매일 사용하는 AI, 어떻게 답을 만들어 내는 걸까?

복잡한 수식 없이도 ‘직접 만들며’ AI 모델의 원리를 이해하자

챗GPT, 제미나이, 클로드 같은 생성형 AI가 일상이 된 지금, AI를 잘 활용하는 것을 넘어 AI 모델이 어떻게 학습하고 예측하는지를 이해하는 역량이 더욱 중요해지고 있다. 《Do it! 쉽게 배우는 머신러닝 + 딥러닝》은 코랩과 파이썬 기초부터 머신러닝, 딥러닝, 트랜스포머, 강화학습까지 AI의 핵심 기술과 모델을 직접 구현하며 배우는 실습 중심의 입문서이다.

이 책에서는 선형 회귀와 로지스틱 회귀같은 머신러닝의 기초부터 인공 신경망, CNN, RNN, 트랜스포머, ViT, 앙상블 모델, Q-러닝, DQN, PPO까지 AI의 핵심 모델을 직접 구현하며 학습한다. 단순히 라이브러리 사용법을 익히는 데 그치지 않고, 모델이 만들어지는 원리와 학습 과정을 단계별로 이해하고 실제 데이터를 활용해 성능 평가와 개선까지 자연스럽게 익힐 수 있다. 또한 이미지, 텍스트, 시계열 데이터 등 다양한 예제로 AI가 각 데이터를 어떻게 학습하는지 폭넓게 경험할 수 있다.

[목 차]

=============================

첫째마당 | 머신러닝의 첫걸음

=============================

01장 머신러닝을 알아야 AI가 보인다

__01-1 머신러닝의 원리 이해하기
____머신러닝이란?

____모델과 학습 과정 살펴보기

__01-2 머신러닝의 절차와 유형

____머신러닝의 절차

____머신러닝의 학습 유형

 

02장 코랩 사용법과 파이썬 기초 익히기

__02-1 코랩 시작하기

____코랩 사용하기

____셀과 노트북 이해하기

__02-2 파이썬 자료형 이해하기

____숫자형

____문자형

____리스트

____튜플

____딕셔너리

__02-3 파이썬 라이브러리 사용하기

____라이브러리 이해하기

____판다스

____맷플롯립

____라이브러리 불러오기

____데이터 불러오기

__02-4 데이터프레임 활용하기9

____속성

____메서드

____인덱싱

__02-5 반복문과 조건문 활용하기

____반복문

____조건문

__되새김 문제

 

=============================

둘째마당 | 기초 머신러닝 모델

=============================

03장 선형 회귀 모델

__03-1 선형 회귀 모델

__03-2 회귀 모델 구현을 위한 준비

____라이브러리 설치와 데이터 생성

____탐색적 데이터 분석

__03-3 선형 회귀 모델의 예측 방법

____타깃과 입력 지정하기

____예측 함수 설정하기

__03-4 선형 회귀 모델 설정과 학습

____임의의 파라미터로 예측하기

____모델 클래스를 사용해 학습하기

__03-5 모델 예측과 성능 평가

____예측 결과 확인하기

____손실 계산하기

____예측 성능 시각화하기

__03-6 회귀 모델 개선하기

____입력 변수 확장으로 모델 개선

____선형 회귀 모델의 한계

__되새김 문제

 

04장 로지스틱 회귀 모델

__04-1 로지스틱 회귀 모델이란?

____회귀 문제와 분류 문제

____확률 기반 예측 방법

__04-2 로지스틱 회귀 모델 구현을 위한 준비

____인코딩의 종류

____인코딩 적용 방법

__04-3 로지스틱 회귀 모델의 예측 방법

____확률 예측 방법

____크로스 엔트로피 손실 함수

__04-4 로지스틱 회귀 모델 설정과 학습

____데이터 생성과 탐색적 데이터 분석

____로지스틱 회귀 모델 설정과 학습

__04-5 모델 예측과 성능 평가

____예측 성능 시각화하기

____입력 변수의 효과 시각화하기

____새로운 입력 예측하기

__되새김 문제 128

 

=============================

셋째마당 | 인공 신경망 모델의 구조와 원리

=============================

05장 행렬 연산과 텐서의 이해

__05-1 배열 데이터의 구조

__05-2 벡터와 행렬 연산

____벡터와 행렬 만들기

____행렬 곱 계산하기

____벡터의 선형 변환

____행렬을 사용한 선형 회귀 모델

__05-3 텐서와 자동 미분

____그래디언트

____경사하강법

____텐서를 사용한 경사하강법 실습

__되새김 문제

 

