AutoML 인 액션 [도서 리뷰]

경험이 부족한 사람이라도 머신러닝이나 딥러닝을 쉽게 사용할 수 있는 방법이 있을까요? 머신러닝과 딥러닝을 공부하거나 실무에 적용하려는 사람이라면 누구나 고민할 법한 질문입니다. 다행히 머신러닝과 딥러닝을 쉽게 접근할 수 있도록 도와주는 기술이 점차 발전하고 있는데요, 바로 AutoML(Automated Machine Learning)입니다.

 

AutoML는 머신러닝 문제를 해결하는 법을 자동화하여 기계가 주어진 문제에 대한 최적의 솔루션을 자동으로 찾도록 합니다. 한 가지 예를 들면 가장 높은 성능을 얻을 수 있는 하이퍼파라미터나 알고리즘을 찾기 위해 오랜 시간에 걸쳐 여러 번 실험해야 했던 방식을 자동화하여 빠르고 간편하게 최적의 결과를 찾도록 도와주는 것이죠. 

 

'AutoML 인 액션'은 AutoML을 구현한 도구 중 하나인 AutoKeras와 KerasTuner를 사용하여 머신러닝 파이프라인을 최적화하는 법을 다양한 사례와 예시 코드를 통해 초보자부터 전문가까지 다양한 독자를 대상으로 AutoML을 쉽게 알려주는 유용한 책입니다. 이 책의 3명의 저자들은 AutoKeras의 창시자로서 상세하게 AutoML의 흐름을 설명하면서도 간결한 예시 코드로 쉽게 AutoML을 실무에 적용할 수 있도록 하였습니다.  

 

 

https://m.hanbit.co.kr/media/books/book_view.html?p_code=B2638775619

AutoML 인 액션

 

AutoML 인 액션

 

 

AutoML의 세 가지 구성 요소

AutoML의 세 가지 구성 요소는 아래와 같습니다. 

 

1. 탐색 공간(search space): 하이퍼파라미터의 다양한 조합과 각 하이퍼파라미터가 가질 수 있는 값의 범위

2. 탐색 전략(search strategy): 탐색 공간에서 최적의 하이퍼파라미터 조합을 선택하기 위한 전략

3.성능 평가 전략(performance evaluation strategy): 선택된 하이퍼파라미터의 조합으로 만든 특정 머신러닝 알고리즘의 성능 평가 방법

 

AutoML의 과정

AutoML은 이 3가지 구성 요소에서 자동화를 시도합니다. 이 부분은 'AutoML 인 액션'의 2부와 3부에서 상세히 다룹니다. 

  

'AutoML 인 액션'의 구성

'AutoML 인 액션'은 총 3개의 파트, 총 9장으로 구성되어 있습니다. 

 

1부: 머신러닝 개념과 대표적인 모델 소개 

1부는 AutoML에 들어가기에 앞서 AutoML의 개념을 알아보고, 머신러닝과 딥러닝에 대한 전반적인 개념과 학습/모델 구축 과정을 통해 AutoML이 자동화할 부분을 살펴 봅니다. 

 

1장에서는 AutoML의 개념, 3가지 구성 요소, 그리고 AutoML의 한계를 다루고, 2장에서는 머신러닝의 전반적인 내용을 다룹니다. 머신러닝 엔드투엔드 파이프라인을 설명하면서 각 과정을 예시 코드와 함께 설명합니다. 3장에서는 딥러닝의 대표적인 모델인 MLP, CNN, RNN을 구현하면서 딥러닝의 개념을 자세히 설명합니다. 

  

2부: AutoML을 사용해 머신러닝 문제 해결, 개선

2부에서는 AutoML을 본격적으로 사용하여 머신러닝과 딥러닝 문제를 해결하고 솔루션을 개선하는 방법을 알아봅니다.  

