딥러닝과 머신러닝의 초보 실무자나 실무 관리자를 위한 책이다. 딥러닝과 머신러닝은 데이터가 가장 중요하며, 데이터에서 모든 것이 시작된다. 데이터를 어떻게 다듬고, 구성하고, 사용해야 하는지를 상세히 설명한다. 모델 산출도 중요하지만 그다음이 더 중요하다. 모델의 성능을 어떻게 평가해야 하는지, 각 성능치가 의미하는 바가 무엇인지, 산출된 모델을 어떤 방식으로 개선해 나가야 하는지를 명료하게 해설한다. 언어 모델이나, 상담 챗봇, 이미지 생성/합성 등 화려한 최신 모델에 대한 책은 아니다. 기본에 충실해 독자가 실무 수행 중에 채워 넣어야 할 항목들을 담백하게 설명한다.

견고한 개념적 기초를 제공할 뿐만 아니라 독자가 자신의 프로젝트와 솔루션을 설계하는 데 적용할 실용적인 지침을 제공한다. 현재 이 분야에서 표준으로 인정되는 모델 평가 방식을 소개하면서 이를 이용해 머신러닝 모델의 성능을 조정하고 평가하는 방법을 설명한다. 책 전반에 걸쳐 직관이 강조된다. 실용적인 지식은 직관을 기반으로 하기 때문이다.
완벽한 책은 없다. 이 책은 입문서 수준의 책일 뿐이다. 이 책의 마지막 장은 딥러닝 혁명으로의 여정을 계속하면서 다음으로 살펴볼 만한 주제가 무엇인지 제시해준다. 즐거운 탐험이 되길 바란다.
― 마이클 모저(Michael C. Mozer) 박사/ 콜로라도 대학교 볼더 캠퍼스 컴퓨터 과학과, 인지 과학 연구소 교수/ 캘리포니아 마운틴 뷰 구글 연구소 연구 과학자

◆ k-최근접 이웃 알고리듬, 랜덤 포레스트, 서포트 벡터 머신 등의 고전적인 머신러닝 모델 사용 방법
◆ 신경망의 작동 원리와 학습 방법
◆ 컨볼루션 신경망의 사용 방법
◆ 성공적인 딥러닝 모델을 바닥부터 개발하는 방법

머신러닝에 대한 배경 지식은 없지만 이 기술에 관심이 많아 여러 가지 실습을 해보고 싶은 독자를 위한 안내서다. 수학적인 내용은 최소한으로 했다. 이 책의 목표는 머신러닝의 핵심 개념을 이해하고 앞으로 이 분야에서 일할 때 도움이 될 직관을 구축하는 것이다.
컴퓨터 프로그래밍 언어 중 아무 언어나 어느 정도 익숙하다고 가정한다. 이 책에서는 학생이든 대기업이든 머신러닝 분야에서 많이 사용하는 언어인 파이썬을 사용한다. 고등학교 저학년 수학에는 익숙하지만 미적분학에는 익숙하지 않다고 가정할 것이다. 약간의 미적분학은 언급하겠지만, 자세한 내용을 몰라도 기본적인 아이디어를 이해할 수 있다. 또한 약간의 통계 지식과 기본적인 확률론은 알고 있다고 가정한다. 고등학교 졸업 후 완전히 잊어버렸더라도 괜찮다. 내용을 따라가기에 충분한 배경 지식을 본문에서 소개한다.

