[목 차]
[PART I 모델 구축]
CHAPTER 1 파이토치 소개
_1.1 머신러닝이란
_1.2 전통적인 프로그래밍의 한계
_1.3 프로그래밍에서 학습으로
_1.4 파이토치란
_1.5 파이토치 사용하기
_1.6 머신러닝 시작하기
_1.7 마치며
CHAPTER 2 컴퓨터 비전 소개
_2.1 컴퓨터 비전의 작동 방식
_2.2 컴퓨터 비전을 위한 뉴런
_2.3 신경망 설계
_2.4 신경망 훈련
_2.5 모델 출력 살펴보기
_2.6 과대적합
_2.7 조기 종료
_2.8 마치며
CHAPTER 3 고급 컴퓨터 비전: 이미지에서 특징 감지하기
_3.1 합성곱
_3.2 풀링
_3.3 합성곱 신경망 만들기
_3.4 합성곱 신경망 살펴보기
_3.5 말과 사람을 구별하는 CNN 만들기
_3.6 이미지 증식
_3.7 전이 학습
_3.8 다중 분류
_3.9 드롭아웃 규제
_3.10 마치며
CHAPTER 4 파이토치 데이터셋
_4.1 데이터셋 시작하기
_4.2 FashionMNIST 클래스 살펴보기
_4.3 제너릭 데이터셋 클래스
_4.4 사용자 정의 분할 사용하기
_4.5 머신러닝 데이터 관리를 위한 ETL 프로세스
_4.6 로드 단계 최적화하기
_4.7 DataLoader 클래스 사용하기
_4.8 훈련 성능 향상을 위해 ETL 병렬화하기
_4.9 마치며
CHAPTER 5 자연어 처리 소개
_5.1 언어를 숫자로 인코딩하기
_5.2 불용어 제거와 텍스트 정제
_5.3 실제 데이터 다루기
_5.4 마치며
CHAPTER 6 임베딩을 사용한 감성 프로그래밍
_6.1 단어의 의미 구축하기
_6.2 파이토치의 임베딩
_6.3 임베딩 시각화
_6.4 사전 훈련된 임베딩 사용하기
_6.5 마치며
CHAPTER 7 자연어 처리를 위한 순환 신경망
_7.1 순환 구조
_7.2 순환을 언어로 확장하기
_7.3 RNN으로 텍스트 분류기 만들기
_7.4 RNN에 사전 훈련된 임베딩 사용하기
_7.5 마치며
CHAPTER 8 머신러닝으로 텍스트 생성하기
_8.1 시퀀스를 입력 시퀀스로 변환하기
_8.2 모델 만들기
_8.3 텍스트 생성하기
_8.4 데이터셋 확장하기
_8.5 모델 구조 개선하기
_8.6 데이터 개선하기
_8.7 문자 기반 인코딩
_8.8 마치며
CHAPTER 9 시퀀스와 시계열 데이터 이해하기
_9.1 시계열의 공통 특징
_9.2 시계열 예측 기법
_9.3 마치며
CHAPTER 10 시퀀스를 예측하는 머신러닝 모델 만들기
_10.1 윈도 데이터셋 만들기
_10.2 DNN을 만들고 시퀀스 데이터로 훈련하기
_10.3 DNN의 결과 평가하기
_10.4 학습률 튜닝하기
_10.5 마치며
CHAPTER 11 시퀀스 모델을 위한 합성곱 신경망과 순환 신경망
_11.1 시퀀스 데이터를 위한 합성곱
_11.2 NASA 날씨 데이터 사용하기
_11.3 RNN으로 시퀀스 모델링하기
_11.4 다른 순환 층
_11.5 드롭아웃 사용하기
_11.6 양방향 RNN 사용하기
_11.7 마치며
[PART II 모델 사용]
CHAPTER 12 추론의 개념
_12.1 텐서
_12.2 이미지 데이터
_12.3 텍스트 데이터
_12.4 모델의 텐서 출력
_12.5 마치며
CHAPTER 13 서빙을 위해 파이토치 모델 호스팅하기
_13.1 TorchServe 소개
_13.2 TorchServe 설정
_13.3 플라스크로 서빙하기
_13.4 마치며
CHAPTER 14 서드 파티 모델과 허브 사용하기
_14.1 허깅 페이스 허브
_14.2 파이토치 허브
_14.3 마치며
CHAPTER 15 트랜스포머와 transformers
_15.1 트랜스포머 이해하기
_15.2 인코더-디코더 구조
_15.3 transformers API
_15.4 transformers 시작하기
_15.5 핵심 개념
_15.6 마치며
CHAPTER 16 사용자 정의 데이터와 함께 LLM 사용하기
_16.1 LLM 미세 튜닝
_16.2 LLM 프롬프트 튜닝
_16.3 마치며
CHAPTER 17 Ollama로 LLM 서빙하기
_17.1 Ollama 시작하기
_17.2 서버로 Ollama 실행하기
_17.3 Ollama LLM을 사용하는 애플리케이션 구축하기
_17.4 마치며
CHAPTER 18 RAG 소개
_18.1 RAG란 무엇인가요?
