[길벗 개발자 리뷰어] 머신러닝 Q & AI

 

 

 

 

 

 

 

 

 

 

머신 러닝 Q & AI

이 책은 인공지능 분야의 선두에 서 있는 세바스찬 라시카 박사가 자주 받는 질문에 대해, Q&A라는 독특한 스타일을 사용해 설명한 책이다. 신경망과 딥러닝, 컴퓨터 비전, 자연어 처리, 생성 AI, 예측 성능과 모델 평가 등 다양한 인공지능 분야를 저자의 깊이 있는 고찰과 논리적인 설명으로 더욱 심도 있게 이해할 수 있다. 기본적인 이론 설명을 넘어서 기술 관련 지식, 활용 방법, 실무적인 설명을 정리하고 최신 연구 동향을 소개하면서, 연습문제

저자

세바스찬 라시카

출판

길벗

출판일

2025.04.09

 

 

 

 

 

 

      책 소개

 최근 출간된『머신러닝 Q & AI』는 머신러닝과 AI 분야에서 가장 기초적인 부분부터 제품화와 배포, 성능평가 부분까지 알아야하는 부분들을 너무 깊지 않으면서도 전반적인 내용을 다루는 책이다. AI와 머신러닝 분야의 도서들은 광범위한 입문서이거나 어떤 한 분야에 어려운 수학 이론이나 실제 예제 등 깊은 부분을 다루거나 다소 양 극단에 위치한 경향을 보이는 경우가 있다. 이 책은 머신 러닝 경험이 있거나 입문서를 읽고서 초급 정도의 지식을 갖춘 사람들이 다양한 분야를 접하기에 적절한 난이도를 갖춘 책이다

 

 Q&AI 라는 제목에서 알 수 있듯이 복잡하고 어렵게 느껴질 수 있는 머신러닝과 AI 개념들을 ‘질문과 답변(Q&A)’ 형식으로 구성해, 독자가 스스로의 궁금증을 던지고 자연스럽게 해답을 찾아가는 구조로 이루어져 있다. 각 챕터당 적당한 분량으로 구성되어 부담을 덜 느끼게 되어 있다

 

 해당 책은 큰 챕터별로 독립적으로 구성되어 있기에 원하거나 필요한 내용부터 읽는 것이 가능하다

하지만 큰 챕터 안의 각 장들은 앞의 내용이 뒤의 내용을 이해하는데 도움이 되도록 전략적으로 나열되어 있다. 예를 들어 임베딩은 자기 지도 학습과 퓨샷 학습에 대해 설명하기 전에 먼저 설명한다. 읽기 쉽고 포괄적으로 내용을 이해하기 위해서는 처음부터 순서대로 읽는 것을 추천한다

 

 

 

 

 

---

 

 

 

 

 

 

 

      목차

 

1부. 신경망과 딥러닝

- 임베딩, 잠재 공간, 표현 / 자기 지도 및 퓨삿 학습 / 로터리 티켓 가설 / 데이터 및 모델로 과대적합 핸들링 / 다중 GPU 훈련 패러다임 / 모델 트랜스포머 / 생성 AI 

2부. 컴퓨터 비전

- 파라미터 개수 / 완전 연결 층과 합성곱 층 / 비전 트랜스포머 

3부. 자연어 처리

- 분포 가설 / 텍스트 데이터 증강 / 셀프 어텐션 / 인코더 or 디코더 기반 트랜스포머 / 트랜스포머 사전 훈련 모델, 파인튜닝 / 생성형 대규모 언어 모델 평가 

4부. 제품화와 배포

- 상태 비저장 & 저장 훈련 / 데이터 중심 AI / 추론 속도 높이기 / 데이터 분포 변화

 

5부. 예측 성능과 모델 평가

- 푸아송 & 서열 회귀 / 신뢰 구간 및 컨포멀 예측 / 측정 지표 / k-폴드 교차 검증 / 훈련 세트와 테스트 세트 불일치 / 제한적인 레이블 데이터

 

 

 

 

 

---

 

 

 

 

 

      주요 내용

 

『머신러닝 Q & AI』 의 각 장은 중요한 질문에 대한 답을 담고 있다

새로운 개념을 설명할 때 다이어그램을 사용하고 추가적인 읽을 거리를 위해 참고 자료를 제공한다

아래 깃허브는 해당 책에 사용된 코드 예제를 모은 곳이다

 

https://github.com/rickiepark/MLQandAI

GitHub - rickiepark/MLQandAI: <머신 러닝 Q & AI>의 코드 저장소

 

 

 

책의 내용을 살펴보면 목차에서 알 수 있듯이 AI와 관련된 전반적인 내용을 두루두루 다룬다

따라서 AI에 대해 초급자이거나 비전이나 자연어 등 하나의 분야 위주로 공부하고 다른 분야에 지식을 넓히기 위해 또는 면접에서 기술 질문에 대한 공부 및 연습을 하기 좋다는 것이다

 

예를 들어, 이전 면접 중 학습 방법 중 하나인 퓨샷에 대해 질문을 받은 적이 있었다

당시에는 퓨샷을 깊게 따로 공부하지 않았기에 샘플 개수가 매우 작은 소규모 데이터를 학습하는 방법론으로 간단하게 답변을 했으나 해당 책의 내용을 참고하여 샘플 개수가 이렇게 적은데 어떻게 학습을 시킬 수 있는지, 이러한 메커니즘까지 같이 설명을 했다면 더 좋았을 것이다

 

Chapter 3. 퓨샷 학습

 

 

 

해당 내용을 보고서 퓨샷에 대해 설명해달라는 질문의 답변을 정리해보자면 다음과 같다

 

Q. Few-shot 학습이란 무엇인가요?

A.
Few-shot 학습은 소량의 학습 데이터만으로도 모델이 새로운 작업을 학습할 수 있도록 하는 방법입니다. 예를 들어, 클래스당 몇 개의 샘플만 가지고도 분류 문제를 해결할 수 있도록 훈련된 모델을 의미합니다. 일반적으로 사람이 새로운 개념을 몇 번의 예시만 보고도 이해하듯, 머신러닝 모델이 적은 데이터로도 일반화 성능을 갖추도록 하는 것이 목표입니다.

