딥러닝으로의 첫 여행을 시작하신 분들을 환영합니다. 또한 딥러닝 입문을 위해 이 책을 선택하신 여러분께 찬사를 보내 드립니다. 왜냐하면 여러분은 가장 탁월한 선택을 하셨기 때문입니다. 지금부터 수많은 딥러닝 책 중에서 왜 이 책이 좋은 선택이 될 수 있는지 말씀드리겠습니다.
딥러닝 기술이 발전하고 널리 보급됨으로 인한 장점 중 하나는, 예측 또는 그 비슷한 것을 무언가 부담스러운 과학의 관점에서 기술의 관점으로 바라보기가 더 쉬워졌다는 점이라고 생각합니다. 다르게 말하자면, 배경지식에 너무 신경 쓰지 말고 일단 데이터에서 유의미한 결과를 얻는 데 집중하게 되었다는 것입니다. 저자도 이 점에 대해 6장 마지막에 비슷한 의견을 표명하고는 있습니다. 하지만 초보자의 입장에서 보면, 수학에 대한 부담감은 잠시 내려놓고 자세한 설명으로 이론을 배우며 풍부한 예제 코드로 여러 가지를 시도해보면서 학습하는 것이 딥러닝을 배우는 좋은 방법이 될 수 있다고 생각합니다. 그리고 이 책은 이를 위한 좋은 시작점이라고 말씀드릴 수 있습니다.
이 책은 많은 수학적 지식이 필요하지 않습니다. 미적분에 대한 약간의 지식이 있는 것으로 충분합니다. 행렬대수학에 대해 조금 안다면 더욱 좋겠지만, 너무 걱정할 필요 없습니다. 이 책에서 별도로 잘 설명해주고 있기 때문입니다. 통계학이나 확률론이 익숙하지 않더라도 읽는 데 큰 문제는 없다고 생각합니다. 이 책은 수학 공식에 의존하기보다는, 말과 그림으로 자세히 설명하는 것을 시도합니다. 저도 번역하면서 어떻게 이렇게까지 자세히 설명해줄 수 있을까 하고 놀란 적이 한두 번이 아니었답니다. 이 책은 퍼셉트론에서 시작하여 DNN, CNN, RNN을 거쳐 비교적 최근 아키텍처인 트랜스포머에 이르기까지 주요 모델과 아키텍처를 차근차근 설명해줍니다(요즘 많이 회자되고 있는 ChatGPT는 트랜스포머 아키텍처를 기반으로 하고 있습니다).
이 책에서는 수학적 지식보다는 파이썬 활용이 중요하다고 할 수 있습니다. 물론 책을 읽기만 해도 배경지식을 얻는데 도움이 되겠지만, 이미지 분류 및 자연어 처리에 관해 잘 짜인 예제 코드를 직접 실행하고 실험해본다면 학습의 폭을 더욱 넓힐 수 있을 것입니다. 여러분의 딥러닝으로의 첫걸음에 응원을 보내면서, 이 책이 작게나마 도움이 되길 바랍니다.
최근 머신 러닝이나 딥러닝에 대한 관심이 조금 사그라든 것 같지만, 적어도 데이터 분석이나 데이터 처리 분야에서 일하는 개발자에게 요구되는 머신 러닝 관련 지식이나 기술 수준은 점차 높아지고 있는 것이 현실이다. 실제 관련 업무에 머신 러닝 알고리즘이 적용되는 사례가 늘어나고 있을 뿐만 아니라, 머신 러닝을 실험하거나 실무에 적용할 수 있게 해주는 라이브러리나 프레임워크 또한 양적 측면과 질적 측면 모두에서 빠르게 개선되고 있다.
일반적으로 실무에서 머신 러닝이나 고도화된 알고리즘을 적용하려 하면, 먼저 쉽게 접할 수 있는 파이썬이나 R 등과 같은 언어에 기반을 둔 도구로 실험해본다. 실험해보고 나서 유용하다고 판단되면, 기존에 운용하고 있는 서버 및 데이터에 부응하도록 적절히 설계하는 동시에 엔터프라이즈급에 걸맞은 프레임워크를 사용하게 된다. 이러한 측면에서 자바 중심의 JVM 진영에서는 아파치 스파크(Apache Spark)가 크게 각광받고 있다.
