[목 차]

[PART I 모델 구축]

CHAPTER 1 파이토치 소개

_1.1 머신러닝이란

_1.2 전통적인 프로그래밍의 한계

_1.3 프로그래밍에서 학습으로

_1.4 파이토치란

_1.5 파이토치 사용하기

_1.6 머신러닝 시작하기

_1.7 마치며

CHAPTER 2 컴퓨터 비전 소개

_2.1 컴퓨터 비전의 작동 방식

_2.2 컴퓨터 비전을 위한 뉴런

_2.3 신경망 설계

_2.4 신경망 훈련

_2.5 모델 출력 살펴보기

_2.6 과대적합

_2.7 조기 종료

_2.8 마치며

CHAPTER 3 고급 컴퓨터 비전: 이미지에서 특징 감지하기

_3.1 합성곱

_3.2 풀링

_3.3 합성곱 신경망 만들기

_3.4 합성곱 신경망 살펴보기

_3.5 말과 사람을 구별하는 CNN 만들기

_3.6 이미지 증식

_3.7 전이 학습

_3.8 다중 분류

_3.9 드롭아웃 규제

_3.10 마치며

CHAPTER 4 파이토치 데이터셋

_4.1 데이터셋 시작하기

_4.2 FashionMNIST 클래스 살펴보기

_4.3 제너릭 데이터셋 클래스

_4.4 사용자 정의 분할 사용하기

_4.5 머신러닝 데이터 관리를 위한 ETL 프로세스

_4.6 로드 단계 최적화하기

_4.7 DataLoader 클래스 사용하기

_4.8 훈련 성능 향상을 위해 ETL 병렬화하기

_4.9 마치며

CHAPTER 5 자연어 처리 소개

_5.1 언어를 숫자로 인코딩하기

_5.2 불용어 제거와 텍스트 정제

_5.3 실제 데이터 다루기

_5.4 마치며

CHAPTER 6 임베딩을 사용한 감성 프로그래밍

_6.1 단어의 의미 구축하기

_6.2 파이토치의 임베딩

_6.3 임베딩 시각화

_6.4 사전 훈련된 임베딩 사용하기

_6.5 마치며

CHAPTER 7 자연어 처리를 위한 순환 신경망

_7.1 순환 구조

_7.2 순환을 언어로 확장하기

_7.3 RNN으로 텍스트 분류기 만들기

_7.4 RNN에 사전 훈련된 임베딩 사용하기

_7.5 마치며

CHAPTER 8 머신러닝으로 텍스트 생성하기

_8.1 시퀀스를 입력 시퀀스로 변환하기

_8.2 모델 만들기

_8.3 텍스트 생성하기

_8.4 데이터셋 확장하기

_8.5 모델 구조 개선하기

_8.6 데이터 개선하기

_8.7 문자 기반 인코딩

_8.8 마치며

CHAPTER 9 시퀀스와 시계열 데이터 이해하기

_9.1 시계열의 공통 특징

_9.2 시계열 예측 기법

_9.3 마치며

CHAPTER 10 시퀀스를 예측하는 머신러닝 모델 만들기

_10.1 윈도 데이터셋 만들기

_10.2 DNN을 만들고 시퀀스 데이터로 훈련하기

_10.3 DNN의 결과 평가하기

_10.4 학습률 튜닝하기

_10.5 마치며

CHAPTER 11 시퀀스 모델을 위한 합성곱 신경망과 순환 신경망

_11.1 시퀀스 데이터를 위한 합성곱

_11.2 NASA 날씨 데이터 사용하기

_11.3 RNN으로 시퀀스 모델링하기

_11.4 다른 순환 층

_11.5 드롭아웃 사용하기

_11.6 양방향 RNN 사용하기

_11.7 마치며

[PART II 모델 사용]

CHAPTER 12 추론의 개념

_12.1 텐서

_12.2 이미지 데이터

_12.3 텍스트 데이터

_12.4 모델의 텐서 출력

_12.5 마치며

CHAPTER 13 서빙을 위해 파이토치 모델 호스팅하기

_13.1 TorchServe 소개

_13.2 TorchServe 설정

_13.3 플라스크로 서빙하기

_13.4 마치며

CHAPTER 14 서드 파티 모델과 허브 사용하기

_14.1 허깅 페이스 허브

_14.2 파이토치 허브

_14.3 마치며

CHAPTER 15 트랜스포머와 transformers

_15.1 트랜스포머 이해하기

_15.2 인코더-디코더 구조

_15.3 transformers API

_15.4 transformers 시작하기

_15.5 핵심 개념

_15.6 마치며

CHAPTER 16 사용자 정의 데이터와 함께 LLM 사용하기

_16.1 LLM 미세 튜닝

_16.2 LLM 프롬프트 튜닝

_16.3 마치며

CHAPTER 17 Ollama로 LLM 서빙하기

_17.1 Ollama 시작하기

_17.2 서버로 Ollama 실행하기

_17.3 Ollama LLM을 사용하는 애플리케이션 구축하기

_17.4 마치며

CHAPTER 18 RAG 소개

_18.1 RAG란 무엇인가요?

_18.2 RAG 시작하기

_18.3 RAG 콘텐츠와 LLM 사용하기

_18.4 마치며

CHAPTER 19 허깅 페이스의 diffusers를 사용한 생성 모델 활용

_19.1 디퓨전 모델이란

_19.2 허깅 페이스의 diffusers 사용하기

_19.3 마치며

CHAPTER 20 LoRA와 diffusers를 사용한 이미지 생성 모델 튜닝

_20.1 diffusers로 LoRA 미세 튜닝하기

_20.2 마치며

앤드루 응 (DeepLearning.AI 설립자)

로런스 모로니는 개발자들이 AI 분야에서 성과를 거둘 수 있도록 돕는 데 중요한 역할을 해 왔습니다. 이 책은 트랜스포머를 포함한 최신 AI 흐름에 독자가 대비할 수 있도록 안내하며, 최선을 다해 파이토치를 배우길 바라는 이들에게 엄청난 모험이 될 것입니다.

라우라 우스카테기 (DynG AI, Inc.의 공동창업자)

로런스가 또다시 해냈습니다! 복잡한 AI 개념을 개발자가 쉽게 배울 수 있도록 훌륭하게 풀어 낸 책입니다. 이 책은 『개발자를 위한 머신러닝&딥러닝』의 파이토치 버전으로, 더 넓고 열정적인 커뮤니티가 머신러닝을 활용할 수 있도록 도와줄 것입니다.

루이스-프랑수아 부샤르 (AI 교육자, Towards AI의 공동창업자이자 CTO)

AI를 배우고 싶은 개발자나 컴퓨터 과학 전공 학생 모두에게 필요한 책입니다. 로런스는 명확한 기초 이론과 이해를 돕는 그래픽, 잘 설명된 파이토치 코드를 유기적으로 결합했습니다. 컴퓨터 비전, 시계열, NLP까지 폭넓게 다루며 탄탄한 머신러닝 기초를 쌓을 수 있는 실용적인 가이드입니다

아마르 모하나 (AI 컨설턴트 및 강사)

‘이론보다 코드 먼저’라는 로런스의 접근 방식은 개발자의 진입 장벽을 효과적으로 낮췄습니다. 『개발자를 위한 머신러닝&딥러닝』에 이은 이번 파이토치 버전은 LLM 미세 튜닝, RAG, 스테이블 디퓨전까지 아우르며 생성형 AI 시대를 위한 확실한 업그레이드를 제시합니다.