『AI 머신러닝 풀스택 웹 서비스 개발 VOL.2』는 단순한 머신러닝 이론 학습을 넘어, 실제 서비스로 동작하는 인공지능 웹 시스템을 직접 구축하는 과정을 중심으로 구성된 실전형 AI 개발서입니다.
Python 기반 머신러닝 모델 개발부터 FastAPI 백엔드 구축, PostgreSQL 데이터베이스 연동, Jinja2 템플릿 엔진, Bootstrap 기반 프론트엔드 UI 구성까지 하나의 흐름으로 학습할 수 있도록 설계되었습니다.

이 책은 데이터 분석 수준에서 끝나는 머신러닝이 아니라, 실제 웹 서비스 형태로 구현되는 “AI 풀스택 서비스 개발”을 목표로 합니다. 따라서 독자는 모델 학습 코드만 작성하는 것이 아니라 데이터 저장, API 설계, 사용자 입력 처리, 예측 결과 시각화, 추천 시스템 구축 등 실무에서 반드시 필요한 전체 개발 과정을 경험하게 됩니다.

특히 본서는 텍스트 분류, 차원 축소, 추천 시스템, 고객 행동 예측, 장바구니 분석 등 실제 산업 현장에서 많이 활용되는 대표적인 머신러닝 알고리즘들을 중심으로 구성되어 있으며, 각 장마다 다음과 같은 흐름으로 학습이 진행됩니다.

머신러닝 모델의 핵심 원리 이해
Python 및 Scikit-learn/XGBoost/LightGBM 실습
실전 데이터셋 기반 프로젝트 구현
PostgreSQL 데이터 저장 및 분석 시스템 구축
FastAPI 기반 REST API 개발
Bootstrap 기반 웹 서비스 UI 구현

2장에서는 Naive Bayes 기반 스팸 메일 분류 시스템을 구축하며 자연어 처리와 텍스트 분석의 기초를 학습합니다.
3장에서는 PCA(주성분 분석)를 통해 고차원 데이터를 축소하고 시각화하는 데이터 분석 시스템을 구현합니다.
4장에서는 협업 필터링 기반 영화 추천 시스템을 통해 추천 알고리즘과 사용자 맞춤형 서비스 개발을 경험합니다.
5장에서는 XGBoost 및 LightGBM을 활용하여 고객 구매 행동을 예측하는 고성능 머신러닝 시스템을 구축합니다.
6장에서는 연관 규칙 학습과 장바구니 분석을 통해 상품 추천 및 쇼핑몰 데이터 분석 시스템을 구현합니다.

또한 본서는 단순 예제 수준의 코드가 아니라 실제 서비스 구조를 고려한 프로젝트 중심 구성으로 되어 있어, AI 개발자·백엔드 개발자·데이터 분석가·웹 개발자를 목표로 하는 학습자들에게 매우 실용적인 내용을 제공합니다.

이 책을 통해 독자는 다음과 같은 역량을 갖추게 됩니다.

머신러닝 모델 구현 및 학습
PostgreSQL 기반 데이터 처리
FastAPI REST API 개발
AI 웹 서비스 아키텍처 설계
추천 시스템 및 예측 시스템 구축
실전 프로젝트 기반 포트폴리오 제작
AI 기반 풀스택 웹 서비스 개발 능력

『AI 머신러닝 풀스택 웹 서비스 개발 VOL.2』는 “머신러닝 모델 구현”에서 끝나는 것이 아니라, 실제 사용자가 이용할 수 있는 AI 웹 서비스를 완성하는 과정을 체계적으로 안내하는 실무 중심의 프로젝트형 AI 개발서입니다.

AI 머신러닝 풀스택 웹 서비스 개발 VOL2


1장 머신러닝 개발 환경 및 모델 개요
1.1 머신러닝 개발 환경 개요
1.2 개발 환경 구축
1.3 머신러닝 프로젝트
1.4 머신러닝 웹 서비스 개발


2장 나이브 베이즈 (Naive Bayes) 확률 기반 텍스트 분류 시스템
2.1 기본 개념과 모델 이해
2.2 Python 실습 — Scikit-learn 활용
2.3 실전 데이터셋 — 스팸 메일 분류
2.4 PostgreSQL 연동 — 사용자 메시지 분석 시스템
2.5 FastAPI 서비스 — 실시간 텍스트 분류 API


3장 주성분 분석 (PCA, Principal Component Analysis) 데이터 축소 시스템
3.1 기본 개념과 모델 이해
3.2 Python 실습 — Scikit-learn PCA 구현
3.3 실전 데이터셋 — 고객 데이터 차원 축소 분석
3.4 PostgreSQL 연동 — 데이터 축소 및 저장 시스템
3.5 FastAPI 서비스 — 데이터 시각화 및 분석 API


4장 협업 필터링(Collaborative Filtering) 기반 영화 추천 시스템
4.1 기본 개념과 모델 이해
4.2 Python 실습 — Surprise 라이브러리 활용
4.3 실전 데이터셋 — MovieLens 영화 추천
4.4 PostgreSQL 연동 — 영화 추천 시스템
4.5 FastAPI 서비스 — 사용자 맞춤 영화 추천


5장 XGBoost/LightGBM 기반 Gradient Boosting 고객 구매/행동 예측 시스템
5.1 기본 개념과 모델 이해
5.2 Python 실습 — XGBoost / LightGBM 모델 구현
5.3 실전 데이터셋 기반 프로젝트
5.4 PostgreSQL 연동 — 고객 구매 예측 시스템
5.5 FastAPI 서비스 — 고객 행동 예측 대시보드


6장 연관 규칙 학습 — 장바구니 분석
6.1 기본 개념과 모델 이해
6.2 Python 실습 — mlxtend 라이브러리 활용
6.3 실전 데이터셋 — Online Retail Dataset
6.4 PostgreSQL 연동 — 쇼핑몰 거래 분석 시스템
6.5 FastAPI 서비스 — 상품 추천 및 대시보드