책 소개글

이 책은 딥러닝 입문부터 실전 프로젝트, 그리고 웹 서비스 배포까지 한 흐름으로 학습할 수 있도록 구성한 실무형 입문서​입니다. 최근 인공지능 기술은 이미지 분류, 텍스트 분석, 추천 시스템, 예측 모델 등 다양한 분야에서 빠르게 활용되고 있습니다. 하지만 많은 학습 자료가 특정 이론에만 치우치거나, 반대로 코드 실습만 나열하는 경우가 많아 처음 시작하는 학습자에게는 전체 흐름을 이해하기 어렵다는 한계가 있습니다. 이 책은 그러한 어려움을 줄이기 위해 “딥러닝 모델을 이해하고, 직접 만들고, 실제 서비스 형태로 배포하는 과정”​을 단계적으로 익힐 수 있도록 구성했습니다.

1장에서는 AI, 머신러닝, 딥러닝의 관계를 이해하고, TensorFlow, Keras, PyTorch의 구조를 간단히 비교하며, 파이썬과 VS Code 기반의 개발 환경을 구축합니다. 이후 첫 딥러닝 실습을 통해 전체 학습 흐름을 가볍게 경험할 수 있도록 했습니다. 2장에서는 NumPy, Pandas, 데이터 분할, TensorFlow Dataset API, 이미지/텍스트 전처리 등 모델 성능의 기초가 되는 데이터 전처리와 입력 파이프라인을 다룹니다.

3장부터 5장까지는 본격적인 모델 학습 파트입니다. 3장에서는 퍼셉트론과 다층 퍼셉트론(MLP), DNN 설계 전략, 과적합 방지 기법을 다루며, 표 형식 데이터 분류 모델을 직접 구현합니다. 4장에서는 CNN의 기본 구조와 경량 CNN 설계, 이미지 분류 실습, Transfer Learning을 학습하고, 최종적으로 이미지 분류 프로젝트를 완성합니다. 5장에서는 RNN, LSTM, GRU를 바탕으로 시계열과 자연어 처리의 기본 구조를 이해하고, 텍스트 분류 모델 및 API 프로젝트까지 연결합니다.

6장에서는 손실 함수, 옵티마이저, 모델 평가, 하이퍼파라미터 튜닝, 저장 및 로드, 경량화 전략 등 모델 성능 개선과 운영을 위한 핵심 요소를 정리합니다. 이어서 7장에서는 FastAPI를 활용해 학습한 모델을 실제 웹 서비스로 연결하는 방법을 다루며, 파일 업로드, 예측 API, Jinja2 기반 UI, 비동기 처리까지 실습합니다. 8장에서는 PostgreSQL 연동, Docker 기반 배포, 클라우드 배포, Colab 연계 흐름, 최종 포트폴리오 구성 전략까지 다루어, 단순 모델 실습을 넘어 실제 취업 포트폴리오 수준의 결과물을 만들 수 있도록 안내합니다.

이 책의 가장 큰 특징은 이론 → 코드 실습 → 프로젝트 → 배포로 이어지는 일관된 학습 구조입니다. 각 장은 독립적으로 읽을 수 있으면서도, 앞 장에서 익힌 내용을 다음 장에서 자연스럽게 확장하도록 설계되어 있습니다. 또한 책의 마지막 부록에는 딥러닝 치트시트를 수록하여, 자주 사용하는 전처리 코드, 모델 구성 패턴, 평가 지표, 과적합 방지 기법, 저장 및 배포 흐름을 빠르게 다시 확인할 수 있도록 했습니다.

이 책은 다음과 같은 독자에게 특히 적합합니다. 첫째, 딥러닝을 처음 배우지만 단순 이론이 아니라 실제로 작동하는 프로젝트를 만들고 싶은 학습자. 둘째, TensorFlow/Keras 기반으로 이미지 분류와 텍스트 분류 모델을 구현해 보고 싶은 대학생, 취업 준비생, 개발 입문자. 셋째, 학습한 모델을 FastAPI, DB, Docker와 연결하여 ​실제 서비스 형태로 확장하는 경험을 쌓고 싶은 독자입니다.

딥러닝은 더 이상 연구실 안에만 머무는 기술이 아닙니다. 데이터를 이해하고, 모델을 설계하고, 결과를 서비스로 연결하는 능력은 이제 다양한 개발 분야에서 중요한 경쟁력이 되었습니다. 이 책이 독자 여러분에게 딥러닝의 기초를 탄탄히 다지고, 실전 프로젝트를 완성하며, 자신만의 포트폴리오를 구축하는 출발점​이 되기를 바랍니다.

소스 코드 활용방법

이 책의 예제와 프로젝트 실습에는 다양한 소스 코드가 포함되어 있습니다. 독자 여러분은 본문에서 핵심 개념과 코드 구조를 학습한 뒤, 제공되는 소스 코드를 직접 실행하고 수정해 보면서 학습 효과를 더욱 높일 수 있습니다. 이 책의 소스 코드는 단순 참고용이 아니라, 딥러닝 모델 학습부터 FastAPI 기반 웹 서비스 구현, PostgreSQL 연동, Docker 배포까지 전체 실습 흐름을 직접 따라 해 볼 수 있도록 구성된 실습 자료​입니다.