 

 

Q. 어떻게 작동하나요?

A.
Few-shot 학습은 메타러닝(Meta-learning, '학습을 학습하는 것')을 기반으로 하며, 대표적으로 다음과 같은 방식이 있습니다:

• 에피소드 기반 학습: N개의 클래스 중 K개의 샘플(Support Set)과 몇 개의 쿼리(Query Set)를 이용해 수많은 학습 에피소드를 구성합니다.
• 모델은 각 에피소드에서 적은 수의 데이터를 보고도 새로운 클래스를 잘 구분하는 방법을 학습합니다

 

 

Q. 어떤 상황에서 활용되나요?

A.

• 의료 영상처럼 라벨링된 데이터 수가 적은 경우
• 새로운 클래스가 자주 등장하는 상황 (예: 얼굴 인식, 사용자 맞춤 추천)
• 데이터 수집이 어려운 도메인

 

 

이 내용 외에도 면접에서 물어보기에 좋은 내용들을 많이 다루고 있다

과대적합을 어떻게 줄일지에 대해 질문을 받았다면 크게 데이터와 모델 측면에서 접근할 수 있다

 

Chapter 6. 데이터로 과대적합 줄이기

 

 

책의 내용에 따르면 데이터 측면에서

1. 추가 데이터 수집

2. 데이터 증강

3. 사전 훈련 

과 같은 3가지 방법론을 제시하고 있다

 

프로젝트나 실무를 경험해봤다면 이 정도의 답변 만으로는 부족함을 느낄 것이다

실제로도 면접에서 이렇게만 답변한다면 '그건 당연한거고 정확히 어떻게..?' 라는 생각을 들게 만들 답변이다

 

💡 추가 데이터 수집이라면 서비스 되는 곳이 이런 환경, 상황이니까 어떻게 데이터를 수집하고 관리하겠다, 데이터 증강이라면 실제 환경과 최대한 유사하도록 노이즈나 조도를 조절을 통해 증강하고 객체의 위치가 중요하기에 좌우 반전이나 큰 위치 이동은 적용하지 않도록 주의한다, 사전 훈련이라면 여기에 어떤 데이터로 학습을 시킨 사전 훈련 모델을 사용할 것인지, 그 데이터는 어떻게 확보할 것인지와 같은 부분들을 더 고려하여 답변하는 것이 필요하다

 

➡️ 이런 면에서 다소 깊이는 부족하지만 어떻게 접근할 것인지 방법론의 큰 틀을 잡아주는 것이 좋았다

 

 

 

 

 

 

 

---

 

 

 

 

 

      마무리

 

읽으면서 좋았던 점 (장점 위주)

• Q&A 포맷 덕분에 어떤 포인트에 집중을 해야할지 짚어주므로 몰입감이 높다
• 고전 이론부터 최신 트렌드(GPT, 생성형 AI 등)까지 폭넓게 다루기에 다른 분야를 가볍게 살펴보기 좋다
• 번역이 자연스럽고 어색한 부분이 없다 

 

조금 아쉬운 점 (비판적 시각도 포함)

• 깊이보다는 넓이에 초점: 중상급자에게는 다소 기초적일 수 있고 어느정도 다른 기초적인 지식을 필요로 하는 부분도 있다
• 챕터 간의 연결성보다는 독립적인 Q&A 느낌이 강해, 연속성이 부족하다고 느낄 수 있다

 

이 책이 유용할 독자층

• 머신러닝/AI 입문자
• 기술 면접을 대비하여 AI 전반적인 분야를 살펴보고 싶은 실무자
• 실무자는 아니지만 개념을 넓고 쉽게 알고 싶은 일반 독자
• 비전공자이지만 AI에 관심 있는 직장인, 학생 등
• AI 강의나 워크숍을 준비하는 분들에게도 요약용으로 좋음

 

마무리

지금까지 머신러닝 Q&AI 책 소개와 공부한 내용 일부를 가져와서 정리해보았다

실제로 면접에서도 책에 있는 내용을 질문 받기도 했고 책을 살펴보면서 내가 알고 있다고 생각했으나 실제로는 빠진 부분들이 있기도 했으며, 자연어 분야는 공부 해야지만 생각하고 있다가 책을 통해 가볍게 살펴볼 수 있어서 좋았다

 

총 30챕터로 이루어져 있어서 하루 이틀에 한 챕터씩 데일리로 읽기에도 부담이 없을 것 같다

한번쯤 복습 또는 다른 분야에 대해 살펴보고 싶으신 분들께는 이 책을 추천드린다

 

 

 

 

 

 

 

 

 

 

 

 

 

 

본 글은 길벗출판사로부터 도서를 지원받아 작성되었습니다.