회사에서 몇 가지 검토를 마친 후 프로젝트에 스파크를 적용하기로 했다고 가정해보자. 그리고 이를 수행해야 하는 책임이 여러분에게 주어졌다. 스파크는 스칼라로 돼 있기 때문에 여러분이 스칼라에 대한 지식을 어느 정도 갖고 있지 않았다면 회사는 여러분에게 이 일을 맡기지 않았을 것이다. 혹 자바 분야에서 잔뼈가 굵은 개발자라면, 스칼라는 물론 머신 러닝 알고리즘도 처음부터 배워야만 할 수 있다. 어찌 됐든 여러분은 스칼라를 피할 수 없게 됐다.
이제 여러분은 멀티 패러다임 언어로서 스칼라가 지닌 특성과 관련 디자인 패턴 등을 심도 있게 학습해야 한다. 또한 주요 머신 러닝 알고리즘에 대해서도 공부해야 한다. 이 책이야말로 바로 그러한 상황에 놓인 개발자에게 최적의 가이드라 할 수 있다. 이 책은 머신 러닝에 스칼라를 적용하고자 하는 개발자에게 필요한 스칼라의 기본적인 특성부터 데이터 파이프라인과 처리, 주요 머신 러닝 알고리즘의 구현까지 모두 망라해 자세히 설명한다. 대부분의 예제는 금융 데이터를 기반으로 구현돼 있으며, 특히 저자가 직접 스칼라로 작성한 모든 코드와 알고리즘을 상세히 설명한 점이 특징이다. 소스 코드를 살펴보며 저자의 설명을 따라가는 일이 다소 지루하고 힘들 수도 있지만, 한 단계 발전된 개발자가 되려면 피할 수 없는 일이다.
또한 주요 머신 러닝 알고리즘에서 사용되는 수학적 개념과 관련 논문이 부록으로 정리돼 있으므로 필요한 내용을 쉽게 참조할 수 있다. 이 책은 수준 높은 스칼라 코드를 작성하는 데 활용할 수 있는 참고 서적으로도 큰 가치를 지닌다.
이 책은 Springer에서 출간된 『Elements of Statistical Learning, Second Edition』을 번역한 것입니다. 원서의 공동 저자 3인은 모두 스탠퍼드대학교 통계학과 교수들로 탁월한 학문적 성과로 명성이 높은 분들이며, 이 책 또한 여러 논문에서 많이 인용되고 있습니다.
이 책의 서문을 펴 볼 정도로 머신러닝에 관심이 많은 독자 분이라면 통계학을 포장해 머신러닝이라고 부른다는 내용의 재미있는 밈(meme)을 보신 적이 있을 것입니다. 이러한 밈이 단순히 농담으로만 보이지 않는 것은 비단 저뿐만이 아닐 것입니다. 머신러닝을 더 잘 알기 위해서는 통계학을 피할 수 없다는 점이야말로 제가 이 책의 번역을 맡기로 한 근본적인 이유가 아닐까 합니다.
요즘은 문제를 무조건 딥러닝으로 해결하려는 분위기가 강합니다. 하지만 저자들이 1장에서 언급한 바와 같이 저 또한 복잡한 방법을 시도하기 전에 단순한 방법을 이해하는 것이 중요합니다. 물론 통계적, 수학적 지식이 부족하더라도 데이터에 머신러닝 모델을 적용하는 것은 어려운 일이 아닙니다. 그러나 이 책은 더 나아가 모델의 밑바탕에 깔린 개념을 폭넓게 이해함으로써, 주어진 문제를 해결하고 데이터로부터 더욱 깊은 통찰을 얻을 수 있는 실질적인 힘을 기르도록 도와줄 것입니다. 이 책과 함께 통계적 이론 및 회귀와 분류, 커널과 기저, 정칙화, 가법적 모델 등 여러 주제에 대해 더 깊이 공부할 수 있다면 향후 다양한 주제를 학습하는 데 큰 도움이 되리라 생각합니다.
