2025년 04월 24일 출간 | ISBN : 115839604X | 392쪽 | 규격外

▣ 01장: 머신러닝 엔지니어링 소개 1.1 기술 요구 사항 1.2 데이터 관련 직무 분류 __1.2.1 데이터 과학자 __1.2.2 ML 엔지니어 __1.2.3 ML옵스 엔지니어 __1.2.4 데이터 엔지니어 1.3 효과적인 팀으로 일하기 1.4 실제 환경에서의 머신러닝 엔지니어링 1.5 머신러닝 솔루션은 어떤 모습인가? __1.5.1 왜 파이썬인가? 1.6 고수준 머신러닝 시스템 설계 __1.6.1 예제 1: 배치 이상 탐지 서비스 __1.6.2 예제 2: 예측 API __1.6.3 예제 3: 분류 파이프라인 1.7 요약 ▣ 02장: 머신러닝 개발 프로세스 2.1 기술 요구 사항 2.2 도구 설정 __2.2.1 AWS 계정 설정 2.3 개념에서 솔루션까지의 4단계 __2.3.1 CRISP-DM과 비교 __2.3.2 발견 __2.3.3 플레이 __2.3.4 개발 __2.3.5 배포 2.4 요약 ▣ 03장: 모델에서 모델 팩토리까지 3.1 기술적 요구사항 3.2 모델 팩토리 정의하기 3.3 학습이란 무엇인가 __3.3.1 목표 정의하기 __3.3.2 손실 최소화하기 __3.3.3 데이터 준비하기 3.4 머신러닝을 위한 특징 공학 __3.4.1 범주형 특징 처리하기 __3.4.2 수치형 특징 처리하기 3.5 훈련 시스템 설계하기 __3.5.1 훈련 시스템 설계 옵션 __3.5.2 훈련-실행 __3.5.3 훈련-보관 3.6 드리프트와 재훈련 __3.6.1 데이터 드리프트 감지 __3.6.2 개념 드리프트 탐지하기 __3.6.3 한계 설정하기 __3.6.4 드리프트를 진단하기 __3.6.5 드리프트 대응 방안 __3.6.6 모니터링을 위한 다른 도구 __3.6.7 훈련 자동화하기 __3.6.8 자동화의 계층 __3.6.9 하이퍼파라미터 최적화 3.6.10 오토ML 3.7 모델 영속화하기 3.8 파이프라인으로 모델 팩토리 구축하기 __3.8.1 사이킷런 파이프라인 __3.8.2 스파크 ML 파이프라인 3.9 요약 ▣ 04장: 패키징 4.1 기술적 요구사항 4.2 좋은 파이썬 코드 작성하기 __4.2.1 파이썬 기초 다지기 __4.2.2 유용한 기법 __4.2.3 파이썬 코딩 관례 __4.2.4 PySpark 코딩 스타일 4.3 코딩 스타일 선택하기 __4.3.1 객체 지향 프로그래밍 __4.3.2 함수형 프로그래밍 4.4 코드 패키징하기 __4.4.1 패키지를 만드는 이유 __4.4.2 어떤 코드를 패키지로 만들까? __4.4.3 패키지 설계하기 4.5 패키지 빌드하기 __4.5.1 Makefile로 환경 관리하기 __4.5.2 Poetry로 시작하기 4.6 테스팅, 로깅, 보안 및 오류 처리 __4.6.1 테스팅 __4.6.2 솔루션 보안 __4.6.3 코드의 보안 문제 분석하기 __4.6.4 의존성 패키지의 보안 점검 __4.6.5 로깅 __4.6.6 오류 처리 4.7 바퀴를 재발명하지 않기 4.8 요약 ▣ 05장: 배포 패턴과 도구 5.1 기술적 요구사항 5.2 시스템 설계 __5.2.1 시스템 설계 원칙 5.3 대표적인 머신러닝 패턴 __5.3.1 데이터 레이크 __5.3.2 마이크로서비스 __5.3.3 이벤트 기반 설계 __5.3.4 일괄 처리 5.4 컨테이너화 5.5 AWS에서 자체 마이크로서비스 호스팅 __5.5.1 ECR로 푸시하기 __5.5.2 ECS에 배포하기 5.6 Airflow를 활용한 일반 파이프라인 구축 __5.6.1 Airflow __5.6.2 MWAA __5.6.3 Airflow를 위한 CI/CD 파이프라인 구축 5.7 고급 ML 파이프라인 구축 __5.7.1 ZenML __5.7.2 Kubeflow 5.8 배포 전략 선택 5.9 요약 ▣ 06장: 스케일링 6.1 기술적 요구사항 6.2 스파크로 확장하기 __6.2.1 스파크 팁과 트릭 __6.2.2 클라우드상의 스파크, AWS EMR 6.3 서버리스 인프라 구축 6.4 쿠버네티스로 대규모 컨테이너화하기 6.5 Ray로 확장하기 __6.5.1 ML을 위한 Ray 시작하기 __6.5.2 Ray의 컴퓨팅 확장 __6.5.3 Ray를 활용한 서빙 계층 확장 6.6 대규모 시스템 설계 6.7 요약 ▣ 07장: 딥러닝, 생성형 AI, LLM옵스 7.1 딥러닝 __7.1.1 파이토치 기초 __7.1.2 딥러닝 확장과 프로덕션 적용 __7.1.3 미세 조정과 전이 학습 7.2 대규모 언어 모델 __7.2.1 LLM 기본 개념과 구조 __7.2.2 API를 통한 LLM 활용 __7.2.3 LLM으로 코딩하기 7.3 LLM 검증과 프롬프트 관리·운영 __7.3.1 LLM 검증하기 __7.3.2 프롬프트옵스(PromptOps) 7.4 요약 ▣ 08장: 예제 ML 마이크로서비스 구축 8.1 기술 요구사항 8.2 예측 문제 이해 8.3 예측 서비스 설계 8.4 도구 선택 8.5 훈련 스케일링 8.6 FastAPI로 모델 서빙하기 __8.6.1 응답 및 요청 스키마 __8.6.2 마이크로서비스에서 모델 관리하기 __8.6.3 모든 구성 요소 통합하기 8.7 쿠버네티스를 활용한 컨테이너화와 배포 __8.7.1 애플리케이션 컨테이너화 __8.7.2 쿠버네티스로 확장하기 __8.7.3 배포 전략 8.8 요약 ▣ 09장: ETML(추출, 변환, 머신러닝) 사례 연구 9.1 기술 요구사항 9.2 일괄 처리 문제 이해 9.3 ETML 솔루션 설계 9.4 도구 선택하기 __9.4.1 인터페이스와 저장소 __9.4.2 모델 확장 __9.4.3 ETML 파이프라인 스케줄링 9.5 빌드 실행 __9.5.1 고급 Airflow 기능을 사용한 ETML 파이프라인 구축 9.6 요약