로우코드로 시작하는 AI/ML 입문비즈니스 활용을 위한 머신러닝 프로젝트 구현하기로우코드 AI를 활용한 데이터 우선 접근법과 사례 중심 접근법으로 머신러닝과 딥러닝 개념을 이해해 보자. 이 실용적인 안내서는 ① AutoML을 이용한 노코드 ML, ② 빅쿼리 ML을 이용한 로우코드, ③ 사이킷런과 케라스를 이용한 커스텀 코드 등 3가지 문제 해결 중심의 ML 학습 방법을 제시하고, 각각 실제 데이터셋과 현실적인 문제를 활용해 핵심 ML 개념을 학습한다. 비즈니스 및 데이터 분석가들은 상세하고도 데이터 중심적인 접근 방식을 통해 AI/ML을 프로젝트 기반으로 학습할 수 있다. 여기에는 데이터 로딩 및 분석, ML 모델에 데이터 입력, 모델 구축·훈련·테스트, 모델의 실제 환경 배포 등이 포함된다. 이 책은 소매업, 의료, 금융 서비스, 에너지, 통신 분야를 위한 머신러닝 모델 구축 방법을 함께 제시한다.
구글 클라우드에서 인공지능 및 머신러닝 콘텐츠 개발자로 일하며, 여러 사람이 생성형 AI 및 AI/ML 여정을 탐색할 수 있도록 돕고 있다. 유튜브에서 큰 인기를 얻은 ‘생성형 AI 소개(Introduction to Generative AI)’라는 영상을 제작했고, 링크드인 러닝에서 ‘신경망 소개(Introduction to Neural Networks)’라는 강의도 담당했다. 골든 게이트 대학교의 겸임 교수이며, 경영 분석 석사 과정 자문 위원회의 일원으로 활동한다. 이전에는 데이터 분석 회사인 클릭(Qlik)에서 데이터 분석 엔지니어, 클라우드 설계자, 기술 트레이너로 근무했다. 또한, 캘리포니아 도미니칸 대학교의 바로우스키(Barowsky) 경영 분석 학교, 골든 게이트 대학교의 아게노(Ageno) 경영 분석 학교, 구글 클라우드 NEXT, 구글의 벤처 캐피털리스트 및 스타트업 프로그램 등에서 발표하는 등 AI/ML 분야의 연사로도 활동 중이다.
1장 머신러닝에서 데이터로 의사 결정을 내리는 방법_1.1 목표 및 사용 사례 파악하기 _1.2 엔터프라이즈 ML 워크플로 _1.3 요약 2장 데이터의 중요성_2.1 사용 사례 및 데이터셋 개요 _2.2 데이터 및 파일 유형 _2.3 깃허브와 구글 코랩 개요 _2.4 요약 3장 머신러닝 라이브러리 및 프레임워크_3.1 노코드 AutoML _3.2 AutoML의 작동 방식 _3.3 서비스형 머신러닝 _3.4 로우코드 ML 프레임워크 _3.5 요약 4장 AutoML로 광고 미디어 채널의 매출 예측하기_4.1 비즈니스 사용 사례: 미디어 채널의 매출 예측하기 _4.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기_4.3 AutoML로 선형 회귀 모델 학습시키기 _4.4 요약 5장 AutoML로 사기 거래 탐지하기_5.1 비즈니스 사용 사례: 금융 거래 사기 탐지 _5.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기 _5.3 분류 모델 및 지표 _5.4 AutoML로 분류 모델 학습시키기 _5.5 요약 6장 빅쿼리 ML로 선형 회귀 모델 학습시키기_6.1 비즈니스 사용 사례: 전력 생산량 _6.2 빅쿼리 SQL로 데이터셋 정리하기 _6.3 선형 회귀 모델 _6.4 설명 가능한 AI _6.5 빅쿼리 ML에서의 신경망 _6.6 심층 분석: 클라우드 셸로 클라우드 스토리지 파일 보기 _6.7 요약 7장 파이썬으로 사용자 정의 ML 모델 학습시키기_7.1 비즈니스 사용 사례: 고객 이탈 예측 _7.2 노코드, 로우코드, 사용자 정의 코드 중 알맞은 ML 솔루션 선택하기 _7.3 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기 _7.4 사이킷런으로 로지스틱 회귀 모델 구축하기 _7.5 케라스로 신경망 구축하기 _7.6 버텍스 AI로 맞춤형 ML 모델 구축하기 _7.7 요약 8장 사용자 정의 모델의 성능 개선하기_8.1 비즈니스 사용 사례: 중고차 경매 가격 _8.2 사이킷런 모델 개선하기 _8.3 케라스로 모델 개선하기 _8.4 빅쿼리 ML에서 하이퍼파라미터 튜닝하기 _8.5 대규모 모델의 하이퍼파라미터 튜닝 _8.6 요약 9장 AI 여정의 다음 단계_9.1 데이터 과학 더 깊이 알아보기 _9.2 ML 운영 _9.3 지속적인 학습 및 평가 _9.4 요약 찾아보기
