최신 인공지능/머신러닝용 비즈니스 솔루션을 똑 부러지게 마스터한다

『실용주의 인공지능』은 클라우드 기반의 현실 접목 머신러닝 개론서다. 저자 노아 기프트는 풍부한 집필과 실무 경험을 기반으로 NBA에 대한 소셜 미디어 영향력 예측, 미국 부동산 가격 예측 같은 현실에서 접목 가능한 사례에 대한 프로그래밍 예제를 통해 인공지능과 머신러닝을 실용적으로 접근할 수 있도록 설명하였다. 저자의 깃허브 사이트에는 이 모든 예제 코드들이 실시간으로 올라와 있다.

또한, 저자는 스포츠 마케팅, 프로젝트 관리, 제품 가격 책정, 부동산 및 기타 분야의 현실적인 문제를 해결하기 위해 클라우드 기반 인공지능/머신러닝 애플리케이션을 구축하는 방법을 단계별로 설명하였다.

추천사
감사의 글
목차
서문
저자에 대하여
역자에 대하여

Part 1 실용주의 인공지능 개론

Chapter 1 실용주의 인공지능(Pragmatic AI) 소개

파이썬의 기능 소개
절차적 구문(Procedural Statements)
출력하기(Printing)
변수를 생성하고 사용하기
다중 절차적 구문(Multiple Procedural Statements)
숫자 더하기
문장 합치기
복잡한 구문
Strings와 String 체계 이해하기
숫자를 더하고 빼기
소수점 숫자 곱하기
지수 연산 수행하기

다른 수치 자료형으로 변환하기
숫자 반올림하기
자료 구조
Dictionary 자료 구조
List 자료 구조
함수(Functions)

파이썬에서 제어 구조(Control Structure) 사용하기
for 루프
While 루프
If/Else
중급의 주제들
마지막 생각들

Chapter 2 인공지능(AI)과 머신러닝(ML) 툴체인

파이썬 데이터 과학 생태계: IPython, 판다스, 넘파이, 주피터 노트북, Sklearn

R, R스튜디오, 샤이니(Shiny)와 ggplot

스프레드시트(Spreadsheet): 엑셀(Excel)과 구글 시트(Google Sheet)

아마존 웹 서비스 기반의 클라우드 인공지능 개발

AWS의 데브옵스(DevOps)
컨티뉴어스 딜리버리(Continuous Delivery)
AWS용 소프트웨어 개발 환경 만들기
주피터 노트북과 (프로젝트) 통합하기
커맨드라인 툴과 (프로젝트) 통합하기
AWS 코드파이프라인(CodePipeline)과 (프로젝트) 통합하기

데이터 과학을 위한 기본적인 도커(Docker) 셋업

기타 빌드 서버: 젠킨스(Jenkins), 서클CI(CircleCI) 및 트래비스(Travis)

| 요약 |

Chapter 3 스파르탄 인공지능(Spartan AI) 라이프 사이클

실용적인 프로덕션을 위한 피드백 루프

AWS 세이지메이커(SageMaker)

AWS 글루(Glue) 피드백 루프

AWS 배치(Batch)

도커(Docker) 기반의 피드백 루프

| 요약 |

Part 2 클라우드에서의 인공지능

Chapter 4 구글 클라우드 플랫폼을 이용한 클라우드 인공지능 개발

GCP 개요

코래버러토리(Colaboratory)

데이터랩(Datalab)
데이터랩을 도커 및 구글 컨테이너 레지스트리와 연동해 사용하기
강력한 컴퓨팅 자원에서 데이터랩 사용하기

빅쿼리(BigQuery)
커맨드라인 명령을 이용해 빅쿼리로 데이터 이동하기

구글 클라우드 AI 서비스
구글 비전 API를 이용해 나의 개(Dog) 분류해 보기

클라우드 TPU와 텐서플로(TensorFlow)
클라우드 TPU에서 MNIST 실행하기

| 요약 |

Chapter 5 ｜ 아마존 웹 서비스를 이용한 클라우드 인공지능 개발

AWS를 이용해 증강 현실(Augmented Reality, AR)과 가상 현실(Virtual Reality, VR) 솔루션 구축하기
컴퓨터 비전: EFS와 플라스크를 사용하는 AR/VR 파이프라인
EFS, 플라스크 및 판다스에 기반한 데이터 엔지니어링 파이프라인

| 요약 |

Part 3 처음부터 실제 인공지능 응용 프로그램 만들기

Chapter 6 NBA에 대한 소셜 미디어의 영향력 예측 1

문제에 대한 기술: 무엇을 풀 것인가?

데이터 모으기

도전적인 데이터 소스 수집하기
운동선수에 대한 위키피디아 페이지뷰(Wikipedia Pageview) 수집하기
운동선수의 트위터 참여도(Twitter Engagement) 정보 수집하기
NBA 운동선수의 데이터 탐색하기

비지도 학습(Unsupervised Learning) 기반의 NBA 선수 분석
R로 NBA 선수 데이터 클러스터링 결과의 고급 플롯 그려보기
팀, 선수, 영향력, 기업 후원(Endorsement) 등 모든 것을 고려하기

보다 실용적인 단계와 학습

| 요약 |

Chapter 7 AWS를 이용해 지능형 슬랙봇 만들기

봇 만들기

라이브러리를 커맨드라인 툴로 변환하기

AWS 스텝 펑션으로 봇을 다음 레벨로 진화

셋업을 위해 IAM 크리덴셜 확보
챌리스(Chalice)로 작업하기

스텝 펑션 만들기

| 요약 |

Chapter 8 깃허브 구조에서 프로젝트 관리 통찰력 얻기

소프트웨어 프로젝트 관리 문제의 개요
생각해 볼 만한 문제들

데이터 과학 프로젝트를 위한 초기 스켈레톤 코드 만들기

데이터를 수집하고 변환하기

깃허브 구조(GitHub Organization) 전체와 대화하기

특정 도메인에 관련된 통계 생성하기

데이터 과학 프로젝트를 CLI와 엮어 보기

주피터 노트북으로 깃허브 구조 탐색
팰럿(Pallets) 깃허브 프로젝트

CPython 프로젝트에서 파일 메타데이터 살펴보기

CPython 프로젝트에서 지운 파일들 살펴보기

파이썬 패키지 인덱스에 프로젝트 배포하기

| 요약 |

Chapter 9 EC2 객체를 AWS에서 동적으로 최적화하기

AWS에서 잡 실행하기
스폿 인스턴스(Spot Instances)

| 요약 |

Chapter 10 부동산

미국의 부동산 가격에 대해 살펴보기

파이썬에서 대화형 가시화 수행하기

크기 순위와 가격을 기준으로 클러스터링

| 요약 |

Chapter 11 사용자 제작 컨텐츠를 위한 생산적 인공지능

넷플릭스 상을 받은 알고리즘은 프로덕션 레벨로 구현된 적이 없다

추천 시스템의 핵심 개념

파이썬에서 서프라이즈(Surprise) 프레임워크 사용하기

추천 시스템에 대한 클라우드 솔루션

실제 상황에서 발생하는 추천 관련 이슈들

실제 이슈들: 프로덕션 API와 연동하기

실제 이슈들: 클라우드 자연어 처리(NLP) 및 생산 감정 분석하기
어주어(Azure)에서의 NLP
GCP에서의 NLP
엔티티(Entity) API 탐색하기
자연어 처리(NLP)를 위한 AWS의 서버리스 인공지능 파이프라인

| 요약 |

부록 A 인공지능 가속기
부록 B 클러스터 크기 결정하기
색인(INDEX)

노아 기프트