Detail View

AWS가 제공하는 머신 러닝 서비스를 이용하면, 복잡한 머신 러닝 내부 알고리즘과 기술을 배우지 않고도 AWS의 S3나, RDS, 레드시프트에 저장된 데이터로 학습 모델을 만들고 애플리케이션을 개발할 수 있다. 직관적인 웹 기반 마법사 기능과 자동화를 위한 SDK, 데이터 변환을 위한 레시피, 학습된 모델의 성능 평가 결과가 자동으로 제공되고, AWS의 다른 서비스와 연동해 배치 또는 실시간으로 예측할 수 있으며, 사용한만큼만 비용이 지불되는 완전 관리형 서비스다.

아마존 머신 러닝을 이용해 처음부터 예측 분석까지 수행하는 방법, 중요 데이터 과학 개념에 대한 실습 경험, 고전 회귀 및 분류 문제 해결, 명령행 인터페이스와 Python SDK를 이용해 프로젝트 실행, 아마존 생태계를 활용해 확장된 데이터 소스, 실시간 또는 고급 프로젝트 구현 등을 알려준다.

AWS가 제공하는 머신 러닝 서비스를 이용하면, 사용자가 복잡한 머신 러닝 내부 알고리즘과 기술을 배우지 않고도 AWS의 S3나, RDS, 레드시프트에 저장된 데이터로 학습 모델을 만들고 애플리케이션을 개발할 수 있다.
직관적인 웹 기반 마법사 기능과 자동화를 위한 SDK, 데이터 변환을 위한 레시피, 학습된 모델의 성능 평가 결과가 자동으로 제공되고, AWS의 다른 서비스와 연동해 배치 또는 실시간으로 예측할 수 있으며, 사용한만큼만 비용이 지불되는 완전 관리형 서비스다.

★ 이 책에서 다루는 내용 ★

- 아마존 머신 러닝을 이용해 처음부터 예측 분석까지 수행하는 방법
- 중요 데이터 과학 개념에 대한 실습 경험
- 고전 회귀 및 분류 문제 해결
- 명령행 인터페이스와 Python SDK를 이용해 프로젝트 실행
- 아마존 생태계를 활용해 확장된 데이터 소스
- 실시간 또는 고급 프로젝트 구현

★ 이 책의 대상 독자 ★

실제 인공 지능 애플리케이션을 구축하려고 하는 파이썬 개발자를 위한 책이다.
파이썬 초보자도 쉽게 사용할 수 있지만, 파이썬에 익숙하다면 코드를 활용해 다양한 작업을 할 수 있다. 인공 지능 기술을 갖고 싶은 경험이 있는 파이썬 개발자에게도 유용하다

★ 이 책의 구성 ★

1장, '머신 러닝과 예측 분석 소개'에서는 아마존 머신 러닝 서비스에 대한 일반적인 소개와 이것으로 처리할 수 있는 예측 분석 문제를 담고 있다. 서비스가 단순한 선형 모델을 회귀와 분류 문제에 사용하는 방법을 보이고, 아마존 머신 러닝으로 성공적인 예측을 할 수 있는 환경을 제시한다.
2장, '머신 러닝의 정의와 개념'에서는 아마존 머신 러닝 서비스를 사용하고 동작을 완전히 이해하기 위해 머신 러닝 개념을 설명한다. 또한 실제 데이터를 다룰 때 사용하는 데이터 처리 기술이 무엇인지, 예측 모델의 성능을 어떻게 평가하는지, 낮은 예측 성능을 개선할 수 있는 전략은 무엇인지에 관해서도 설명한다.
3장, '아마존 머신 러닝 워크플로우 개요'에서는 간단한 아마존 머신 러닝 프로젝트 개요를 다룬다. 아마존 머신 러닝 플랫폼을 시작하는 방법과 계정을 만드는 방법, 계정을 보호하는 방법을 배운다. 유명한 데이터셋으로 간단한 수치형 예측 문제를 살펴볼 것이다. 데이터를 준비하고, 모델을 훈련하고 선택하고, 예측하는 방법을 설명한다.
4장, '데이터셋 준비하기'에서는 아마존 머신 러닝의 레시피를 이용해 데이터를 변환하는 기능을 제공한다. 데이터를 S3에 업로드하고, 교차 유효성 검증을 구현하고, 스키마를 만들고, 데이터의 동계를 검토한다. 새롭게 출시된 AWS SQL 서비스인 아테나(Athena)를 이용해 아마존 머신 러닝의 특징 공학과 데이터 정리 기능을 확장한다.
5장,' 모델 생성'에서는 아마존 머신 러닝의 데이터 변환과 레시피로 사용하는 방법을 살펴본다. 모델을 훈련하고 튜닝한 후, 여러 가지 예측 척도를 분석해 최선의 것을 선택한다. 확률적 경사 하강 알고리즘과 여러 정규화 타입의 사용을 설명한다. 마지막으로 아마존 머신 러닝 이 모델을 훈련하는 동안 어떤 일이 발생하는지 더 잘 이해하기 위해 훈련 로그를 분석한다.
6장, '예측과 성능'에서는 새로 훈련한 모델로 이전에 보여준 적이 없는 데이터에 대한 예측을 실시하고, 성능과 강건성을 평가한다. 배치 예측 방법과 실시간 예측을 위한 접점을 설정하는 방법을 알려준다.
7장, '명령행과 SDK' AWS 웹 인터페이스를 사용해 프로젝트를 관리하고 실행하는 것은 시간이 많이 걸리기 때문에 웹 인터페이스에서 벗어나 AWS 명령행(CLI)과 Boto3 라이브러리를 이용한 Python SDK로 실행한다. 교차 유효성 검증과 반복적 특징 선택을 구현한다.
8장, '레드시프트에서 데이터 소스 만들기'에서는 SQL 질의를 이용해 비선형 데이터셋을 처리한다. 레드시프트를 이용하면 데이터 소스를 만들기 전에 SQL기반의 특징 공학을 할 수 있다. S3에서 데이터를 레드시프트에 적재하고, 데이터베이스에 접속하고, 질의를 실행하고 결과를 내보내는 방법을 살펴본다.
9장, '실시간 데이터 분석 파이프라인 구축하기'에서는 아마존 머신 러닝을 다른 AWS 서비스와 결합해 확장한다. AWS 키네시스와 람다, 레드시프트, 머신 러닝을 결합해 실시간 트윗 분석 데이터 파이프라인을 구축한다.

