Do it 쉽게 배우는 머신러닝 + 딥러닝 - AI 모델의 원리를 이해하고 직접 만드는 힘을 기른다(Do it 시리즈)

매일 사용하는 AI, 어떻게 답을 만들어 내는 걸까?

복잡한 수식 없이도 ‘직접 만들며’ AI 모델의 원리를 이해하자

챗GPT, 제미나이, 클로드 같은 생성형 AI가 일상이 된 지금, AI를 잘 활용하는 것을 넘어 AI 모델이 어떻게 학습하고 예측하는지를 이해하는 역량이 더욱 중요해지고 있다. 《Do it! 쉽게 배우는 머신러닝 + 딥러닝》은 코랩과 파이썬 기초부터 머신러닝, 딥러닝, 트랜스포머, 강화학습까지 AI의 핵심 기술과 모델을 직접 구현하며 배우는 실습 중심의 입문서이다.

이 책에서는 선형 회귀와 로지스틱 회귀같은 머신러닝의 기초부터 인공 신경망, CNN, RNN, 트랜스포머, ViT, 앙상블 모델, Q-러닝, DQN, PPO까지 AI의 핵심 모델을 직접 구현하며 학습한다. 단순히 라이브러리 사용법을 익히는 데 그치지 않고, 모델이 만들어지는 원리와 학습 과정을 단계별로 이해하고 실제 데이터를 활용해 성능 평가와 개선까지 자연스럽게 익힐 수 있다. 또한 이미지, 텍스트, 시계열 데이터 등 다양한 예제로 AI가 각 데이터를 어떻게 학습하는지 폭넓게 경험할 수 있다.

[목 차]

=============================

첫째마당 | 머신러닝의 첫걸음

=============================

01장 머신러닝을 알아야 AI가 보인다

__01-1 머신러닝의 원리 이해하기
____머신러닝이란?

____모델과 학습 과정 살펴보기

__01-2 머신러닝의 절차와 유형

____머신러닝의 절차

____머신러닝의 학습 유형

 

02장 코랩 사용법과 파이썬 기초 익히기

__02-1 코랩 시작하기

____코랩 사용하기

____셀과 노트북 이해하기

__02-2 파이썬 자료형 이해하기

____숫자형

____문자형

____리스트

____튜플

____딕셔너리

__02-3 파이썬 라이브러리 사용하기

____라이브러리 이해하기

____판다스

____맷플롯립

____라이브러리 불러오기

____데이터 불러오기

__02-4 데이터프레임 활용하기9

____속성

____메서드

____인덱싱

__02-5 반복문과 조건문 활용하기

____반복문

____조건문

__되새김 문제

 

=============================

둘째마당 | 기초 머신러닝 모델

=============================

03장 선형 회귀 모델

__03-1 선형 회귀 모델

__03-2 회귀 모델 구현을 위한 준비

____라이브러리 설치와 데이터 생성

____탐색적 데이터 분석

__03-3 선형 회귀 모델의 예측 방법

____타깃과 입력 지정하기

____예측 함수 설정하기

__03-4 선형 회귀 모델 설정과 학습

____임의의 파라미터로 예측하기

____모델 클래스를 사용해 학습하기

__03-5 모델 예측과 성능 평가

____예측 결과 확인하기

____손실 계산하기

____예측 성능 시각화하기

__03-6 회귀 모델 개선하기

____입력 변수 확장으로 모델 개선

____선형 회귀 모델의 한계

__되새김 문제

 

04장 로지스틱 회귀 모델

__04-1 로지스틱 회귀 모델이란?

____회귀 문제와 분류 문제

____확률 기반 예측 방법

__04-2 로지스틱 회귀 모델 구현을 위한 준비

____인코딩의 종류

____인코딩 적용 방법

__04-3 로지스틱 회귀 모델의 예측 방법

____확률 예측 방법

____크로스 엔트로피 손실 함수

__04-4 로지스틱 회귀 모델 설정과 학습

____데이터 생성과 탐색적 데이터 분석

____로지스틱 회귀 모델 설정과 학습

__04-5 모델 예측과 성능 평가

____예측 성능 시각화하기

____입력 변수의 효과 시각화하기

____새로운 입력 예측하기

__되새김 문제 128

 

=============================

셋째마당 | 인공 신경망 모델의 구조와 원리

=============================

05장 행렬 연산과 텐서의 이해

__05-1 배열 데이터의 구조

__05-2 벡터와 행렬 연산

____벡터와 행렬 만들기

____행렬 곱 계산하기

____벡터의 선형 변환

____행렬을 사용한 선형 회귀 모델

__05-3 텐서와 자동 미분

____그래디언트

____경사하강법

____텐서를 사용한 경사하강법 실습

__되새김 문제

 

