영진닷컴 - IT 전문 출판기업

HOME 도서정보 IT 도서 프로그래밍

AWS로 시작하는 AI 서비스 with 파이썬 저자 이노우에 켄이치 | 페이지 248
ISBN 9788931465822 | 정가 22,000 | 출판일 2021-10-25

판매처

AWS에서 제공하는 AI 서비스를 따라 하며 실제 실무에 적용한다!

AWS의 모체인 Amazon은 세계 제일의 쇼핑 사이트이다. Amazon 내부에서 다양한 AI가 사용되고 있다는 것은 쉽게 상상할 수 있다. AWS의 AI 서비스는 무척 다양하여 전체를 파악하는 것조차도 상당히 어려울 정도이다. AWS에서는 내부에서 AI를 통해 도출된 예측이나 개인화(Personalize)라고 얘기되는 AI 서비스를 일반인들에게도 제공하고 있다. 따라서 이러한 서비스를 직접 수행하며 어떠한 서비스가 제공되고 있는지 확인하는 것이 매우 중요하다.

이 책은 인공지능 개념과 역사, 선형회귀, 딥러닝 등 대표적인 기계학습 알고리즘, 기계학습을 사용하기 위한 SageMaker, EC2, AMI 등의 구현 경험과 Amazon Recognition, Amazon Comprehend, Amazon Textract, Amazon Translate 등의 서비스를 통한 AI의 구동을 직접 따라 하며 경험할 수 있다. 또한, Jupyter Notebook을 활용한 작업환경을 통해 이미지, 파일 등을 AWS로 업로드/다운로드할 수 있어 그동안 피상적으로 가지고 있던 지식들을 체계화시킬 수 있다.

제1장에서는 기계학습이나 딥러닝과 같은 AI를 구성하는 기초적인 기술에 대해 설명하고 있다. 제2장에서는 AWS에서 기계학습에 관한 서비스나 그것과 깊은 관계가 있는 데이터 수집·축적 등과 같은 서비스를 개략적으로 정리하였으며, 제3장 이후부터 실제로 조작을 하며 AI와 관련해서 AWS가 어떠한 서비스를 제공하고 있는지 구체적으로 파악할 수 있도록 구성했다. 서비스를 사용해 보고 무엇을 할 수 있는지, 어떻게 진행하면 좋은지 실제로 체감하다 보면 자신에게 알맞은 적절한 서비스를 선택하고 구축할 수 있게 될 것이다. 실제 구축 작업을 할 때는 별도로 AWS 레퍼런스 등을 참조해야 하는 경우도 있을 수 있으나, 이 책을 통해 체험하게 된다면, 레퍼런스 사이트를 능숙하게 다루면서 구축 작업을 진행할 수 있다.

저자 이노우에 켄이치
IT 엔지니어, 경제산업성 추진자격 IT 코디네이터, 주식회사 비빈코 대표이사이자 Tech Garden School 강사이다.
20년이 넘는 업무 시스템 개발 경험 중에서 콜센터에 AI 도입 프로젝트에 참가한 것을 계기로 2016년에 첫 저서 「첫 Watson API 사례와 실천 프로그래밍(릭 텔레콤)」을 집필했다. 이후 AI·IoT에 뛰어난 IT 코디네이터로서 활동하게 된다. 2017년에는 기타큐슈시 주최의 비즈니스 콘테스트 ‘기타큐슈에서 IoT’에 응모한 아이디어가 입선, 그 멤버와 기타큐슈시 고쿠라키타구에 주식회사 비빈코를 창업해 IoT 솔루션 개발·도입이나 이미지 인식 모델을 활용한 앱 개발 등을 하고 있다. 최근에 「왓슨으로 체감하는 인공지능(릭 텔레콤)」, 「현장에서 사용할 수 있다! Watson 개발 입문(공저, 쇼에이사)」을 집필했다.

