장악하였습니다. 그러나 이와 같은 상황에도 불구하고, 이론과 생산 사이의 넓은 간격은 대부분 무시되었습니다. 우리는 이 간극을 메우고 싶어서 여러분이 지금 읽고 있는 이 책을 출판하게 되었습니다. 이 책은 컴퓨터 비전에 접근 가능한 언어와 즉시 실행 가능한 재미있는 프로젝트를 사용하여, 머신러닝과 AI에 대한 지식이 필요 없는 간단한 분류기로 시작하여 점차 복잡성을 추가하고 정확성과 속도를 개선하면서 대상을 수백만 명의 사용자로 확장하고, 다양한 하드웨어와 소프트웨어로 구현하며, 결국 축소된 자율주행차를 제작하기 위하여 강화 학습을 사용하는 것으로 끝이 납니다. 거의 모든 장들은 동기를 부여하는 예에서 시작하여 솔루션을 구축하는 프로세스를 통해 물어볼 수 있는 질문을 미리 설정하고, 다양한 수준의 복잡성과 노력으로 문제를 해결하기 위한 여러 가지 접근 방법을 논의합니다. 빠른 해결책을 찾고 있다면, 한 장의 몇 페이지를 읽고 끝마칠 수도 있습니다. 해당 주제에 대해 좀 더 깊이 이해하기를 원하는 사람은 전체 장을 읽어야 합니다. 물론 모든 사람이 이 책에 포함된 사례 연구를 숙지해야 합니다. 그 이유는 읽어보면 재미있습니다. 또 이 책에서 논의된 개념을 사용하여 실제 제품을 만드는 방법을 보여줍니다. 또한, 클라우드, 브라우저, 모바일 및 에지 장치를 사용하여 실제 애플리케이션을 구축하는데 있어 딥러닝 전문가와 업계 전문가가 ...

예상을 넘어 알파고가 승리한지 4년이 지난 현재 구글을 필두로 하는 기업들은 4차 산업혁명 시대의 주도권을 선점하기 위하여 AI(인공지능) 기술 연구에 총력을 기울이고 있다. 인간의 지각, 학습 및 추론 능력을 모방한 AI 논문들이 수없이 발표되며, 물체인식 분야는 이미 인간의 인식능력을 뛰어넘었다. 인터넷 사용자의 검색 패턴으로 연령대, 성향, 능력등을 분석하여 맞춤형 검색 서비스가 익숙해졌고, 챗봇은 특정인의 목소리를 학습하고 흉내 내어 현실과 가상의 경계가 모호해 지고 있다. AI의 미래 가능성은 전문가들조차도 가늠하기 어려우며 이에 따라 AI 소프트웨어 역량의 강화가 요구되고 있다. 우리나라도 소프트웨어적 사고와 AI 인재 양성을 위해 소프트웨어 교육을 강화하고 있다. 이 싯점에서 인공지능의 기초와 실습이 포함된 실용적인 “Practical Deep Learning for Cloud, Mobile, and Edge”를 번역하여 국내 독자들에게 보급하게 되어 기쁘다. 이 책은 먼저 AI와 딥러닝에 대한 지식이 없어도 쉽게 따라할 수 있도록 간단한 이미지 및 객체 분류기의 구현으로 시작한다. 순차적으로 내용이 강화되어 초보자뿐만 아니라 AI를 연구하고 있는 개발자들에게도 실질적인 도움을 제공하고 있다. 값비싼 하드웨어없이 텐서플로우나 케라스로 구현된 소스 코드들을 클라우드와 모바일 및 에지 처리장치를 기반으로 실험을 할 수 있고 앱을 구현하여 배포할 수 있는 방법까지 설명하고 있다. 또한 에지 처리장치(라즈베리파이, 구글의 Coral, 인텔의 Movidius) 를 이용하여 창의적인 로봇 제작에 대한 방법을 제시하고 있다. AI 역량이 필요한 독자들이 이 책의 사례들을 차례대로 학습, 구현 및 분석하면서 각자의 실력을 향상시키기를 희망한다. ■이 책의 특징 이 책은 단계별 가이드로서 클라우드, 모바일, 브라우저 및 직접 제작하는 에지 디바이스들에 대한 실질적인 딥러닝 응용들을 구축하는 방법들을 설명하고 있다. 수년간의 업계 경험을 바탕으로 딥러닝 연구에 빛나는 수상 경력의 Anirudh Koul, Siddha Ganju 및 Meher kasam는 아래의 아이디어를 구현할 수 있도록 안내한다. ㆍ Keras, TensorFlow, CoreML 그리고 TensorFlow Lite를 사용하여 컴퓨터 비전 모델을 훈련, 조정 및 배포 ㆍ Raspberry Pi, Jetson Nano 그리고 Google Coral을 포함한 다양한 장치를 위한 Al 개발 ㆍ Silicon Valley의 “Not Hotdog”앱에서 Google 스케일이미지 검색, 40개 이상의 사례 연구 및 산업 사례에 이르기까지 재미있는 프로젝트를 탐색 ㆍ 비디오 게임 환경에서 자율 주행 자동차를 시뮬레이션하고 강화 학습으로 미니어처 버전을 구현 ㆍ 전이 학습을 사용하여 몇 분 안에 모델을 훈련 ㆍ 모델 정확도 및 속도의 극대화, 디버깅 및 수백만 명의 사용자에 대한 확장을 위한 50가지 이상의 실용적인 팁을 안내 ■ 각 업계의 논평 “실용적이라는 것은 이 책의 제목에 적합하다. 산업계에서 오늘날의 ML 사례에 대해 두 가지 우선 순위가 있다. 사용자들은 스킬을 향상시켜야 하고 모델은 미세 조정이 필요하 다. 이 책은 이 두 가지를 빠르게 만족시킬 수 있다.” -Paco Nathan, Derwen AI 설립자