06장 인공 신경망 모델 기초

__06-1 인공 신경망이란?

____인공 신경망 이해하기

____인공 신경망의 구조

__06-2 인공 신경망 모델 구현을 위한 준비

____라이브러리와 데이터 불러오기

____데이터 생성과 변수 설정

____탐색적 데이터 분석

__06-3 인공 신경망 모델 설정

____인공 신경망 모델의 구조 결정하기

____인공 신경망 모델 설정하기

____활성화 함수 적용하기

__06-4 인공 신경망 모델 학습

____학습 과정 이해하기

____랜덤 시드 고정하기

____컴파일과 학습 시작하기

__06-5 성능 평가와 구조 개선

____예측 성능 평가하기

____모델 구조 개선하기

__되새김 문제

 

07장 과대적합 문제 해결 방법

__07-1 과대적합과 데이터 분할

____과대적합이 왜 문제일까?

____훈련 데이터와 검증 데이터 분할하기

__07-2 모델 설정을 위한 준비

____라이브러리와 데이터 불러오기

____탐색적 데이터 분석

____변수 지정과 인코딩

__07-3 모델 설정과 학습

____모델 설정과 데이터 분할

____조기 종료 콜백을 사용한 모델 학습

____손실 변화 시각화

____예측 성능 평가

__되새김 문제

 

08장 인공 신경망 분류 모델

__08-1 모델 설정을 위한 준비

____라이브러리와 데이터 불러오기

____탐색적 데이터 분석

__08-2 모델 설정과 학습

____변수 지정과 데이터 분할

____모델 설정

____모델 학습

__08-3 모델 예측과 성능 평가

____클래스별 확률 예측

____혼동행렬로 예측 결과 시각화

____새로운 데이터 예측

__되새김 문제

 

=============================

넷째마당 | 이미지 인식을 위한 인공 신경망 모델

=============================

09장 이미지 데이터와 인공 신경망 분류 모델

__09-1 이미지 데이터의 구조와 표현

____RGB 이미지의 구조

____이미지를 배열로 변환

__09-2 인공 신경망 모델 구현을 위한 준비

____라이브러리 불러오기

____MNIST 데이터 불러오기

____탐색적 데이터 분석

____데이터 전처리

__09-3 인공 신경망 기반 이미지 분류 모델 구현

____모델 설정

____모델 학습

____손실 변화 시각화

____예측 성능 평가

____예측 결과 시각화

__되새김 문제

 

10장 합성곱 신경망의 원리와 구조

__10-1 합성곱 신경망의 원리

____완전연결 신경망의 한계

____합성곱

____풀링

__10-2 합성곱 필터와 특징 추출

____필터

____합성곱과 풀링의 반복

__되새김 문제

 

11장 합성곱 신경망 모델 구현

__11-1 CNN 모델 구현을 위한 준비

____데이터 불러오기

____데이터 증강하기

____데이터 전처리

__11-2 CNN 모델 구현과 성능 확인

____모델 설정

____모델 학습

____예측 성능 평가

____특성 맵 확인

__되새김 문제

 

=============================

다섯째마당 | 시퀀스 데이터와 자연어 처리

=============================

12장 시퀀스 데이터와 순환 신경망

__12-1 시퀀스 데이터의 구조

____시퀀스 데이터란?

____데이터 전처리

____입력 시퀀스와 타깃 데이터 생성

__12-2 순환 신경망의 원리

____RNN(1)의 기억 업데이트 원리

____RNN(K)의 구조와 특징

____은닉 상태 벡터로 타깃 예측

__12-3 시계열 예측을 위한 데이터 준비

____데이터 불러오기

____데이터 전처리

____입력 시퀀스와 타깃 데이터 생성

____데이터 분할

__12-4 순환 신경망 모델 설정

____모델 설정과 학습

____예측 성능 시각화

__12-5 학습된 모델로 미래 예측

____미래 예측 방법

____미래 예측 함수 구현

__12-6 시퀀스 모델의 발전

____LSTM과 GRU

____어떤 모델을 선택해야 할까?

__되새김 문제

 

13장 문장 생성 모델

__13-1 문장 생성 모델의 구조

____토큰화

____입력 시퀀스와 타깃 시퀀스 생성

____임베딩

____문맥에 따른 의미 변화

__13-2 문장 생성 모델 구현

____말뭉치 데이터 불러오기

____토큰화 적용

____입력 시퀀스와 타깃 시퀀스 생성

____모델 설정과 학습

__13-3 새로운 문장 생성

____문장 생성 과정

____문장 생성 함수

____새로운 문장 생성하기

__되새김 문제

 

14장 감성 분석 모델

__14-1 감성 분석 모델의 구조와 구현 준비

____감성 분석 모델의 구조

____데이터 불러오기

____데이터 전처리

__14-2 감성 분석 모델 구현

____모델 설정과 학습

____예측 성능 평가

__되새김 문제

 

=============================

여섯째마당 | 트랜스포머 모델

=============================

15장 트랜스포머의 원리와 구조

__15-1 트랜스포머란?

____트랜스포머의 핵심 아이디어

____셀프 어텐션의 원리

__15-2 트랜스포머의 구조

____임베딩과 포지셔널 인코딩

____셀프 어텐션

____Q-K-V 구조

____멀티헤드 어텐션

____피드포워드 네트워크

__15-3 트랜스포머 모델 구현

____클래스 사용하기

____모델 설정

 

