핸즈온 머신러닝 2판의 주요 목표 6개는 다음과 같습니다:

1. 추가적인 ML 주제를 다룹니다: 비지도 학습 기법(군집, 이상치 탐지, 밀도 추정, 혼합 모델), 심층 신경망 훈련 방법(자기 정규화 신경망), 컴퓨터 비전 기법(Xception, SENet, YOLO를 사용한 객체 탐지, R-CNN을 사용한 시맨틱 분할), CNN으로 시퀀스 다루기(WaveNet), RNN/CNN/트랜스포머를 사용한 자연어 처리, 생성적 적대 신경망.
2. 추가적인 라이브러리와 API를 다룹니다: 케라스, 데이터 API, 강화 학습을 위한 TF-Agents, 분산 전략 API를 사용한 대규모 TF 모델 훈련과 배포, TF 서빙, 구글 클라우드 AI 플랫폼.
3. 최근 딥러닝 연구 중에서 중요한 결과를 담습니다.
4. 모든 텐서플로 관련 장을 텐서플로 2로 업그레이드하고 코드를 간소화하기 위해 가능하면 케라스 API(tf.keras)를 사용해 텐서플로 모델을 구현합니다.
5. 사이킷런, 넘파이, 판다스, 맷플롯립 등의 최신 라이브러리에 맞춰 예제 코드를 업데이트합니다.
6. 일부 섹션을 명확하게 바꾸고 에러를 고칩니다.

추가된 장과 새로 쓰거나 재배치된 장이 있습니다. 다음 표는 1판과 2판의 장 사이에 연관성을 보여줍니다:

조금 더 구체적인 2판의 주요 변경 사항은 다음과 같습니다(설명 보완, 오류 수정, 코드 업데이트는 제외합니다):

• 1장 – 한눈에 보는 머신러닝
  • ML 애플리케이션 사례와 알고리즘 추가
  • 훈련 세트와 검증 세트/테스트 세트가 다를 때 처리 방법 추가
• 2장 – 머신러닝 프로젝트 처음부터 끝까지
  • 신뢰 구간 계산 방법 추가
  • 설치 안내 보강 (예를 들어, 윈도우 환경)
  • 업그레이드된 OneHotEncoder와 새로운 ColumnTransformer 소개
  • 배포, 모니터링, 유지보수에 관한 상세 내용 추가
• 4장 – 모델 훈련
  • 훈련 샘플이 IID를 만족해야 하는 필요성 설명
• 7장 – 앙상블 학습과 랜덤 포레스트
  • XGBoost 절 추가
• 9장 – 비지도 학습 (새로운 장)
  • K-평균을 사용한 군집, 클러스터 수를 선택하는 방법, 차원 축소 용도로 사용하는 방법, 준지도 학습, 이미지 분할 등
  • DBSCAN 군집 알고리즘과 사이킷런에 있는 다른 군집 알고리즘 소개
  • 가우시안 혼합 모델, EM 알고리즘, 베이지안 변분 추론, 혼합 모델을 군집, 밀도 추정, 이상치 탐지, 특이치 탐지에 사용하는 방법
  • 다른 이상치 탐지와 특이치 탐지 알고리즘 소개
• 10장 – 케라스를 사용한 인공 신경망 소개 (거의 다시 씀)
  • 케라스 (시퀀셜, 함수형, 서브클래싱) API 소개, 모델 저장, (TensorBoard 콜백을 포함한)콜백 추가
• 11장 – 심층 신경망 훈련하기 (변경 사항 많음)
  • 자기 정규화 신경망, SELU 활성화 함수, 알파 드롭아웃 소개
  • 자기 지도 학습 소개
  • Nadam 최적화 추가
  • 몬테 카를로 드롭아웃 추가
  • 적응적 최적화 방법의 위험에 관한 노트 추가
  • 실용적 가이드라인 업데이트
• 12장 – 텐서플로를 사용한 사용자 정의 모델과 훈련 (완전히 재작성)
  • 텐서플로 2 소개
  • 텐서플로의 저수준 파이썬 API
  • 사용자 정의 손실 함수, 지표, 층, 모델 작성하기
  • 자동 미분을 사용하여 사용자 정의 훈련 알고리즘 만들기
  • 텐서플로 함수와 그래프 (트레이싱과 오토그래프 포함)
• 13장 – 텐서플로에서 데이터 적재와 전처리하기 (새로운 장)
  • 데이터 API
  • TFRecord를 사용하여 효율적으로 데이터 적재/저장
  • 사용자 정의 전처리 층 작성, 케라스 전처리 층 사용, 원-핫 벡터/BoW/TF-IDF/임베딩을 사용해 범주형 특성과 텍스트 인코딩
  • TF 변환과 TF 데이터셋 소개
  • 저수준 신경망 구현을 연습문제로 이동
  • 데이터 API로 대체된 큐와 리더 내용을 삭제
• 14장 – 합성곱 신경망을 사용한 컴퓨터 비전
  • Xception과 SENet 구조 추가
  • ResNet-34의 케라스 구현 추가
  • 케라스로 사전 훈련된 모델 사용하는 방법
  • 엔드-투-엔드 전이 학습 예제 추가
  • 분류와 위치 추정(localization) 추가
  • 완전 합성곱 신경망(FCN) 소개
  • YOLO 구조를 사용한 객체 탐지 소개
  • R-CNN을 사용한 시맨틱 분할 소개
• 15장 – RNN과 CNN을 사용해 시퀀스 처리하기
  • Wavenet 소개 추가
  • 인코더-디코더 구조와 양방향 RNN을 16장으로 이동
• 16장 – RNN과 어텐션을 사용한 자연어 처리 (새로운 장)
  • 시퀀셜 데이터를 다루기 위해 데이터 API 사용하는 방법 설명
  • 상태가 있는 경우와 상태가 없는 Char-RNN을 사용한 엔드-투-엔트 텍스트 생성 예제
  • LSTM을 사용한 엔드-투-엔드 감성 분석 예제
  • 케라스 마스킹 설명
  • TF 허브를 사용해 사전 훈련된 임베딩 재사용하는 방법
  • 텐서플로 애드온의 seq2seq를 사용해 신경망 기계 번역을 위한 인코더-디코더 만드는 방법
  • 빔 검색 소개
  • 어텐션 메커니즘 소개
  • 비주얼 어텐션에 대한 간단한 소개와 설명 가능성에 대한 노트 추가
  • 위치 임베딩과 멀티-헤드 어텐션을 포함한 완전한 어텐션 기반 트랜스포머 구조 소개
  • 최신 언어 모델에 대한 소개 추가 (2018년)
• 17장 – 오토인코더와 GAN을 사용한 표현 학습과 생성적 학습
  • 합성곱 오토인코더와 순환 오토인코더 추가
  • 기본 GAN, 심층 합성곱 GAN(DCGAN), ProGAN, StyleGAN을 포함한 생성적 적대 신경망(GAN) 추가
• 18장 – 강화 학습
  • 더블 DQN, 듀얼링 DQN, 우선 순위 기반 경험 재생
  • TF Agents 소개
• 19장 – 대규모 텐서플로 모델 훈련과 배포 (거의 다시 씀)
  • TF 서빙과 구글 클라우드 AI 플랫폼을 사용한 텐서플로 모델 서빙
  • TFLite를 사용하여 모바일이나 임베디드 장치에 모델 배포하기
  • GPU를 사용하여 계산 속도를 높이기
  • 분산 전략 API를 사용해 여러 장치에서 모델 훈련하기