Information Provided By: :

1장. 머신 러닝과 예측 분석 소개

	

__아마존 머신 러닝 소개

____서비스로서의 머신 러닝

____AWS 융합 활용하기

____성능 비교

____가격 책정

__예측 분석 이해

____가장 간단한 예측 분석 알고리즘 구축하기

____회귀와 분류

____로지스틱 회귀로 회귀를 분류 문제로 확장하기

____결과를 예측하기 위한 특징 추출하기

__예측을 위한 선형 모델 심화

데이터셋 검증

____아마존 머신 러닝에서 결여된 것

____통계적 접근과 머신 러닝 접근

__요약



2장. 머신 러닝 정의와 개념



__알고리즘? 모델?

__지저분한 데이터 다루기

____고전적인 데이터셋과 실제 데이터셋

____다중 분류 모델에 관한 가정

____누락값

____정규화

____불균형 데이터셋

____다중공선성 해결

____이상값 검출

____비선형 패턴 수용

____특징 추가

____전처리 요약

__예측 분석 작업 흐름

____아마존 머신 러닝에서 학습과 평가

__저품질 인지와 수정

____언더피팅

____오버피팅

____선형 모델에 관한 정규화

____모델의 성능 평가

__요약



3장. 아마존 머신 러닝 워크플로 개요



__AWS 계정 만들기

____보안

__계정 설정하기

____유저 생성

____정책 정하기

____로그인 크리덴셜 생성

__표준 아마존 머신 러닝 워크플로 개요

____데이터셋

__모델

__모델 평가

__배치 예측 만들기

__요약



4장. 데이터셋 준비하기



__데이터셋으로 작업하기

____공개 데이터셋 찾기

____타이타닉 데이터셋 소개

__데이터 준비

____데이터 나누기

____데이터를 S3에 올리기

__데이터 소스 만들기

____데이터 스키마 확인

____스키마 재사용

__데이터 통계 진단

__아테나와 특징 공학

____아테나 소개

____타이타닉 데이터셋 만들기

__SQL로 데이터 가공하기

____누락값

____개선된 데이터 소스 만들기

__요약



5장. 모델 생성



__레시피로 데이터 변환하기

____변수 관리

____일곱 가지 변환을 통한 데이터 처리

__모델 만들기

____제안된 레시피 편집하기

____모델의 매개변수화

__평가 생성하기

____모델 평가하기

__로그 분석

____학습률 최적화

__요약



6장. 예측과 성능



__배치 예측 만들기

____배치 예측 작업 만들기

____예측 결과 해석하기

__실시간 예측 만들기

____수작업으로 변수의 영향 조사

____실시간 예측 설정

__요약



7장. 명령행과 SDK



__시작과 설정

____CLI vs SDK 사용하기

____AWS CLI 설치

____CLI 구문 가져오기

____JSON 파일을 이용해 파라미터 전달하기

____Ames Housing 데이터셋 소개

____쉘 명령으로 데이터셋 분리하기

__CLI를 사용하는 간단한 프로젝트

____아마존 머신 러닝 CLI 명령 개요

____데이터 소스 만들기

____모델 만들기

____create-evaluation 명령으로 모델 평가하기

____교차 유효성 검증이란?

____몬테 카를로 교차 유효성 검증 구현하기

____결론

__Boto3, the Python SDK

____아마존 머신 러닝을 위한 Python SDK로 작업하기

____Boto3로 반복적 특징 선택 구현하기

__요약



8장. 레드시프트에서 데이터 소스 만들기



__RDS와 레드시프트 중에서 선택

____레드시프트 인스턴스 만들기

____Psql로 레드시프트 질의 실행하기

____비선형 데이터셋 만들기

__다항회귀 소개

____기준선 정하기

__아마존 머신 러닝에서 다항회귀

____Python에서 실험하기

____결과 해석하기

__요약



9장. 실시간 데이터 분석 파이프라인 구축하기



__실시간 트위터 감성 분석

____트위터의 인기 콘테스트

____데이터셋과 모델 훈련하기

____키네시스

____트윗 수집하기

____레드시프트 데이터베이스 

____Redshfit를 키네시스 Firehose에 더하기

____Lambda로 전처리하기

____결과 분석하기

__분류와 회귀를 넘어서

__요약

Information Provided By: :