_18.2 RAG 시작하기
_18.3 RAG 콘텐츠와 LLM 사용하기
_18.4 마치며
CHAPTER 19 허깅 페이스의 diffusers를 사용한 생성 모델 활용
_19.1 디퓨전 모델이란
_19.2 허깅 페이스의 diffusers 사용하기
_19.3 마치며
CHAPTER 20 LoRA와 diffusers를 사용한 이미지 생성 모델 튜닝
_20.1 diffusers로 LoRA 미세 튜닝하기
_20.2 마치며
LLM 시대, 파이토치로 만드는 AI 마스터 트랙
수식 없이 머신러닝 기초부터 RAG, LLM 미세 튜닝, 디퓨전까지
복잡한 미적분 공식과 통계학의 늪에 빠져 인공지능 학습의 첫 페이지조차 넘기지 못했던 개발자들에게 이 책은 가장 명쾌한 마스터 트랙을 제시합니다. 특히 전작 『개발자를 위한 머신러닝&딥러닝』에서 이미 완벽한 호흡을 보여 주었던 AI 교육의 거장 로런스 모로니와 박해선 역자가 이번 파이토치 버전에서도 다시 한번 의기투합했습니다. 거창한 이론 나열 대신 ‘이론보다 코드 먼저’라는 철학을 고수하는 저자의 정공법을 통해, 복잡한 수식 없이도 실행 가능한 예제를 직접 따라 하며 신경망이 데이터를 학습하는 본질적인 원리를 코드로 완벽히 체득할 수 있습니다.
기초적인 컴퓨터 비전과 자연어 처리를 넘어, 여러분의 커리어를 생성형 AI의 정점으로 이끌 실전 기술 로드맵이 펼쳐집니다. 1,700여 줄의 실제 데이터를 요리해 시를 쓰고, 나만의 지식을 더하는 RAG 시스템과 가상의 캐릭터를 창조하는 LoRA 미세 튜닝까지 직접 구현해 보세요. 특히 Ollama를 활용한 로컬 모델 서빙과 TorchServe 배포 등 실무 엔지니어에게 꼭 필요한 모델 운용의 전 과정을 섭렵하게 될 것입니다. 이 책을 덮는 순간, 여러분은 단순히 트렌드를 쫓는 사용자를 넘어 생성형 AI 서비스를 독자적으로 설계하고 운영하는 대체 불가능한 인재로 도약하게 될 것입니다.
[주요 내용]
● 파이토치로 익히는 머신러닝, 딥러닝 핵심 개념과 학습 흐름
● 컴퓨터 비전, 자연어 처리, 시계열 데이터 실전 구현법
● 트랜스포머 구조 이해와 허깅 페이스 기반 LLM 활용법
● 개인 데이터를 활용한 RAG 파이프라인 구성과 실습
● diffusers와 LoRA로 살펴보는 생성형 이미지 모델 확장법
[대상 독자]
● 단순 API 호출을 넘어 서버를 직접 운영하고 싶은 엔지니어
● 실무에 즉시 적용 가능한 최신 AI 기술이 필요한 실무자
● 파이토치로 생성형 AI 시대의 기초를 다지고 싶은 대학생
● 수학은 두렵지만 AI 공부는 시작해 보고 싶은 주니어 개발자