저자들은 적어도 독자들이 기본적인 통계학을 수강했기를 기대하고 있지만, 이 책을 잘 이해하는 데 그 정도로 충분하다고 하기에는 힘든 것이 사실입니다. 책과 함께하면서 미적분학, 선형대수학, 확률론, 통계학 등 부족하다고 생각하는 부분을 함께 학습하시기를 권해드립니다. 원서의 정오표(https://web.stanford.edu/~hastie/ElemStatLearn/)는 웹사이트의 'Errata for the 2nd Edition, after 12th printing (January 2017) and not yet reflected in online version'을 기준으로 반영돼 있습니다. 용어는 한국통계학회(http://www.kss.or.kr/) 및 대한수학회(http://www.kms.or.kr/main.html)의 용어집을 표준으로 삼고자 했으며, 그 밖의 용어는 인터넷 검색을 통해 가장 빈번하게 쓰이는 용어를 사용하고자 노력했습니다.
요즘 인기 있는 데이터 과학을 배워보고 싶으십니까? 그런데 회사에서 항상 써오던 엑셀 대신 프로그래밍 언어로 더 멋지게 해보고 싶으신가요? 그렇다면 먼저 어떤 언어를 배울지 결정해야 되겠네요.
프로그래밍 언어가 처음이라면 파이썬과 R, 둘 중에서 하나를 고르면 됩니다. 두 언어 모 두 우아하고 쉬운 문법을 가지고 있어 초보자도 어렵지 않게 프로그래밍을 접할 수 있게 해줍니다. R의 장점이 특정 분야나 목적을 위한 풍부한 패키지라면, 파이썬의 장점은 범용성이라 할 수 있습니다. 파이썬의 SciPy, 판다스, 사이킷런 등 다양한 패키지는 어떤 데이터든 쉽고 빠르게 처리하고 분석할 수 있도록 도와줄 것입니다. 또한 파이썬을 더욱 능숙하게 사용할 수 있게 된다면, 게임이나 웹 사이트도 만들 수 있습니다.
자, 파이썬을 배우기로 결정하셨군요. 도서관에서 책을 빌려보거나 이 책의 추천을 따라 코드 아카데미의 무료 코스를 수강할 수도 있습니다. 인터넷에도 파이썬을 배울 수 있는 좋은 자료가 많습니다.
파이썬이 무엇인지 조금 이해하셨나요? 이제 데이터 과학을 직접 경험해볼 차례입니다. 그런데 프로그램 설치부터 실전 분석까지 과외 선생님처럼 차근차근 가르쳐주는 책이 있다면 어떨까요? 네, 바로 이 책입니다. 저는 책을 번역하면서 초보자의 입장을 배려한 저자의 노력에 감탄했습니다. 이 책은 프로그램 설치에서 데이터 분석과 시각화에 이르기까지 여러분을 잘 이끌어줄 것입니다.
수학적 내용이 어려울까 걱정스러우신가요? 물론 수학에 익숙하시다면 더욱 좋겠지만, 이 책은 주요 알고리즘의 개념을 최대한 쉽게 설명해주기 위해 노력합니다. 일단 어려운 수학은 접어두고, 데이터를 넣어 직접 분석을 해보면 어떨까요? 그래도 부족한 내용은 인터넷을 검색해보거나 관련 논문을 찾아 학습하면 충분할 것이라고 생각합니다. '천리 길도 한 걸음부터'라는 속담이 지금보다 어울릴 만한 때는 없을 것 같네요. 그리고 이 책은 여러분이 천리 길을 더욱 빨리 갈 수 있도록 도와줄 것입니다.
머신러닝 학습을 막 시작하신 여러분을 환영합니다. 이 자리를 빌려, 이 책으로 머신러닝을 배우고자 하는 독자분들에게 역자의 입장에서 전해드리고 싶었던 말을 간단히 쓰고자 합니다.
이 책에 대해
저자인 케빈 머피는 머신러닝 분야의 저명한 학자로, 그가 저술한 서적들은 독자들에게 많은 사랑을 받고 있습니다. 특히 이 책의 원서는 『통계학으로 배우는 머신러닝 2/e』(에이콘, 2020), 『패턴 인식과 머신 러닝』(제이펍, 2018)과 함께 머신러닝 이론서로서 널리 읽히고 있습니다.
