“이 책은 실제 프로젝트를 진행할 때 해결해야 할 껄끄러운 문제에 대한 해결책들과 인공지능이 보여주는 장밋빛 가능성 사이의 격차를 해소하는 데 도움을 줄 수 있는 포괄적인 가이드이다. 명확하고 쓰임새 있는 이 책 ‘실용주의 인공지능’은 파이썬 및 인공지능 알고리즘 그 이상의 내용을 다루고 있다.”
- 크리스토퍼 브라우소(Christopher Brousseau) (엔터프라이즈 인공지능 플랫폼 기업 서피스 아울(Surface Owl)의 창립자 겸 CEO)

"새로운 기술을 사랑하는 사람들을 위한 환상적인 내용들! 이 책에 대해 말하고 싶은 게 너무 많다. 노아 기프트(Noah Gift)는 머신러닝에 종사하는 모든 사람들에게 실제로 이 책의 내용을 실질적인 가이드로 권유하고 있다. 이 책은 대형 데이터 세트에 머신러닝을 적용하는 방법을 설명할 뿐만 아니라 기술 피드백 루프에 대한 가치있는 시각을 제공한다. 이 책은 많은 데이터 과학 연구자들과 개발 팀이 처음부터 효율적으로 응용 프로그램을 만들고 유지, 관리할 수 있도록 도움을 줄 것이다.”
- 니바스 듀라이라즈(Nivas Durairaj), AWS의 전문 소프트웨어 아키텍트이자 기술 계정 관리자

"데이터 엔지니어링, 데이터 과학 또는 데이터 개발 팀에 정말 도움이 되는 프로덕션 레벨의 품질을 가진 머신러닝 파이프라인 및 도구를 구축하는 데 필요한 통찰력을 원한다면 이 책은 큰 도움이 될 것이다. 숙련된 개발자라 할지라도 생산성이 낮은 작업을 하는 경우가 종종 있다.
소프트웨어 관련 책과 대학의 수업은 프로덕션에 필요한 단계를 설명하지 않는 경우가 많다.
노아(Noah)는 솔루션의 배포에 필요한 개발 및 전달 프로세스를 가속화할 수 있는 실용적 접근법에 대해 잘 알고 있다. 그는 매우 독창적인 소프트웨어 솔루션을 신속하게 구현하는 데 중점을 두고 있을 뿐만 아니라, 열정 또한 충분하다.
프로덕션에 적용할 수 있는 머신러닝 파이프라인 구축의 열쇠는 자동화다. 엔지니어가 연구 또는 원형 개발 단계에서 수동으로 수행하는 작업과 단계는, 실제 프로덕션 레벨의 시스템을 개발하기 위해 자동화 및 확장되어야 한다. 이 책은 파이썬 개발자가 파이프라인을 자동화하고 클라우드로 확장하는 데 도움이 되는, 실용적이고 흥미로운 예제를 많이 가지고 있다.
저는 현재 온라인 부동산 회사인 Roofstock.com에서 거대 데이터, 머신러닝 파이프라인, 파이썬, AWS, 구글 클라우드 및 어주어(Azure)로 작업하고 있다. 우리의 분석 데이터베이스는 대략 5억 개의 행이 있을 정도로 거대하다. 이 책에서 스스로의 생산성을 향상시킬 수 있는 수많은 실용적인 팁과 예제를 발견할 수 있었다. 이 책을 강력히 추천한다!”
- 마이클 비어링(Michael Vierling), 루프스톡(Roofstock) 사의 수석 엔지니어

추천사
감사의 글
목차
서문
저자에 대하여
역자에 대하여

Part 1 실용주의 인공지능 개론

Chapter 1 실용주의 인공지능(Pragmatic AI) 소개

파이썬의 기능 소개
절차적 구문(Procedural Statements)
출력하기(Printing)
변수를 생성하고 사용하기
다중 절차적 구문(Multiple Procedural Statements)
숫자 더하기
문장 합치기
복잡한 구문
Strings와 String 체계 이해하기
숫자를 더하고 빼기
소수점 숫자 곱하기
지수 연산 수행하기

다른 수치 자료형으로 변환하기
숫자 반올림하기
자료 구조
Dictionary 자료 구조
List 자료 구조
함수(Functions)

파이썬에서 제어 구조(Control Structure) 사용하기
for 루프
While 루프
If/Else
중급의 주제들
마지막 생각들

Chapter 2 인공지능(AI)과 머신러닝(ML) 툴체인

파이썬 데이터 과학 생태계: IPython, 판다스, 넘파이, 주피터 노트북, Sklearn

R, R스튜디오, 샤이니(Shiny)와 ggplot

스프레드시트(Spreadsheet): 엑셀(Excel)과 구글 시트(Google Sheet)

아마존 웹 서비스 기반의 클라우드 인공지능 개발

AWS의 데브옵스(DevOps)
컨티뉴어스 딜리버리(Continuous Delivery)
AWS용 소프트웨어 개발 환경 만들기
주피터 노트북과 (프로젝트) 통합하기
커맨드라인 툴과 (프로젝트) 통합하기
AWS 코드파이프라인(CodePipeline)과 (프로젝트) 통합하기

