실전 자동머신러닝 에이콘출판/아드난 마수드

#오토머신러닝 #Auto #Machine #Learning #오토ML #앙상블 #오토웨카 #사이킷런 #딥러닝 #메타러닝 #최적화 #알고리즘 #알고리듬

자동 특성 공학, 모델 및 하이퍼파라미터 튜닝, 그래디언트 기반 접근법 등의 기본 기술을 살펴보고 다양한 오픈소스 툴을 사용해 자동머신러닝 기술을 구현하는 방법을 배운다. 구체적으로 애저(Azure), 아미존 웹 서비스(AWS), 구글 클라우드 플랫폼(GCP)을 포함한 3대 클라우드 서비스에서 자동머신러닝(AutoML)을 구현하는 다양한 방법을 설명한다. AutoML을 사용해 머신러닝 모델을 구축해 클라우드 AutoML 플랫폼의 기능을 살펴본다. 이 책을 마치면 정확하면서도 생산성을 높이고 상호 운용성을 허용하며 특징적인 엔지니어링 작업을 최소화하는 AutoML 모델을 구축하고 배포할 수 있을 것이다.

저자소개

모든 머신러닝 엔지니어는 하이퍼파라미터가 있는 시스템을 다루는데, 자동머신러닝에서 가장 기본적인 작업은 이러한 하이퍼파라미터를 자동으로 설정해 성능을 최적화하는 것이다. 최신 심층 신경망은 구조, 규제화 및 최적화를 위한 광범위한 하이퍼파라미터를 갖고 있으며, 시간과 노력을 절약하기 위해 효과적으로 사용자 지정할 수 있다.
이 책에서는 자동화된 특성 공학, 모델 및 하이퍼파라미터 튜닝, 그래디언트 기반 접근법 등의 기본 기술을 검토한다. 오픈소스 도구에서 이러한 기술을 구현하는 다양한 방법을 살펴보게 될 것이다. 다음으로 엔터프라이즈급 도구에 집중해 애저, AWS, 구글 클라우드 플랫폼의 다양한 AutoML 구현 방법을 알아본다. AutoML을 활용한 머신러닝 모델을 구축해 클라우드 AutoML 플랫폼의 기능을 살펴보고, 머신러닝 개발 수명주기와 관련된, 시간이 많이 걸리고 반복적인 작업을 자동화해 정확한 모델을 개발하는 방법을 알아본다.
이 책을 마치면 정확성과 생산성을 높이고 상호 운용성을 보장하며 특성 공학 작업을 최소화하는 AutoML 모델을 구축하고 배포할 수 있을 것이다.

1부. 자동머신러닝 소개

1장. 자동머신러닝 개요
__머신러닝 개발 수명 주기
__자동머신러닝
__자동화 ML의 작동법
____하이퍼파라미터
____자동머신러닝의 필요성
__데이터 과학의 민주화
__자동머신러닝 신화의 타파
____신화 #1: 데이터 과학자의 종말
____신화 #2: 자동ML은 단지 토이 문제만을 풀 수 있다
__자동머신러닝 생태계
__오픈소스 플랫폼과 도구
____마이크로소프트 NNI
____Auto - sklearn
____Auto - Weka
____auto - Keras
____TPOT
____Ludwig - 코드 없는 AutoML 툴박스
____AutoGluon: 딥러닝을 위한 AutoML 툴킷
____Featuretools
____H2O AutoML
__상업적 도구와 플랫폼
____DataRobot
____구글 클라우드 AutoML
____아마존 세이지메이커 오토파일럿
____애저 자동ML
____H2O 드라이버리스 AI
____자동ML의 미래
____자동ML 문제와 한계
____기업을 위한 입문 지침
__요약

2장. 자동머신러닝, 알고리듬 그리고 기법
__자동화된 ML - 뚜껑 열기
____자동ML 용어의 분류 체계
__자동화된 특성 공학
__하이퍼파라미터 최적화
__신경망 구조 탐색
__요약

3장. 오픈소스 툴과 라이브러리를 이용한 자동머신러닝
__기술 요구 사항
__AutoML용 오픈소스 생태계
__TPOT 소개
____TPOT는 이를 어떻게 수행하는가?
__Featuretools 소개
__마이크로소프트 NNI 소개
__auto-sklearn 소개
__Auto-Keras 소개
____Ludwig - 코드 없는 AutoML 툴박스
__AutoGluon - 딥러닝을 위한 AutoML 툴킷
__요약

2부. 클라우드 플랫폼을 이용한 AutoML

4장. Azure 머신러닝으로 시작하기
__Azure 머신러닝으로 시작하기
__Azure 머신러닝 스태킹하기
__Azure 머신러닝 서비스로 시작하기
__Azure 머신러닝으로 모델링하기
__Azure 머신러닝을 이용한 모델 배포와 테스트
__요약

5장. 마이크로소프트 Azure를 이용한 자동머신러닝
__마이크로소프트 Azure의 AutoML
__AutoML을 이용한 시계열 예측
__요약

6장. AWS를 이용한 머신러닝
__AWS 지형에서의 ML
__AWS ML로 시작하기
__AWS 세이지메이커 오토파일럿
__AWS 점프스타트
__요약

7장. 아마존 세이지메이커 오토파일럿으로 자동머신러닝 실행하기
__기술적 요구 조건
__아마존 세이지메이커 오토파일럿의 작성 - 제한된 실험
__AutoML 실험 생성
__세이지메이커 오토파일럿 실험의 수행과 모델의 배포
____세이지메이커 오토파일럿 모델 호출 및 테스트
__노트북으로부터 세이지메이커 오토파일럿 실험을 구축하고 실행하기
____모델 호스트와 호출
__요약

8장. 구글 클라우드 플랫폼을 이용한 머신러닝
__구글 클라우드 플랫폼 서비스로 시작하기
__구글 클라우드 플랫폼을 이용한 AI와 ML
__구글 클라우드 AI 플랫폼과 AI 허브
__구글 클라우드 AI 플랫폼으로 시작하기
__구글 클라우드를 이용한 자동ML
__요약

9장. 구글 클라우드 플랫폼을 이용한 자동머신러닝
__구글 클라우드 AutoML Tables로 시작하기
__AutoML Tables 실험 생성
__AutoML Tables 모델 배포 이해
__BigQuery 공용 데이터셋을 이용한 AutoML Tables
__가격 예측을 위한 자동머신러닝
__요약

3부. 자동머신러닝 응용

10장. 엔터프라이즈 자동ML
__조직이 자동ML을 필요로 하는가?
____타이탄의 충돌 - 자동ML 대 데이터 과학자
__자동ML - 엔터프라이즈 고급 분석을 위한 가속기
____인간 친숙한 통찰력을 가진 AI의 민주화
____증강된 지능
__자동ML 도전 과제와 기회
____불충분한 데이터
____모델 성능
____도메인 전문가와 특수 용도 사례
____컴퓨팅 비용
____학습 곡선의 수용
____이해관계자의 적응
__신뢰 구축 - 모델 해석 가능성과 자동ML의 투명성
____특성 중요도
____반사실 분석
____데이터 과학 모델 정확도 척도
____사전 모델 설명 가능성
____실행 중 모델 설명 가능성
____사후 모델 설명 가능성
__조직에의 자동ML 도입
____충격 흡수
____올바른 자동ML 플랫폼 선택
____데이터의 중요성
____청중의 올바른 메시지
__활용 방안 - 다음 단계는 무엇인가?