제1장 인공지능에 대한 전반적인 이해 01 사과문 04 실제 서론 04 AI란 무엇인가? 05 동기부여 사례 06 간략한 AI 역사 08 흥미진진한 시작 08 어둡고 추운 날들 09 희미한 희망의 빛 010 딥러닝은 어떻게 되었나 014 완벽한 딥러닝 솔루션을 위한 레시피 017 데이터 세트 018 모델 아키텍처 021 프레임워크 024 하드웨어 027 책임감있는 AI 029 편향성 031 책임성과 명확성 033 재현성 034 강인성 035 프라이버시 035 요약 036 자주 묻는 질문 036 제2장 사진에는 무엇이 있나: 케라스(Keras)를 사용한 이미지 분류 라스 소개 042 이미지 카테고리 예측 043 모델 조사 048 ImageNet 데이터 세트 048 모델 집합소 050 목차 vi 목차 클래스 활성화 맵 052 요약 055 제3장 고양이와 개: 30줄의 케라스로 구현한 전이 학습 사전 훈련된 모델을 새로운 작업에 적용하기 059 콘볼루션 신경망에 대한 간단한 고찰 061 전이 학습 063 미세 조정 063 미세 조정하는 정도 064 전이 학습과 케라스를 이용한 사용자 정의 분류기 만들기 066 데이터 구성 067 데이터 파이프 라인 구축 069 클래스의 수 069 배치 크기 070 데이터 증강 07...1 모델 정의 074 모델 훈련 075 훈련 매개 변수 설정 075 훈련 시작 076 모델 테스트 078 결과 분석 078 추가로 읽을 자료 085 요약 087 제4장 역(reverse) 이미지 검색엔진 구축: 임베딩 이해 이미지 유사도 092 특징 추출 095 유사도 검색 098 t-SNE로 이미지 클러스터 시각화 102 유사도 검색 속도 향상 106 특징 벡터의 길이 106 PCA로 특징 길이 줄이기 108 근사 근접 이웃 탐색을 사용한 유사도 검색 확장 113 근사 근접 이웃 탐색 알고리즘의 벤치마크 113 어떤 라이브러리를 사용할 것인가? 115 vii 목차 합성 데이터 세트 생성 115 무차별(Brute Force) 탐색 116 Annoy 116 NGT 117 Faiss 118 미세 조정으로 정확도 향상 118 완전 연결 계층 없이 미세 조정하기 122 원-샷 얼굴 검증을 위한 Siamese Networks 123 사례 연구 125 Flickr 125 Pinterest 126 유명인사 대역(Celebrity Doppelgangers) 127 Spotify 127 이미지 캡션 128 요약 130 제5장 초보에서 전문 예측기로: 콘볼루션 신경망의 정확도 극대화 사용할 여러 가지 도구 134 텐서플로우 데이터 세트(TensorFlow Datasets) 135 텐서보드(TensorBoard) 136 What-If Tool 139 tf-explain 143 머신러닝 실습을 위한 일반적인 기법 145 데이터 검사 145 데이터 분할 : 훈련, 검증, 테스트 146 조기 멈춤 147 재현 가능한 실험 147 엔드-투-엔드 딥러닝 예제 파이프라인 148 기본적인 전이 학습 파이프라인 148 사용자 맞춤형 신경망 파이프라인 151 하이퍼파라미터가 정확도에 미치는 영향 152 전이 학습과 처음부터 새로 훈련하기의 비교 152 전이 학습에서 미세 조정할 계층 수의 효과 153 전이 학습에 대한 데이터 크기의 영향 155 viii 목차 학습률의 영향 156 최적화 효과 157 배치 크기의 영향 158 크기 조정의 효과 159 전이 학습에서 종횡비 변경의 영향 160 최대 정확도를 위한 튜닝 자동화 도구 160 케라스 튜너(Keras Tuner) 161 