이 책은 딥러닝만을 위한 책이 아닙니다
이 책도 딥러닝의 주요 알고리듬에 대해 상당한 분량을 할애하여 다루고 있지만, 이와 더불어 방대한 머신러닝 분야에 대한 내용을 폭넓게 다루고 있습니다. 딥러닝을 빠르게 학습하고 싶은 분들이라면 『딥러닝 초보자를 위한 엔비디아 가이드북』(에이콘출판, 2023)과 같은 책을 보시는 것도 좋을 것 같습니다. 하지만 머신러닝 전반에 대한 내공과 이해도를 키우고자 하는 분들이라면 이 책이 탁월한 선택이 될 것이라고 생각합니다.
요구되는 수학적 기반 지식 및 학습 방법
많은 사람이 수학이라는 장벽에 부딪혀 머신러닝 학습을 포기하는 것 같습니다. 저 또한 포기하지 않기 위해 노력하고 있는 한 사람의 학습자로서, 개인적으로 이상적이라고 생각하는 학습 경로에 대해 써보겠습니다.
왜 원서 제목이 ‘확률적인(probabilistic)’ 머신러닝일까요? 결국 머신러닝이란 어떠한 현상의 확률적 모델링을 위한 도구가 아닐까 생각해 봅니다. 그리고 이를 이해하고 잘해내기 위해서는 기본적으로 미적분학, 선형대수학, 확률론, 통계학 등에 대한 어느 정도의 지식이 필요할 것입니다. 학습을 이어가다 보면 이들 간의 경계가 모호해지지만, 일단 구분해 보자면 그렇습니다. 특히 미적분은 다변수 미적분, 선형대수는 행렬 분해 및 행렬미적분, 통계학에서는 기본적 이론 및 베이즈 통계를 미리 학습한 경험이 있다면 많은 도움이 될 수 있습니다.
하지만 이러한 주제를 완벽하게 학습하고 나서 머신러닝에 대해 공부하려 하기보다는, 어느 정도 배경지식을 갖추고 이 책을 읽어보면서 부족한 부분은 유튜브 등 다양한 경로를 통해 꾸준히 학습하는 것도 좋은 방법이 될 수 있습니다. 긴 호흡을 가지고 꾸준히 학습을 이어나가는 마음가짐이 중요하다고 생각합니다.
스칼라 기반의 웹 애플리케이션을 개발하면서 핵심 로직을 동시적으로 병렬화해야 했다. 프로그램 구조가 더 이상 복잡해지지 않게 제한하면서 코드를 직관적으로 구현할 수 있는 도구가 필요했다. 스칼라와 아카의 조합은 이에 부합하는 환상적인 개발 환경이다. 아카의 성능을 긍정적으로 평가하는 많은 의견을 많이 접한 터라 망설임 없이 선택했다.
하지만 스칼라도 익숙하지 않았기 때문에 아카에 입문하기 적당한 책을 찾고 있었다. 아카를 다루는 한글 서적은 거의 없었는데, 사실 지금도 그렇다. 마침 에이콘출판사에서 『Akka Cookbook』의 번역을 제안한 덕분에, 아카에 더 쉽게 입문하는 데 도움이 되는 책이 나올 수 있었다.
아카를 활용하면 액터 모델을 기반으로 하는 동시적이고 확장 가능한 반응형 애플리케이션을 개발할 수 있다. 액터 모델은 메시지 기반으로, 부모 액터가 자식 액터에게 작업을 분산시키고, 결과를 동시적으로 받아 클라이언트에게 넘겨주는 일련의 체계로 간단히 설명할 수 있다. 이런 용어들은 구체적으로 무엇을 뜻할까? 또한 아카는 어떻게 액터 모델을 구현할까? 여러분은 이 책을 읽고 아카를 쉽게 학습할 수 있을 것이다.
이 책은 아카를 처음 접하는 사람들을 위해 SBT 설치부터 가급적 쉽게 동시적 프로그래밍 모델을 접할 수 있게 풀어낸다. 가벼운 마음으로 따라 하며 아카에 익숙해지기를 추천한다. 자바에서 아카를 사용한다면 예제에서 배운 내용을 바탕으로 도입 과정을 더 매끄럽게 진행할 수 있을 것이다. 또한 아카 지속성, 스트림, 클러스터링, HTTP 등 아카의 고급 기능을 활용할 때도 이 책의 도움을 받을 수 있다.