 

4장에서는 AutoKeras를 소개하면서 4개의 지도학습(텍스트 분류, 정형 데이터 분류, 정형 데이터 회귀, 다중 레이블 이미지 분류) 문제와 다중 입출력 문제를 해결합니다. 5장에서는 탐색 공간을 조정하는 방법을 배웁니다. 전처리, 신경망, 하이퍼 블록 등 AutoML 블록을 사용 또는 연결해 AutoML 파이프라인을 생성하고, 튜닝하는 법을 알아봅니다. 6장은 AutoML 블록을 연결하지 않고 계층별로 전체 AutoML 파이프라인의 탐색 공간을 사용자가 원하는 방식으로 정의하는 방법을 배우고, 이를 통해 비지도 학습 모델과 최적화 알고리즘을 투닝하는 법을 설계하는 법까지 배울 수 있습니니다.  

 

3부: 고급 AutoML 설계 - 검색 기법과 가속화 전략

3부는 AutoML의 설계와 설정을 위한 고급 기법을 다룹니다.  

 

7장은 AutoML의 탐색 공간을 순차적으로 탐색하는 기법인 임의 기법, 베이지안 최적화 검색 기법, 진화적 검색 기법을 설명하고, 구현합니다. 8장은 대규모 데이터셋을 다루는 법과 병렬화 전략, 그리고 제한된 컴퓨팅 자원으로 검색 과정을 가속화하기 위한 전략을 배웁니다. 9장은 주요 내용을 다시 살펴보고, 최신 AutoML 도구 및 플랫폼과 앞으로의 방향성을 제시하면서 마무리합니다. 

 

 

'AutoML 인 액션'의 장점

상세한 설명과 예시 코드

'AutoML 인 액션' 은 상세한 설명과 예시 코드를 제공하여 이론과 실습을 모두 배울 수 있습니다. 예시 코드를 상세히 설명해 주고, 결과물도 보여주면서 설명을 하기 때문에 AutoML을 처음 접하는 사람도 쉽게 배울 수 있습니다. 

예시 코드와 결과

 

시각화를 통한 이해도 상승

뿐만 아니라 다양한 시각화를 통해 파이프라인 구조, AutoML의 흐름 등을 설명하여 누구나 쉽게 AutoML에 접근할 수 있도록 하였습니다.

시각화 예시

 

다양한 사례

다양한 사례를 다각도로 다루기 때문에 AutoML을 실무에 적용하기에 쉽습니다. 정형 데이터 분류 및 회귀, 이미지 데이터 분류 등 다양한 문제, 그리고 MLP, CNN, RNN과 같이 대표적인 모델을 모두 다루기 때문에 다양한 분야에서 AutoML을 적용하기 유용합니다. 

 

핵심 내용 정리

각 장의 시작과 끝에 배울 내용과 배운 내용을 잘 정리하였으며 9장에서는 배운 내용을 총괄적으로 정리해 주기 때문에 시간이 지나도 필요한 부분을 쉽게 찾을 수 있고 배운 내용을 복습하기에 좋습니다.  

최종 정리 - AutoML 과정

 

최신 소스 코드와 토론 공간 제공

책에서 제공하는 예시코드를 제공할 뿐 아니라 최신 소스 코드를 제공하고 토론할 수 있는 공간도 있어 시간이 지나도 최신 코드로 저자와 소통하면서 AutoML을 배울 수 있습니다.   

 

전체 예제 코드 다운로드

Automated Machine Learning in Action

 최신 소스 코드가 담긴 깃허브 저장소

GitHub - datamllab/automl-in-action-notebooks: Jupyter notebooks for the code samples of the book "Automated Machine Learning in

토론 공간

keras-team/autokeras · Discussions

 

 

AutoML에 관심이 있거나 실무에 적용하고 싶은 사람이라면 이 책을 읽어보기를 추천합니다. 

 

  "한빛미디어 <나는 리뷰어다> 활동을 위해서 책을 제공받아 작성된 서평입니다."