로우코드 AI - 문제 해결 중심의 ML 학습 방법: 노코드부터 로우코드 커스텀 트레이닝까지

로우코드로 시작하는 AI/ML 입문

비즈니스 활용을 위한 머신러닝 프로젝트 구현하기

로우코드 AI를 활용한 데이터 우선 접근법과 사례 중심 접근법으로 머신러닝과 딥러닝 개념을 이해해 보세요. 이 실용적인 안내서는 ① AutoML을 이용한 노코드 ML, ② 빅쿼리 ML을 이용한 로우코드, ③ 사이킷런과 케라스를 이용한 커스텀 코드 등 3가지 문제 해결 중심의 ML 학습 방법을 제시하고, 각각 실제 데이터셋과 현실적인 문제를 활용해 핵심 ML 개념을 학습합니다.

비즈니스 및 데이터 분석가들은 상세하고도 데이터 중심적인 접근 방식을 통해 AI/ML을 프로젝트 기반으로 학습할 수 있습니다. 여기에는 데이터 로딩 및 분석, ML 모델에 데이터 입력, 모델 구축·훈련·테스트, 모델의 실제 환경 배포 등이 포함됩니다. 이 책은 소매업, 의료, 금융 서비스, 에너지, 통신 분야를 위한 머신러닝 모델 구축 방법을 함께 제시합니다.

 

이 책의 주요 내용:

● 정형 데이터와 비정형 데이터를 구별하고 그에 따른 문제 파악하기

● 데이터 시각화 및 분석하기

● 머신러닝 모델 입력을 위한 데이터 전처리하기

● 지도학습의 회귀 모델과 분류 모델 구별하기

● 노코드부터 로우코드, 커스텀 트레이닝까지 다양한 ML 모델 유형 및 아키텍처 비교하기

● ML 모델의 설계, 구현 및 조정하기

 

[목 차]

1장 머신러닝에서 데이터로 의사 결정을 내리는 방법

_1.1 목표 및 사용 사례 파악하기

_1.2 엔터프라이즈 ML 워크플로

_1.3 요약

 

2장 데이터의 중요성

_2.1 사용 사례 및 데이터셋 개요

_2.2 데이터 및 파일 유형

_2.3 깃허브와 구글 코랩 개요

_2.4 요약

 

3장 머신러닝 라이브러리 및 프레임워크

_3.1 노코드 AutoML

_3.2 AutoML의 작동 방식

_3.3 서비스형 머신러닝

_3.4 로우코드 ML 프레임워크

_3.5 요약

 

4장 AutoML로 광고 미디어 채널의 매출 예측하기

_4.1 비즈니스 사용 사례: 미디어 채널의 매출 예측하기

_4.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기

_4.3 AutoML로 선형 회귀 모델 학습시키기

_4.4 요약

 

5장 AutoML로 사기 거래 탐지하기

_5.1 비즈니스 사용 사례: 금융 거래 사기 탐지

_5.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기

_5.3 분류 모델 및 지표

_5.4 AutoML로 분류 모델 학습시키기

_5.5 요약

 

6장 빅쿼리 ML로 선형 회귀 모델 학습시키기

_6.1 비즈니스 사용 사례: 전력 생산량

_6.2 빅쿼리 SQL로 데이터셋 정리하기

_6.3 선형 회귀 모델

_6.4 설명 가능한 AI

_6.5 빅쿼리 ML에서의 신경망

_6.6 심층 분석: 클라우드 셸로 클라우드 스토리지 파일 보기

_6.7 요약

 

7장 파이썬으로 사용자 정의 ML 모델 학습시키기

_7.1 비즈니스 사용 사례: 고객 이탈 예측

_7.2 노코드, 로우코드, 사용자 정의 코드 중 알맞은 ML 솔루션 선택하기

_7.3 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기

_7.4 사이킷런으로 로지스틱 회귀 모델 구축하기

_7.5 케라스로 신경망 구축하기

_7.6 버텍스 AI로 맞춤형 ML 모델 구축하기

_7.7 요약

 

8장 사용자 정의 모델의 성능 개선하기

_8.1 비즈니스 사용 사례: 중고차 경매 가격

_8.2 사이킷런 모델 개선하기

_8.3 케라스로 모델 개선하기

_8.4 빅쿼리 ML에서 하이퍼파라미터 튜닝하기

_8.5 대규모 모델의 하이퍼파라미터 튜닝

_8.6 요약

 

9장 AI 여정의 다음 단계

_9.1 데이터 과학 더 깊이 알아보기

_9.2 ML 운영

_9.3 지속적인 학습 및 평가

_9.4 요약

 

찾아보기