자동증강(AutoAugment) 163 자동케라스(AutoKeras) 164 요약 165 제6장 속도와 성능 극대화 텐서 플로우: 편리한 점검표 GPU 부족 169 nvidia-smi 170 텐서플로 프로파일러 + 텐서보드 172 체크리스트 사용법 174 성능 체크리스트 174 데이터 준비 176 TFRecords 저장 176 입력 데이터의 크기 축소 177 텐서플로우 데이터 세트 사용 178 데이터 읽기 179 tf.data 사용 179 데이터 미리 추출 180 병렬 CPU처리 180 병렬 I/O 처리 181 비결정적 순서 활성화 181 캐시 데이터 182 실험 최적화 설정 182 Map 융합 184 자동튜닝 파라미터 변수값 184 데이터 증강(Augmentation) 185 증강을 위한 GPU 사용 185 훈련 187 자동 혼합 정밀도 사용 187 보다 큰 배치(Batch) 크기 사용 188 ix 목차 8 의 배수 사용 189 최적의 학습률 찾기 190 tf.function 사용 192 오버트레인 그리고 일반화 193 하드웨어에 최적화된 스택 설치 195 병렬 CPU 쓰레드의 개수 최적화 197 보다 좋은 하드웨어 사용 198 훈련의 분산 199 산업계 벤치마크 실험 201 추론 203 효과적인 모델 사용 203 모델 양자화 206 모델 정리 208 융합 작업 사용 209 GPU 지속성 활성화 210 요약 210 제7장 실질적인 툴, 팁 그리고 기술 211 설치 213 훈련 215 모델 217 데이터 218 Privacy 221 교육과 개발 222 마지막 질문 224 제8장 컴퓨터 비전을 위한 클라우드 API: 15분 안에 설치 및 실행 시각적 인식 API의 풍경 229 Clarifai 229 마이크로소프트 인지 서비스 230 구글 클라우드 비전 230 아마존 Rekognition 231 IBM 왓슨의 Visual Recognition 232 알고리즘 233 x 목차 Visual Recognition API 비교 234 제공 서비스 235 비용 236 정확도 236 편향성 238 Cloud API 시작 및 실행 242 사용자 분류기 훈련 245 분류기가 만족스럽게 작동하지 않는 주요 이유 250 사용자 분류 API 비교 252 클라우드 API를 위한 성능 튜닝 255 영상 라벨링에서 크기 조절 효과 255 영상 라벨링에서 압축의 효과 256 OCR APIs에서 압축 효과 257 OCR APIs에서 크기 변화 효과 257 실제 적용 사례 258 요약 264 제9장 텐서플로우 서빙 및 KubeFlow를 사용하여 클라우드 에서 확장 가능한 추론 서비스 인공 지능 예측의 모습 268 Flask: 여러분 자신의 서버 구축 270 Flask로 REST API 만들기 270 Flask에 케라스 모델 배포 271 Flask 사용의 장점 272 Flask 사용의 단점 272 생산 수준의 서빙 시스템에서 바람직한 품질 272 높은 가용성 273 확장성 273 낮은 대기 시간 274 지리적 가용성 274 실패 다루기 275 감시 276 모델 버전 276 A/B 테스트 276 다양한 머신러닝 라이브러리 지원 276 xi 목차 구글 클라우드 ML엔진: 관리 클라우드 인공 지능 서빙 스택 277 Cloud ML Engine 사용의 장점 277 클라우드 ML 엔진 사용 단점 277 분류 API 구축 277 텐서플로우 서빙(Serving) 284 설치 285 KubeFlow 286 파이프라인 289 페어링 289 설치 290 가격에 대한 성능 고려 사항 292 Inference-as-a-Service의 비용 분석 292 자신의 스택을 구축하는 비용 분석 294 요약 295 제10장 TensorFlow.js와 ml5.js를 사용하는 브라우저의 AI JavaScript 기반 기계 학습 라이브러리: 간략한 역사 300 ConvNetJS 301 Keras.js 302 ONNX.js 302 TensorFlow.js 303 TensorFlow.js Architecture 305 TensorFlow.js를 사용한 사전 훈련된 모델의 실행 306 브라우저의 모델 변환 308 브라우저에서 훈련 309 특징 추출 310 데이터 