1950년대에 인공지능이라는 용어가 처음 소개됐을 때까지만 해도 소수의 전문가가 복잡한 수식과 많은 연산 자원을 가지고 연구하던 영역이었다. 하지만 최근 관련 하드웨어의 발전과 여러 기업이나 단체에서 제공하는 오픈소스 도구를 활용해 누구라도 필요한 도구를 간단하게 설치하고 딥러닝을 직접 경험해 볼 수 있다. 오늘날 딥러닝 관련 기술은 매우 빠르게 발전하고 있다. 하루만에 새로운 기술이 개발되고 있고, 지금 배우는 기법이나 도구가 1년 뒤에도 여전히 쓰일 것인지 알 수 없다. 하지만 딥러닝이 기본적으로 어떻게 구현되는지, 또 근간을 이루는 수학적인 개념이 실습을 통해 익숙해지면 차후 새로운 기법과 도구를 더욱 쉽게 활용할 수 있다.
머신러닝, 딥러닝 분야의 대부분 용어는 영어로 번역이 필요하지만, 국내에서 활발하게 사용된 지 어느 정도 시간이 지났기 때문에 원문 그대로 사용했다. 또한 원문의 의미를 해치지 않는 선에서 업계에서 사용하는 용어를 쓰고자 노력했다.
1950년대에 AI가 처음 소개됐을 때까지만 하더라도 소수의 전문가가 복잡한 수식과 많은 연산 자원을 이용해 연구하던 영역이었습니다. 하지만 최근 들어 관련 하드웨어의 발전과 여러 기업이나 단체에서 제공하는 오픈소스 도구를 활용해 누구라도 필요한 도구를 간단하게 설치하고 직접 경험해 볼 수 있습니다. 오늘날 AI 기술은 매우 빠르게 발전하고 있습니다. 하루가 멀다하고 새로운 기술이 개발되고 있고 지금 배우는 기법이나 도구가 1년 후에도 여전히 쓰일지 알 수 없습니다. 하지만 실습을 통해 AI가 기본적으로 어떻게 예측에 도달하는지, 근간을 이루는 개념은 무엇인지에 익숙해지면 향후 새로운 기법과 도구를 좀 더 쉽게 활용할 수 있을 것입니다.
AI 기술이 발전하고 그것을 활용한 사례가 늘어남에 따라 모델이 왜 그런 예측에 도달했는지, 어떻게 하면 결과가 달라졌을지 설명을 해야 할 상황도 늘어나고 있습니다. 이 책은 머신러닝 모델에 최신 해석 기술을 적용해 공정하고 설명 가능한 AI 시스템을 구축하는 데 도움이 되고자 합니다. 해석 가능성에 대한 이야기는 많지만, 실무에 필요한 기술을 설명하거나 실용적인 지침을 제공하는 자료는 거의 없습니다. 이 책은 그 격차를 해소하고자 합니다.
머신러닝, 딥러닝 분야의 용어는 대부분 영어입니다. 국내에서도 활발하게 사용되기 시작한 지 어느 정도 시간이 지났기 때문에 용어를 원문 그대로 사용하는 것이 편한 사람이 많습니다. 원서를 번역하는 과정에서도 원문의 의미를 해치지 않는 범위에서 업계에서 흔히 사용하는 용어를 사용하고자 노력했습니다.