06장 인공 신경망 모델 기초

__06-1 인공 신경망이란?

____인공 신경망 이해하기

____인공 신경망의 구조

__06-2 인공 신경망 모델 구현을 위한 준비

____라이브러리와 데이터 불러오기

____데이터 생성과 변수 설정

____탐색적 데이터 분석

__06-3 인공 신경망 모델 설정

____인공 신경망 모델의 구조 결정하기

____인공 신경망 모델 설정하기

____활성화 함수 적용하기

__06-4 인공 신경망 모델 학습

____학습 과정 이해하기

____랜덤 시드 고정하기

____컴파일과 학습 시작하기

__06-5 성능 평가와 구조 개선

____예측 성능 평가하기

____모델 구조 개선하기

__되새김 문제

 

07장 과대적합 문제 해결 방법

__07-1 과대적합과 데이터 분할

____과대적합이 왜 문제일까?

____훈련 데이터와 검증 데이터 분할하기

__07-2 모델 설정을 위한 준비

____라이브러리와 데이터 불러오기

____탐색적 데이터 분석

____변수 지정과 인코딩

__07-3 모델 설정과 학습

____모델 설정과 데이터 분할

____조기 종료 콜백을 사용한 모델 학습

____손실 변화 시각화

____예측 성능 평가

__되새김 문제

 

08장 인공 신경망 분류 모델

__08-1 모델 설정을 위한 준비

____라이브러리와 데이터 불러오기

____탐색적 데이터 분석

__08-2 모델 설정과 학습

____변수 지정과 데이터 분할

____모델 설정

____모델 학습

__08-3 모델 예측과 성능 평가

____클래스별 확률 예측

____혼동행렬로 예측 결과 시각화

____새로운 데이터 예측

__되새김 문제

 

=============================

넷째마당 | 이미지 인식을 위한 인공 신경망 모델

=============================

09장 이미지 데이터와 인공 신경망 분류 모델

__09-1 이미지 데이터의 구조와 표현

____RGB 이미지의 구조

____이미지를 배열로 변환

__09-2 인공 신경망 모델 구현을 위한 준비

____라이브러리 불러오기

____MNIST 데이터 불러오기

____탐색적 데이터 분석

____데이터 전처리

__09-3 인공 신경망 기반 이미지 분류 모델 구현

____모델 설정

____모델 학습

____손실 변화 시각화

____예측 성능 평가

____예측 결과 시각화

__되새김 문제

 

10장 합성곱 신경망의 원리와 구조

__10-1 합성곱 신경망의 원리

____완전연결 신경망의 한계

____합성곱

____풀링

__10-2 합성곱 필터와 특징 추출

____필터

____합성곱과 풀링의 반복

__되새김 문제

 

11장 합성곱 신경망 모델 구현

__11-1 CNN 모델 구현을 위한 준비

____데이터 불러오기

____데이터 증강하기

____데이터 전처리

__11-2 CNN 모델 구현과 성능 확인

____모델 설정

____모델 학습

____예측 성능 평가

____특성 맵 확인

__되새김 문제

 

=============================

다섯째마당 | 시퀀스 데이터와 자연어 처리

=============================

12장 시퀀스 데이터와 순환 신경망

__12-1 시퀀스 데이터의 구조

____시퀀스 데이터란?

____데이터 전처리

____입력 시퀀스와 타깃 데이터 생성

__12-2 순환 신경망의 원리

____RNN(1)의 기억 업데이트 원리

____RNN(K)의 구조와 특징

____은닉 상태 벡터로 타깃 예측

__12-3 시계열 예측을 위한 데이터 준비

____데이터 불러오기

____데이터 전처리

____입력 시퀀스와 타깃 데이터 생성

____데이터 분할

__12-4 순환 신경망 모델 설정

____모델 설정과 학습

____예측 성능 시각화

__12-5 학습된 모델로 미래 예측

____미래 예측 방법

____미래 예측 함수 구현

__12-6 시퀀스 모델의 발전

____LSTM과 GRU

____어떤 모델을 선택해야 할까?

__되새김 문제

 

13장 문장 생성 모델

__13-1 문장 생성 모델의 구조

____토큰화

____입력 시퀀스와 타깃 시퀀스 생성

____임베딩

____문맥에 따른 의미 변화

__13-2 문장 생성 모델 구현

____말뭉치 데이터 불러오기

____토큰화 적용

____입력 시퀀스와 타깃 시퀀스 생성

____모델 설정과 학습

__13-3 새로운 문장 생성

____문장 생성 과정

____문장 생성 함수

____새로운 문장 생성하기

__되새김 문제

 

14장 감성 분석 모델

__14-1 감성 분석 모델의 구조와 구현 준비

____감성 분석 모델의 구조

____데이터 불러오기

____데이터 전처리

__14-2 감성 분석 모델 구현

____모델 설정과 학습

____예측 성능 평가

__되새김 문제

 

=============================

여섯째마당 | 트랜스포머 모델

=============================

15장 트랜스포머의 원리와 구조

__15-1 트랜스포머란?

____트랜스포머의 핵심 아이디어

____셀프 어텐션의 원리

__15-2 트랜스포머의 구조

____임베딩과 포지셔널 인코딩

____셀프 어텐션

____Q-K-V 구조

____멀티헤드 어텐션

____피드포워드 네트워크

__15-3 트랜스포머 모델 구현

____클래스 사용하기

____모델 설정

 