소스 코드는 장별 학습 흐름에 맞추어 정리되어 있습니다. 1장과 2장에서는 개발 환경 설정, NumPy/Pandas 실습, 데이터 전처리 예제 코드가 제공되며, 3장부터 5장까지는 MLP/DNN, CNN, RNN/LSTM/GRU, 텍스트 분류 및 시계열 예측 모델 예제가 포함되어 있습니다. 또한 6장에서는 모델 평가 및 저장 관련 코드, 7장에서는 FastAPI 기반 AI 서비스 코드, 8장에서는 PostgreSQL 연동 및 Docker 배포 예제까지 확인할 수 있습니다. 따라서 독자 여러분은 각 장을 학습할 때 해당 장의 소스 폴더를 함께 열어 보며, 본문의 설명과 실제 코드가 어떻게 연결되는지 비교하면서 학습하시면 좋습니다.

소스 코드를 활용할 때는 다음과 같은 순서를 권장합니다. 먼저 본문의 개념 설명과 예제 코드를 충분히 읽고, 코드가 해결하려는 문제가 무엇인지 이해합니다. 그다음 제공된 전체 소스 코드를 실행하여 결과를 확인합니다. 이후에는 하이퍼파라미터 값, 레이어 수, 데이터 전처리 방식, API 응답 형식 등을 조금씩 바꿔 보면서 결과가 어떻게 달라지는지 실험해 보시기 바랍니다. 딥러닝 학습은 단순히 코드를 읽는 것보다 직접 실행하고 수정하며 결과를 비교하는 과정에서 훨씬 빠르게 익숙해집니다.

실습을 진행할 때는 가상환경을 먼저 생성하고 필요한 패키지를 설치하는 것을 권장합니다. 예제에 필요한 주요 라이브러리는 TensorFlow, scikit-learn, pandas, FastAPI, SQLAlchemy 등이며, 일부 프로젝트에서는 PostgreSQL과 Docker 환경이 필요할 수 있습니다. 또한 이미지 분류나 Transfer Learning 실습은 PC 환경에 따라 실행 시간이 길어질 수 있으므로, 필요에 따라 GPU 환경 또는 Colab을 함께 활용하면 더욱

1장 딥러닝 개요 및 개발 환경 구축
1.1 AI / ML / DL 구조 이해
1.2 TensorFlow & Keras & Pytorch 구조
1.3 파이썬 다운로드 및 설치
1.4 VS Code 파이썬 개발 환경 설정
1.5 패키지 관리
1.6 CPU & GPU & TPU
1.7 첫 딥러닝 실습


2장 데이터 전처리 & 파이프라인
2.1 데이터 전처리 핵심 개념
2.2 NumPy & Pandas 실전
2.3 데이터 샘플링 전략(CPU 최적화)
2.4 데이터 분할 전략
2.5 TensorFlow Dataset API
2.6 이미지 데이터 전처리
2.7 텍스트 데이터 전처리


3장 MLP / DNN 모델
3.1 퍼셉트론 개념
3.2 다층 퍼셉트론 (MLP)
3.3 DNN 설계 전략
3.4 모델 구현
3.5 과적합 방지
3.6 분류 모델 구축 프로젝트


4장 CNN (이미지 처리)
4.1 CNN 기본 구조
4.2 경량 CNN 설계
4.3 이미지 분류 실습
4.4 성능 개선
4.5 Transfer Learning (Colab 활용)
4.6 이미지 분류 모델 생성 프로젝트


5장 RNN / NLP / 시계열
5.1 RNN 구조 이해
5.2 LSTM / GRU
5.3 시계열 데이터 처리
5.4 NLP 기초
5.5 텍스트 분류 모델
5.6 텍스트 분류 API 모델 생성 프로젝트


6장 모델 최적화 / 평가 / 저장
6.1 손실 함수 & 옵티마이저
6.2 모델 평가
6.3 하이퍼파라미터 튜닝
6.4 모델 저장 및 로드
6.5 경량화 전략


7장 FastAPI 기반 AI 웹 서비스
7.1 FastAPI 개요
7.2 REST API 설계
7.3 AI 모델 서빙
7.4 파일 업로드 처리
7.5 Jinja2 + Bootstrap UI
7.6 비동기 처리
7.7 이미지 분류 웹 서비스 완성


8장 DB 연동 + 배포 + 포트폴리오
8.1 PostgreSQL 연동
8.2 사용자 데이터 처리
8.3 Docker 기반 배포
8.4 클라우드 배포
8.5 Colab 연계 실무 흐름
8.6 최종 프로젝트 (포트폴리오)
8.7 취업 포트폴리오 전략


부록. 딥러닝 치트시트