[POD]인공지능 머신러닝 풀스택 웹 서비스 개발 VOL3

이 책은 인공지능의 핵심인 머신러닝과 딥러닝의 기초 이론부터, 이를 실제 서비스로 구현하기 위한 FastAPI 백엔드 구축 및 PostgreSQL 데이터베이스 연동까지 아우르는 ‘AI 풀스택’ 개발의 정석을 제시합니다. 단순한 알고리즘 나열에 그치지 않고, 데이터가 모델을 거쳐 사용자에게 전달되는 전체 파이프라인을 직접 설계하도록 구성되어 있습니다. 1장에서 머신러닝 시스템의 전반적인 흐름과 개발 환경을 다진 후, 2장부터 6장까지는 시계열 수요 예측, 이미지 분류, 자연어 기반 감정 분석, 이상 탐지, 그리고 강화학습 추천 시스템에 이르기까지 산업 현장에서 가장 수요가 높은 5대 실전 프로젝트를 단계별로 정복합니다.

특히 이 책의 강점은 각 분야의 최신 모델인 LSTM, CNN, BERT, AutoEncoder, DQN의 작동 원리를 명확히 짚어주는 동시에 이를 단순히 실험실 수준이 아닌 실제 웹 서비스 레이어로 끌어올린다는 점에 있습니다. 독자들은 프로젝트마다 원천 데이터 처리부터 시작해, 모델을 훈련하고 저장하며, API 엔드포인트를 통해 실시간 예측 서비스를 제공하는 과정을 경험하게 됩니다. 이는 이론적 갈증을 느끼는 입문자에게는 탄탄한 기초를, 실무 적용을 고민하는 개발자에게는 즉시 활용 가능한 레퍼런스를 제공합니다. 이 한 권을 마스터하고 나면, 인공지능 모델을 웹 애플리케이션이라는 현실의 결과물로 치환할 수 있는 진정한 의미의 AI 전문가로 거듭나게 될 것입니다.

1장 머신러닝 개발 환경 및 모델 개요
1.1 인공지능, 머신러닝, 딥러닝 개요
1.2 머신러닝 시스템 전체 흐름
1.3 개발 환경 구축
1.4 데이터 처리 및 분석
1.5 머신러닝 기초 모델 실습


2장 시계열(Time Series) 기반 수요 예측 시스템
2.1 시계열 데이터 개념 (Trend / Seasonality)
2.2 Python 실습 — LSTM / Prophet 모델 구현
2.3 실전 데이터셋 — 매출 / 방문자 트래픽 데이터
2.4 PostgreSQL 연동 — 시계열 데이터 저장 및 관리
2.5 FastAPI 서비스 — 미래 수요 예측 API
2.6 실무 활용 사례 및 고급 기법 연구


3장 CNN 기반 이미지 분류 시스템
3.1 CNN 기본 개념 (Convolution / Pooling)
3.2 Python 실습 — TensorFlow/Keras CNN 구현
3.3 실전 데이터셋 — 상품 이미지 / 불량품 이미지
3.4 PostgreSQL 연동 — 이미지 메타데이터 관리
3.5 FastAPI 서비스 — 이미지 업로드 및 분류 API
3.6 CNN 실무 활용 – 불량 검사 / 의료 영상 / 상품 분류


4장 NLP 기반 감정 분석 시스템
4.1 자연어 처리 개념 및 토큰화 187
4.2 Python 실습 — BERT / HuggingFace 활용
4.3 실전 데이터셋 — 리뷰 / SNS 데이터 202
4.4 PostgreSQL 연동 — 텍스트 데이터 관리
4.5 FastAPI 서비스 — 감정 분석 API 216
4.6 NLP 실무 활용 – 쇼핑몰 / 고객 / SNS 분석


5장 이상 탐지 (Anomaly Detection) 딥러닝 시스템
5.1 이상 탐지 개념 (Outlier Detection)
5.2 Python 실습 — AutoEncoder 구현
5.3 실전 데이터셋 — IoT 센서 / 서버 로그
5.4 PostgreSQL 연동 — 로그 데이터 저장
5.5 FastAPI 서비스 — 실시간 이상 탐지 API


6장 강화학습 기반 추천 및 최적화 시스템
6.1 강화학습 개념 (Reward / Policy)
6.2 Python 실습 — Q-Learning / DQN
6.3 실전 데이터셋 — 사용자 클릭 로그
6.4 PostgreSQL 연동 — 행동 로그 저장
6.5 FastAPI 서비스 — 실시간 추천 API
6.6 강화학습 실무 활용


부록. 주요 명령어와 용어 정리