1장, ‘시작하기’에서는 이 책에서 실습을 수행할 때 필요한 작업 환경을 설정하는 방법을 설명한다. 또한 이후에 나오는 설명의 배경 지식으로 사용할 수 있게 벡터, 행렬, 확률, 통계를 주제로 한 절이 포함돼 있다.
2장, ‘파이썬 사용’은 파이썬을 사용할 수 있게 안내한다.
3장, ‘넘파이 사용’에서는 파이썬을 확장한 라이브러리인 넘파이에 관해 이야기한다. 이 라이브러리로 인해 파이썬이 머신러닝에 유용한 언어가 됐다. 넘파이에 익숙해지도록 이 장을 정독할 것을 권장한다.
4장, ‘데이터 작업’에서는 좋은 데이터 세트를 구축하는 방법을 배울 수 있다.
5장, ‘데이터 세트 구축’에서는 책에서 사용될 데이터 세트를 구축한다. 데이터 세트를 증강시키는 방법도 배운다.
6장, ‘고전적인 머신러닝’에서는 머신러닝 초기에 사용됐던 모델 중 일부를 다룬다. 어디를 향해 가고 있는지 이해하고자 때로는 어디에서 왔는지를 알아보는 것이 중요하다.
7장, ‘고전 모델 실습’에서는 머신러닝에 대한 초기 접근 방식의 강점과 약점을 보여준다. 산출된 결과는 이 후의 장에서 비교 목적으로 참조할 것이다.
8장, ‘신경망 소개’에서는 신경망을 자세히 알아본다. 현대의 딥러닝은 신경망을 근간으로 한다.
9장, ‘신경망 학습’에서는 신경망이 학습되는 원리를 이해하는 데 필요한 지식을 소개한다. 몇 가지 기본적인 미적분 개념이 포함돼 있지만 당황할 필요는 없다. 직관을 만들어주는 것이 목적이므로 개념 위주로 내용을 구성했고, 처음에는 표기법이 낯설게 느껴질 수도 있지만 쉽게 이해할 수 있도록 자세히 설명한다.
10장, ‘실용적인 신경망 예제’는 실제로 데이터를 다루는 느낌과 직관을 얻을 수 있게 다양한 실습으로 구성돼 있다.
11장, ’모델 평가’는 모델을 평가하는 과정을 자세히 안내한다. 머신러닝 분야의 논문, 강연, 강의에서 논의되는 결과를 이해하려면 모델을 평가하는 방법을 알아야 한다.
12장, ‘컨볼루션 신경망 소개’에서는 CNN 네트워크의 기본 빌딩 블록을 설명한다. 이 책이 초점을 맞추고 있는 딥러닝 개념은 컨볼루션 신경망(CNN, Convolutional Neural Network)이라는 아이디어를 통해 실현된다.
13장, ‘케라스와 MNIST를 활용한 CNN 분석’에서는 딥러닝 분야의 기본 데이터 세트인 MNIST 데이터 세트를 이용한 실습을 통해 CNN 작동 원리를 살펴본다.
14장, ‘CIFAR-10 데이터 세트 실습’에서는 CIFAR-10이라는 또 다른 기본 데이터 세트를 살펴본다. 이 데이터 세트는 실질적인 이미지로 구성돼 있어 CNN 모델을 실험하기에 적합하다.
15장, ‘사례 연구: 오디오 샘플 분류’에서는 사례 연구로 모든 논의를 마무리한다. 흔치 않은 새로운 데이터 세트로 시작해 이를 분류하기 위한 좋은 모델을 구축하는 과정을 따라가 본다.
16장, ‘추가 학습’에서는 간과했던 몇 가지를 지적하고 다음에 공부해야 할 것에 집중할 수 있게 머신러닝과 관련된 주변의 산더미 같은 리소스를 살펴보는 데 도움이 될 내용을 담았다.

이 책을 쓰던 2020년에 참석한 머신러닝 콘퍼런스에는 13,000명 이상이 참석했다. 머신러닝 분야는 폭발적으로 성장했다. 유행처럼 쉽게 사라질 주제는 아니다. 머신러닝은 우리 삶에 지대한 영향을 미쳤고 앞으로도 그럴 것이다. 머신러닝 기술은 종종 과장된 광고의 형태로 발표되는 경우가 많기 때문에 핵심 개념을 제대로 파악해둘 필요가 있다. 이 책의 목적은 바로 머신러닝의 핵심적인 내용을 알려주는 데 있다. 특별히 딥러닝 접근 방식에 초점을 맞출 것이다.

로널드 크누젤(Ronald Kneusel)

2003년부터 산업 현장에서 머신러닝 기술을 활용해 왔으며 2016년 볼더에 있는 콜로라도 대학교에서 머신러닝 분야의 박사 학위를 받았다. 현재는 엘쓰리해리스 테크놀로지스(L3Harris Technologies Inc.)에서 근무하고 있다. 스프링거(Springer) 출판사에서 『Numbers and Computers(숫자와 컴퓨터)』와 『Random Numbers and Computers(난수와 컴퓨터)』라는 두 권의 책을 출판하기도 했다.

기본에 충실한 좋은 책을 번역할 수 있는 과분한 기회를 잡았다. 화려하지는 않지만 딥러닝과 머신러닝 실무자 혹은 실무 관리자가 빠트리기 쉬운 핵심 포인트들을 잘 짚어낸 책이다. 딥러닝과 머신러닝 실무 수행 중 뭔가 부족하다는 불안한 마음이 든다면 이 책에서 직접적인 해결 방법이나 간접적인 실마리를 찾을 수 있을 것이다.
저자의 의도를 전달하는 데 집중하면서 정성을 다해 번역했다. 문장의 본질적인 의미를 살리려다 보니 원문과 거리감이 있는 의역이 다소 있다. 역자의 주관이 개입될 위험을 무릅쓰고 영어 표현을 그대로 옮겼을 때 생길 수 있는 지면 낭비를 없애 보려고 노력한 것이니 너그러운 아량으로 읽어 주기 바란다.

백성복

1992년, 한국개발연구원에서 주임 연구원으로 근무하면서 처음으로 신경망을 접했다. 1995년, KT 융합기술원으로 자리를 옮겨 다양한 통신망 기술을 연구하다가 2016년부터 딥러닝과 강화학습 기반의 네트워크 지능화 연구에 매진하고 있다. 컴퓨터 과학 전공으로 강원대 학사, 숭실대 석사를 거쳐 일리노이 공학대학교에서 박사 학위를 취득했으며, ITU-T FG-ML5GFocus Group on Machine Learning for Future Networks including 5G 부의장, TTA 표준화위원회 인공지능 기반 기술 프로젝트 그룹(PG1005) 부의장 등을 역임했고, 국가 ICT 표준화 전략 수립에도 참여하고 있다.