번역 양성건
LG산전, 건강보험심사평가원, 철도청, 서울시, 행정자치부, 보건복지부, 국민건강보험공단, 소방방재청, 경찰청, LG텔레콤 등 17년간 다양한 공공 SI프로젝트를 수행했으며 오키나와 우라소에시, 후쿠오카 사가현 등 일본에서 시스템 구축을 위한 BPR/ISP를 수행하였다. 2011년부터 프로젝트 현장에서 감리, 컨설팅, 개인정보영향평가 업무를 수행하고 있다. 번역서로는 “Amazon Web Services로 시작하는 클라우드 입문(영진닷컴)”, “IT 운용 체제 변화를 위한 데브옵스 DevOps(영진닷컴)” 등이 있다.

저자의 말
소스 코드 다운로드 방법

제1장 인공지능이란 무엇인가?
1.1 3차 인공지능 붐
1.1.1 3차 인공지능 붐이란?
1.1.2 인공지능이란 무엇인가?
1.1.3 1차 인공지능 붐
1.1.4 제2차 인공지능 붐
1.1.5 인공지능이란 약간 앞서나간 IT
1.2 기계학습
1.2.1 기계학습이란 무엇인가?
1.2.2 기계학습의 구조
1.2.3 기계학습과 프로그래밍
1.2.4 기계학습으로 무엇을 할 수 있을까?
1.2.5 기계학습은 틀릴 수 있다
1.3 기계학습의 대표적인 기법
1.3.1 선형회귀
1.3.2 기계학습과 딥러닝
1.3.3 심층 뉴럴 네트워크

제2장 AWS의 기계학습 서비스
2.1 기계학습을 어떻게 사용할까?
2.1.1 기계학습 사용하고 만들기
2.1.2 프로그래밍으로 모델 만들기
2.1.3 웹 서비스로 모델 만들기
2.1.4 작성된 모델을 사용하기
2.2 AWS에서 기계학습을 사용하려면?
2.2.1 Amazon AI
2.2.2 Amazon SageMaker
2.2.3 Amazon EC2와 AWS Deep Learning AMI
2.2.4 데이터 레이크와 데이터 분석 서비스
2.3 기계학습을 시스템으로 사용하려면?
2.3.1 기계학습을 사용한 시스템이란?
2.3.2 기계학습 워크플로우
2.4 AWS에서 기계학습 워크플로우 만들기
2.4.1 데이터 수집과 축적
2.4.2 데이터 분석과 전처리
2.4.3 어떤 기계학습 서비스를 사용할까?
2.4.4 시스템에 설치
2.5 AWS 계정을 만들다
2.5.1 계정을 만드는 순서