16장 트랜스포머를 활용한 문장 생성 모델

__16-1 문장 생성 모델 구현을 위한 준비

____클래스와 데이터 불러오기

____토큰화 적용과 입력 및 타깃 생성

__16-2 문장 생성 모델 구현

____인과 마스킹의 필요성

____모델 설정과 학습

____문장 생성

__되새김 문제

 

17장 트랜스포머를 활용한 이미지 분석 모델

__17-1 비전 트랜스포머 모델이란?

____비전 트랜스포머 모델의 등장

____비전 트랜스포머 모델의 구조

__17-2 비전 트랜스포머 모델 구현을 위한 준비

____클래스와 데이터 불러오기

____데이터 전처리와 분할

__17-3 비전 트랜스포머 모델 구현

____모델 설정

____모델 학습

____CNN과 ViT의 차이

__되새김 문제

 

18장 트랜스포머를 활용한 시계열 모델

__18-1 시계열 트랜스포머 모델의 구조

__18-2 시계열 트랜스포머 모델 구현을 위한 준비

____데이터 불러오기

____변수 설정과 데이터 분할

__18-3 시계열 트랜스포머 모델 구현

____모델 설정과 학습

____예측 성능 시각화

____미래값 예측

__되새김 문제

 

=============================

일곱째마당 | 의사결정 트리 모델과 앙상블 모델

=============================

19장 의사결정 트리 모델

__19-1 의사결정 트리 모델이란?

____의사결정 트리의 동작 원리

__19-2 결정 트리 모델 구현 1 ─ 분류 문제

____데이터 불러오기

____모델 설정과 학습

____결정 트리 구조 이해하기

____하이퍼파라미터와 과대적합 문제

__19-3 결정 트리 모델 구현 2 ─ 회귀 문제

____모델 설정과 학습

____트리의 깊이와 예측 성능

__되새김 문제

 

20장 앙상블 모델

__20-1 앙상블 모델이란?

____랜덤 포레스트 모델

____부스팅 앙상블 모델

__20-2 앙상블 모델 구현 1 ─ 회귀 문제

____데이터 준비와 전처리

____랜덤 포레스트 회귀 모델 구현

____LGBM 회귀 모델 구현

____입력 변수의 중요도 평가

____입력 변수 효과 시각화하기

__20-3 앙상블 모델 구현 2 ─ 분류 문제

____데이터 준비와 전처리

____LGBM 분류 모델 구현

____입력 변수의 중요도 평가

____입력 변수 효과 시각화하기

__되새김 문제

 

=============================

여덟째마당 | 행동으로 배우는 인공지능 ─ 강화학습

=============================

21장 강화학습과 Q-러닝

__21-1 강화학습이란?

____지도학습과 강화학습의 차이

____강화학습 사례

____강화학습의 구성 요소

__21-2 Q-러닝을 위한 그리드 월드 환경

____Q-러닝이란?

____그리드 월드 환경 구성하기

____환경 구현하기

__21-3 Q-러닝 첫걸음

____Q-테이블이란?

____Q-값 학습하기

____탐험과 활용 전략

____즉시 보상과 미래 보상

__21-4 벨만 방정식을 적용한 Q-러닝

____벨만 방정식이란?

____할인율의 역할

____벨만 방정식 기반 Q값 업데이트

____최적 경로 확인

__되새김 문제

 

22장 가치 기반 강화학습 — DQN

__22-1 DQN이 필요한 이유

____Q-테이블 방식의 한계

____DQN이란?

__22-2 DQN 실습을 위한 카트폴 환경

____카트폴 환경이란?

____환경 시뮬레이터 사용하기

__22-3 DQN의 구조와 학습 원리

____DQN의 신경망 구조

____DQN의 학습 과정

____DQN 모델의 한계

____경험 리플레이가 필요한 이유

__22-4 모델 설정과 경험 데이터 수집

____환경과 모델 설정

____타깃 모델 업데이트를 위한 함수 정의

____경험 데이터 수집

____조기 종료 벌칙과 데이터 저장

__22-5 모델 학습과 결과 분석

____경험 리플레이 학습

____학습 결과 확인과 조기 종료

____학습 결과 검토

__되새김 문제

 

23장 정책 기반 강화학습 — PPO

__23-1 PPO가 필요한 이유

____DQN의 한계

____PPO의 특징

__23-2 PPO의 구조와 학습 원리

____액터-크리틱 구조

____PPO 학습 과정

__23-3 PPO 실습을 위한 달 착륙선 환경

____달 착륙선 환경이란?

____환경 시뮬레이터 사용하기

__23-4 달 착륙선 환경에 PPO 구현하기

____달 착륙선 환경의 정책모델과 평가모델

____롤아웃 데이터 수집 과정

____PPO 구현하기

____학습 결과 확인하기

__되새김 문제

 

찾아보기