핸즈온 머신러닝 2판의 주요 목표 6개는 다음과 같습니다:
- 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.
- 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.
- 최근 딥러닝 연구 중에서 중요한 결과를 담습니다.
- 모든 텐서플로 관련 장을 텐서플로 2로 업그레이드하고 코드를 간소화하기 위해 가능하면 케라스 API(tf.keras)를 사용해 텐서플로 모델을 구현합니다.
- 사이킷런, 넘파이, 판다스, 맷플롯립 등의 최신 라이브러리에 맞춰 예제 코드를 업데이트합니다.
- 일부 섹션을 명확하게 바꾸고 에러를 고칩니다.
추가된 장과 새로 쓰거나 재배치된 장이 있습니다. 다음 표는 1판과 2판의 장 사이에 연관성을 보여줍니다:
| 1판의 장 | 2판의 장 | 변경량(%) | 2판의 제목 |
|---|---|---|---|
| 1 | 1 | <10% | 한눈에 보는 머신러닝 |
| 2 | 2 | <10% | 머신러닝 프로젝트 처음부터 끝까지 |
| 3 | 3 | <10% | 분류 |
| 4 | 4 | <10% | 모델 훈련 |
| 5 | 5 | <10% | 서포트 벡터 머신 |
| 6 | 6 | <10% | 결정 트리 |
| 7 | 7 | <10% | 앙상블 학습과 랜덤 포레스트 |
| 8 | 8 | <10% | 차원 축소 |
| N/A | 9 | 100% 추가 | 비지도 학습 |
| 10 | 10 | ~75% | 케라스를 사용한 인공 신경망 소개 |
| 11 | 11 | ~50% | 심층 신경망 훈련하기 |
| 9 | 12 | 100% 재작성 | 텐서플로를 사용한 사용자 정의 모델과 훈련 |
| 12장 일부 | 13 | 100% 재작성 | 텐서플로에서 데이터 적재와 전처리하기 |
| 13 | 14 | ~50% | 합성곱 신경망을 사용한 컴퓨터 비전 |
| 14장 일부 | 15 | ~75% | RNN과 CNN을 사용해 시퀀스 처리하기 |
| 14장 일부 | 16 | ~90% | RNN과 어텐션을 사용한 자연어 처리 |
| 15 | 17 | ~75% | 오토인코더와 GAN을 사용한 표현 학습과 생성적 학습 |
| 16 | 18 | ~75% | 강화 학습 |
| 12장 일부 | 19 | ~75% 추가 | 대규모 텐서플로 모델 훈련과 배포 |
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 새로운ColumnTransformer소개 - 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, (
TensorBoard콜백을 포함한)콜백 추가
- 케라스 (시퀀셜, 함수형, 서브클래싱) API 소개, 모델 저장, (
- 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