제3장 AI 서비스
3.1 AI 서비스란?
3.1.1 AI 서비스는 Cognitive 서비스
3.1.2 AI 서비스 개요
3.1.3 AI 서비스 과금에 대하여
3.2 SDK 사용 준비
3.2.1 AI 서비스와 AWS SDK
3.2.2 Jupyter Notebook 도입(Windows)
3.2.3 Jupyter Notebook 도입(macOS)
3.2.4 IAM으로 사용자 추가 및 권한 부여
3.2.5 인증 정보의 저장
3.2.6 기존 사용자에게 권한 부여
3.2.7 Jupyter Notebook에서 AWS SDK for Python을 사용하기
3.2.8 S3 버킷 작성 및 파일 업로드
3.3 Amazon Rekognition
3.3.1 Amazon Rekognition이란?
3.3.2 이미지를 이용한 사물의 인식
3.3.3 이미지를 이용한 얼굴 인식
3.4 Amazon Comprehend
3.4.1 Amazon Comprehend란?
3.4.2 자연어 식별하기
3.4.3 엔티티 추출하기
3.5 Amazon Textract
3.5.1 Amazon Textract란?
3.5.2 영어 서류 이미지에서 데이터 획득하기
3.6 Amazon Translate
3.6.1 Amazon Translate란?
3.6.2 커스텀 용어를 사용하지 않는 번역
3.6.3 커스텀 용어를 사용한 번역
3.7 Amazon Transcribe
3.7.1 Amazon Transcribe란?
3.7.2 한국어 음성 파일의 인식
3.8 Amazon Polly
3.8.1 Amazon Polly란?
3.8.2 한국어 텍스트를 음성으로 변환하기
3.9 Amazon Lex
3.9.1 Amazon Lex란?
3.9.2 챗봇을 구현하기 위한 기술
3.9.3 AWS Lambda와 연계 109
3.9.4 LexModelBuildingService와 LexRuntimeService
3.9.5 Lex에서의 대화 구성
3.9.6 BookTrip 샘플로 동작 확인하기
3.9.7 Response 추가
3.9.8 챗봇 공개
3.10 Amazon Forecast
3.10.1 Amazon Forecast란?
3.10.2 Amazon Forecast에서 사용하는 데이터 셋(SET)
3.10.3 Amazon Forecast로 데이터 Import(데이터 셋 그룹 작성)
3.10.4 예측자 작성
3.10.5 예측 생성과 결과 확인
3.10.6 예측자 매트릭스 참조
3.11 Amazon Personalize
3.11.1 Amazon Personalize란?
3.11.2 Amazon Personalize에서 사용하는 데이터 셋
3.11.3 Amazon Personalize로 데이터 Import(데이터 셋 그룹 작성)
3.11.4 솔루션 (솔루션 버전) 생성
3.11.5 캠페인 생성
3.11.6 Recommendation 획득

제4장 Amazon SageMaker
4.1 SageMaker란 무엇인가?
4.1.1 SageMaker로 할 수 있는 일
4.1.2 SageMaker 사용 시작
4.1.3 SageMaker 기능과 화면 구성
4.1.4 Ground Truth(라벨링)
4.1.5 노트북
4.1.6 트레이닝(학습)
4.1.7 추론
4.1.8 S3 버킷 준비와 IAM Role 생성
4.1.9 SageMaker의 과금 체계
4.2 SageMaker 노트북 사용하기
4.2.1 SageMaker 노트북
4.2.2 노트북 인스턴스 생성
4.2.3 노트북 사용
4.2.4 노트북 인스턴스 정지
4.3 SageMaker 내장 알고리즘으로 모델 생성
4.3.1 SageMaker 내장 알고리즘을 이용한 모델 생성
4.3.2 SageMaker의 내장 알고리즘이란?
4.3.3 훈련 데이터 준비

4.3.4 훈련 데이터 가공
4.3.5 Hyper parameter 설정과 S3에 데이터 업로드
4.3.6 훈련 JOB 생성
4.3.7 정확도 평가
4.3.8 모델 생성
4.3.9 End point 구성 만들기
4.3.10 End point 생성
4.3.11 End point 삭제
4.3.12 배치 변환 JOB
4.4 SageMaker의 다양한 내장 알고리즘
4.4.1 내장 알고리즘 카탈로그
4.4.2 선형 학습자
4.5 SageMaker Studio와 SageMaker Autopilot
4.5.1 SageMaker Studio
4.5.2 SageMaker Autopilot

제5장 AWS Deep Learning AMI
5.1 EC2 환경에서의 딥러닝
5.1.1 유연한 환경이 필요한 경우
5.1.2 EC2와 AMI
5.1.3 DLAMI와 기본 DLAMI
5.2 DLAMI 사용하기
5.2.1 AMI에 의한 EC2 Instance 구축
5.2.2 DLAMI의 Jupyter Notebook 열기
5.2.3 TensorFlow와 Keras를 통한 모델 구축
5.2.4 구축한 모델의 배포(Deploy)
5.2.5 EC2 Instance의 중지 또는 종료

찾아보기
번역을 하면서