16장 트랜스포머를 활용한 문장 생성 모델

__16-1 문장 생성 모델 구현을 위한 준비

____클래스와 데이터 불러오기

____토큰화 적용과 입력 및 타깃 생성

__16-2 문장 생성 모델 구현

____인과 마스킹의 필요성

____모델 설정과 학습

____문장 생성

__되새김 문제

 

17장 트랜스포머를 활용한 이미지 분석 모델

__17-1 비전 트랜스포머 모델이란?

____비전 트랜스포머 모델의 등장

____비전 트랜스포머 모델의 구조

__17-2 비전 트랜스포머 모델 구현을 위한 준비

____클래스와 데이터 불러오기

____데이터 전처리와 분할

__17-3 비전 트랜스포머 모델 구현

____모델 설정

____모델 학습

____CNN과 ViT의 차이

__되새김 문제

 

18장 트랜스포머를 활용한 시계열 모델

__18-1 시계열 트랜스포머 모델의 구조

__18-2 시계열 트랜스포머 모델 구현을 위한 준비

____데이터 불러오기

____변수 설정과 데이터 분할

__18-3 시계열 트랜스포머 모델 구현

____모델 설정과 학습

____예측 성능 시각화

____미래값 예측

__되새김 문제

 

=============================

일곱째마당 | 의사결정 트리 모델과 앙상블 모델

=============================

19장 의사결정 트리 모델

__19-1 의사결정 트리 모델이란?

____의사결정 트리의 동작 원리

__19-2 결정 트리 모델 구현 1 ─ 분류 문제

____데이터 불러오기

____모델 설정과 학습

____결정 트리 구조 이해하기

____하이퍼파라미터와 과대적합 문제

__19-3 결정 트리 모델 구현 2 ─ 회귀 문제

____모델 설정과 학습

____트리의 깊이와 예측 성능

__되새김 문제

 

20장 앙상블 모델

__20-1 앙상블 모델이란?

____랜덤 포레스트 모델

____부스팅 앙상블 모델

__20-2 앙상블 모델 구현 1 ─ 회귀 문제

____데이터 준비와 전처리

____랜덤 포레스트 회귀 모델 구현

____LGBM 회귀 모델 구현

____입력 변수의 중요도 평가

____입력 변수 효과 시각화하기

__20-3 앙상블 모델 구현 2 ─ 분류 문제

____데이터 준비와 전처리

____LGBM 분류 모델 구현

____입력 변수의 중요도 평가

____입력 변수 효과 시각화하기

__되새김 문제

 

=============================

여덟째마당 | 행동으로 배우는 인공지능 ─ 강화학습

=============================

21장 강화학습과 Q-러닝

__21-1 강화학습이란?

____지도학습과 강화학습의 차이

____강화학습 사례

____강화학습의 구성 요소

__21-2 Q-러닝을 위한 그리드 월드 환경

____Q-러닝이란?

____그리드 월드 환경 구성하기

____환경 구현하기

__21-3 Q-러닝 첫걸음

____Q-테이블이란?

____Q-값 학습하기

____탐험과 활용 전략

____즉시 보상과 미래 보상

__21-4 벨만 방정식을 적용한 Q-러닝

____벨만 방정식이란?

____할인율의 역할

____벨만 방정식 기반 Q값 업데이트

____최적 경로 확인

__되새김 문제

 

22장 가치 기반 강화학습 — DQN

__22-1 DQN이 필요한 이유

____Q-테이블 방식의 한계

____DQN이란?

__22-2 DQN 실습을 위한 카트폴 환경

____카트폴 환경이란?

____환경 시뮬레이터 사용하기

__22-3 DQN의 구조와 학습 원리

____DQN의 신경망 구조

____DQN의 학습 과정

____DQN 모델의 한계

____경험 리플레이가 필요한 이유

__22-4 모델 설정과 경험 데이터 수집

____환경과 모델 설정

____타깃 모델 업데이트를 위한 함수 정의

____경험 데이터 수집

____조기 종료 벌칙과 데이터 저장

__22-5 모델 학습과 결과 분석

____경험 리플레이 학습

____학습 결과 확인과 조기 종료

____학습 결과 검토

__되새김 문제

 

23장 정책 기반 강화학습 — PPO

__23-1 PPO가 필요한 이유

____DQN의 한계

____PPO의 특징

__23-2 PPO의 구조와 학습 원리

____액터-크리틱 구조

____PPO 학습 과정

__23-3 PPO 실습을 위한 달 착륙선 환경

____달 착륙선 환경이란?

____환경 시뮬레이터 사용하기

__23-4 달 착륙선 환경에 PPO 구현하기

____달 착륙선 환경의 정책모델과 평가모델

____롤아웃 데이터 수집 과정

____PPO 구현하기

____학습 결과 확인하기

__되새김 문제

 

찾아보기