수집 311 훈련 312 GPU 활용 314 ml5.js 315 PoseNet 317 pix2pix 321 벤치마킹 및 실제 고려 사항 326 모델 크기 326 추론 시간 326 xii 목차 사례 연구 328 준 지휘자 329 TensorSpace 329 Metacar 330 에어비엔비(Airbnb)의 사진 분류 331 GAN Lab 331 요약 332 제11장 Core ML을 사용하는 iOS에서 실시간 객체 분류 모바일 인공 지능 개발을 위한 생명 주기 336 Core ML의 간략한 역사 338 Core ML에 대한 대안 340 텐서플로우 라이트 340 ML Kit 341 Fritz AI 341 애플의 머신러닝 아키텍처 341 도메인 기반 프레임워크 342 ML 프레임워크 343 ML 성능 프리미티브 343 실시간 객체 인식 앱 구축 344 Core ML로 변환 350 케라스로부터 변환 351 텐서플로우로부터 변환 351 Dynamic Model Deployment 352 온 디바이스 훈련 354 연합 학습(Federated Learning) 355 성능 분석(Performance Analysis) 356 아이폰에서 밴치마킹 모델 356 에너지 영향 측정 360 밴치마킹 부하(Load) 362 앱 크기 줄이기 365 모델 번들링 방지 365 양자화 사용 366 Create ML 사용 367 사례 연구 368 xiii 목차 매직 수도쿠(Magic Sudoku) 368 시각 AI(Seeing AI) 369 홈코트(HomeCourt) 370 인스타사버(InstaSaber) + 요퍼핏(YoPuppet) 371 요약 374 제12장 Core ML 및 Create ML을 사용하는 iOS의 Not Hotdog 자료수집 379 접근 1: 데이터 찾기 또는 수집 379 접근 2: Fatkun 크롬 브라우저 확장 380 접근 3: Bing Image Search API를 사용하는 웹 스크레이퍼 383 모델 훈련 384 접근 1: Web UI-기반 Tools 사용하기 384 접근 2: Create ML 사용 388 접근 3: 케라스를 사용한 파인 튜팅(Fine Tuning) 394 Core ML Tools을 사용한 모델 변환 394 iOS 앱 만들기 395 추후 연구 396 요약 396 제13장 음식을 위한 Shazam: 텐서플로우 라이트 및 ML 키트 를 사용하여 안드로이드 앱 개발 음식 분류 앱의 생명 주기 400 텐서플로우 라이트 개요 402 텐서플로우 라이트 아키텍처 405 텐서플로우 라이트로 모델 변환 406 실시간 객체 인식 앱 구축 407 ML Kit + Firebase 414 ML 키트에서 객체 분류 416 ML 키트에서 맞춤형 모델 416 호스트 모델(Hosted Models) 418 호스팅된 모델의 A/B 테스트 422 코드에서 실험 사용 427 iOS 상의 텐서플로우 라이트 427 xiv 목차 성능 최적화(Performance Optimizations) 427 텐서플로우 라이트 변환기로 양자화 428 텐서플로우 모델 최적화 도구 키트 428 Fritz 429 모바일 AI 앱 개발 사이클의 전체 고찰 431 초기 데이터를 수집하는 방법 431 나의 데이터에 레이블을 지정하는 방법 433 나의 모델을 훈련시키는 방법 433 모델을 모바일용 포맷으로 변환하는 방법 433 모델 성과를 달성하는 방법 434 사용자를 위한 멋진 UX를 구축하는 방법은? 434 모델을 사용자에게 제공하는 방법은? 434 모델의 성공을 측정하는 방법 435 모델을 개선하는 방법은? 435 사용자의 스마트폰에 있는 모델을 업데이트하는 방법은? 436 자기 진화 모델 436 사례 연구 438 Lose It! - 다이어트를 위한 앱 438 Pixel 3 폰의 초상화 모드 440 알리바바의 말하는 사람 인식 441 ML 키트의 얼굴 윤곽 441 유튜브 스토리의 실시간 비디오 분활 442 요약 443 제14장 텐서플로우 물체 검색 API로 정확한 고양이 위치 (Purrect Cat Locator) App 구축 컴퓨터 비전 작업의 종류 448 분류(Classification) 448 위치 지정(Localization) 