제1장 인공지능이란 무엇인가?
AWS의 기계학습 서비스를 사용하기 전에 미리 인공지능(AI)이란 무엇인지 인공지능과 기계학습은 어떤 관계가 있는지 알아봅니다. 일반적인 프로그래밍과 기계학습의 차이점에 대해 알아두는 것도 중요합니다. 기계학습과 딥러닝(Deep Learning)의 기본적인 내용에 대해서도 상세하게 소개합니다.

제2장 AWS의 기계학습 서비스
AWS에서는 기계학습과 관련된 다양한 서비스가 제공되고 있습니다. 기계학습을 실시할 때는 데이터를 취급하는 것이 중요합니다. 데이터가 있어야만 기계학습 모델을 만들 수 있습니다. AWS에서는 데이터를 수집하여 축적하고 분석하기 위한 서비스를 풍부하게 제공하고 있습니다. 본 장에서는 이러한 서비스들을 어떻게 조합하여 기계학습을 실제 시스템에 도입해갈지 배워보겠습니다.

제3장 AI 서비스
AWS 기계학습 서비스를 실제로 사용해 보도록 하겠습니다. 먼저 이미지 인식(Rekognition)이나 음성 인식(Transcribe)과 같은 기본적인 ‘AI’ 기능을 부담 없이 사용할 수 있는 서비스를 실제로 조작해 보도록 하겠습니다. 또한, 학습 데이터를 스스로 준비하여 예측 모델을 만드는 Forecast와 Personalize 같은 서비스도 AI 서비스로 분류되고 있기 때문에 이 부분도 함께 배워보도록 하겠습니다

제4장 Amazon SageMaker
AI 서비스를 사용할 수 있게 되었다면, 다음으로 독자적인 모델을 자유롭게 만들 수 있는 Amazon SageMaker에 도전해 봅시다. SageMaker에서는 모델을 만들 때 미리 준비되어 있는 내장된(Embedded) 알고리즘뿐만 아니라 독자적인 알고리즘을 이용할 수 있습니다. 또한 만들어진 모델을 AWS 환경에 배포함으로써 실제 시스템에서 호출하여 사용할 수도 있습니다. SageMaker를 잘 다룸으로써 보다 본격적으로 AI를 활용해 봅시다.

제5장 AWS Deep Learning AMI
독자적인 모델을 만들고 그것을 실제 시스템에서 활용하고자 한다면 SageMaker만으로 충분할 것입니다. 그러나 선진화된 알고리즘을 직접 사용하는 등 보다 유연한 기계학습 환경이 필요한 경우라면 AWS Deep Learning AMI(DLAMI)가 필요할 것입니다. 제5장은 DLAMI를 사용해 EC2 환경에서 딥러닝 모델을 만드는 방법을 설명하도록 하겠습니다.

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