데이터 과학을 위한 기본적인 도커(Docker) 셋업

기타 빌드 서버: 젠킨스(Jenkins), 서클CI(CircleCI) 및 트래비스(Travis)

| 요약 |

Chapter 3 스파르탄 인공지능(Spartan AI) 라이프 사이클

실용적인 프로덕션을 위한 피드백 루프

AWS 세이지메이커(SageMaker)

AWS 글루(Glue) 피드백 루프

AWS 배치(Batch)

도커(Docker) 기반의 피드백 루프

| 요약 |

Part 2 클라우드에서의 인공지능

Chapter 4 구글 클라우드 플랫폼을 이용한 클라우드 인공지능 개발

GCP 개요

코래버러토리(Colaboratory)

데이터랩(Datalab)
데이터랩을 도커 및 구글 컨테이너 레지스트리와 연동해 사용하기
강력한 컴퓨팅 자원에서 데이터랩 사용하기

빅쿼리(BigQuery)
커맨드라인 명령을 이용해 빅쿼리로 데이터 이동하기

구글 클라우드 AI 서비스
구글 비전 API를 이용해 나의 개(Dog) 분류해 보기

클라우드 TPU와 텐서플로(TensorFlow)
클라우드 TPU에서 MNIST 실행하기

| 요약 |

Chapter 5 ｜ 아마존 웹 서비스를 이용한 클라우드 인공지능 개발

AWS를 이용해 증강 현실(Augmented Reality, AR)과 가상 현실(Virtual Reality, VR) 솔루션 구축하기
컴퓨터 비전: EFS와 플라스크를 사용하는 AR/VR 파이프라인
EFS, 플라스크 및 판다스에 기반한 데이터 엔지니어링 파이프라인

| 요약 |

Part 3 처음부터 실제 인공지능 응용 프로그램 만들기

Chapter 6 NBA에 대한 소셜 미디어의 영향력 예측 1

문제에 대한 기술: 무엇을 풀 것인가?

데이터 모으기

도전적인 데이터 소스 수집하기
운동선수에 대한 위키피디아 페이지뷰(Wikipedia Pageview) 수집하기
운동선수의 트위터 참여도(Twitter Engagement) 정보 수집하기
NBA 운동선수의 데이터 탐색하기

비지도 학습(Unsupervised Learning) 기반의 NBA 선수 분석
R로 NBA 선수 데이터 클러스터링 결과의 고급 플롯 그려보기
팀, 선수, 영향력, 기업 후원(Endorsement) 등 모든 것을 고려하기

보다 실용적인 단계와 학습

| 요약 |

Chapter 7 AWS를 이용해 지능형 슬랙봇 만들기

봇 만들기

라이브러리를 커맨드라인 툴로 변환하기

AWS 스텝 펑션으로 봇을 다음 레벨로 진화

셋업을 위해 IAM 크리덴셜 확보
챌리스(Chalice)로 작업하기

스텝 펑션 만들기

| 요약 |

Chapter 8 깃허브 구조에서 프로젝트 관리 통찰력 얻기

소프트웨어 프로젝트 관리 문제의 개요
생각해 볼 만한 문제들

데이터 과학 프로젝트를 위한 초기 스켈레톤 코드 만들기

데이터를 수집하고 변환하기

깃허브 구조(GitHub Organization) 전체와 대화하기

특정 도메인에 관련된 통계 생성하기

데이터 과학 프로젝트를 CLI와 엮어 보기

주피터 노트북으로 깃허브 구조 탐색
팰럿(Pallets) 깃허브 프로젝트

CPython 프로젝트에서 파일 메타데이터 살펴보기

CPython 프로젝트에서 지운 파일들 살펴보기

파이썬 패키지 인덱스에 프로젝트 배포하기

| 요약 |

Chapter 9 EC2 객체를 AWS에서 동적으로 최적화하기

AWS에서 잡 실행하기
스폿 인스턴스(Spot Instances)

| 요약 |

Chapter 10 부동산

미국의 부동산 가격에 대해 살펴보기

파이썬에서 대화형 가시화 수행하기

크기 순위와 가격을 기준으로 클러스터링

| 요약 |

Chapter 11 사용자 제작 컨텐츠를 위한 생산적 인공지능

넷플릭스 상을 받은 알고리즘은 프로덕션 레벨로 구현된 적이 없다

추천 시스템의 핵심 개념

파이썬에서 서프라이즈(Surprise) 프레임워크 사용하기

추천 시스템에 대한 클라우드 솔루션

실제 상황에서 발생하는 추천 관련 이슈들

실제 이슈들: 프로덕션 API와 연동하기

실제 이슈들: 클라우드 자연어 처리(NLP) 및 생산 감정 분석하기
어주어(Azure)에서의 NLP
GCP에서의 NLP
엔티티(Entity) API 탐색하기
자연어 처리(NLP)를 위한 AWS의 서버리스 인공지능 파이프라인

| 요약 |

부록 A 인공지능 가속기
부록 B 클러스터 크기 결정하기
색인(INDEX)