449 검출(Detection) 449 이미지 분할(Segmentation) 450 물체 감지 접근방식 452 미리 제작된 클라우드 기반 물체 감지 APIs 호출 453 이전에 훈련된 모델의 재사용 454 모델 획득 454 xv 목차 모델 구동 테스트 456 기기에 배포하기(Deploying to a Device) 456 코드 없이 맞춤형 감지기 구현 459 물체 감지의 진화 464 성능 고려하기 466 물체 감지의 핵심 용어 467 합집합에 대한 교집합의 비(Intersection over Union) 467 평균의 평균 정밀도(Mean Average Precision) 469 비 최대 억제(Non-Maximum Suppression) 469 텐서플로우 물체 검색 API를 사용하여 사용자 정의 모델 작성 470 데이터 수집 470 데이터 레이블링 473 데이터 전처리 477 모델 검사하기 478 훈련(Training) 480 모델 변환 483 이미지 분할 484 사례 연구 485 스마트 냉장고 485 사람 수 세기 486 Seeing AI 앱에서 얼굴 인식 488 자율주행 자동차 489 요약 490 제15장 제작자 되기: 최첨단에서 임베디드 AI 체험 임베디드 AI 장치의 전망 살펴보기 493 라즈베리파이 495 인텔 모비디우스 뉴럴 컴퓨트 스틱 497 구글 Coral USB 가속기 498 NVIDIA Jetson Nano 500 FPGA + PYNQ 502 FPGAs 503 아두이노 506 임베디드 AI장치의 정성적 비교 508 Raspberry Pi와 함께 작업 511 xvi 목차 구글 Coral USB 가속기를 이용한 속도 향상 513 NVIDIA Jetson Nano을 위한 포트 516 디바이스의 성능 비교 520 사례 연구 521 JetBot 521 지하철 티켓을 받기 위하여 스쿼트 운동하기 522 오이 분류기 524 추가 탐구 525 요약 526 제16장 케라스로 엔드-투-엔드 딥러닝을 이용한 자율주행차 시뮬레이션 자율주행의 간략한 역사 532 딥러닝, 자율주행 및 데이터 문제 533 자율주행의 “Hello, World!” : 시뮬레이션 환경을 통한 운전 536 설정 및 요구 사항 537 데이터 탐색 및 준비 539 관심 영역 식별 542 데이터 늘리기 544 데이터 세트 불균형 및 주행 전략 545 자율주행 모델 학습 550 운전 데이터 생성기 551 모델 정의 554 자율주행 모델 구축 560 추후 연구 565 데이터 세트 확장 565 순차 데이터 훈련 565 강화 학습 566 요약 566 제17장 1시간 이내에 자율자동차 구축: AWS DeepRacer를 이용한 강화학습 강화학습의 간략한 소개 569 DeepRacer를 이용한 실용적인 심층 강화학습 572 첫 번째 강화학습 구축 576 xvii 목차 1 단계: 모델 생성 577 2 단계: 훈련 구성 578 3 단계: 모델 훈련 585 4 단계: 모델의 성능 평가 587 행동 강화 학습 588 강화 학습 시스템이 학습하는 방법 588 강화 학습 이론 592 AWS DeepRacer의 강화 학습 알고리즘 595 DeepRacer를 예로 심층 강화 학습 요약 597 5 단계: 강화 학습 모델 개선 598 AWS DeepRacer 자동차 경주 602 트랙 구축 602 AWS DeepRacer 단일 회전 트랙 템플릿 603 AWS DeepRacer 모델 실행 604 AWS DeepRacer 차량 자율주행 604 추가 탐색 607 DeepRacer 리그 607 향상된 AWS DeepRacer 608 AI 드라이빙 올림픽 608 DIY 로보카 609 로보레이스(Roborace) 609 머신러닝 613 요약 611 부록 컨볼루셔널 뉴럴 네트워크의 단기과정 퍼셉트론 614 활성화 함수 615 뉴럴 네트워크 616 역전파(Backpropagation) 617 뉴럴 네트워크의 단점 618 이미지 분류기의 원하는 속성 618 컨벌루션(Convolution) 619 풀링(Pooling) 619 CNN의 구조 620 추가 실험 621

Siddha Ganju, Meher Kasam [저]

심재창, 이영학, 이정환, 정윤주 [저]