올해 마지막 서평을 쓸 책은 비즈니스 데이터 과학입니다. 요즘 데이터 과학 분야 책을 보면 모든 데이터는 인공지능/딥러닝으로 이어지던 흐름에서 ML/DL과 별개로 활용 가능한 데이터 가공 및 모델링 등 분화하는 듯 합니다. 이 책도 회귀로 시작해서 인공지능을 끝을 맺습니다. 인공지능 모델들이 현재까지는 데규모 데이터를 다루는데 효과적인 것은 현재까진 사실에 가까우니까요.
데이터 과학를 다루는 많은 책들이 대부분 Python 기반의 코드를 다루는 것과 대조적으로 개인적으로는 오랜만에 만나는 R로 쓰인 책입니다. 아무리 Pyhton이 쉽고 데이터 사이언스가 견인해서 컸다고는 하지만 통계계통 사용자들의 안식처인 R과 matlab의 규모를 무시할 수 없는 듯 합니다.
React Native는 이제 많은 분들이 이름은 익숙하실 겁니다. 이 글을 읽고 계시면 작은 흥미는 있으실 거라고 생각합니다. React Native(이하 RN)은 안드로이드/IOS 개발이 모두 가능한 앱 프레임워크입니다.
OS에 종속 되지 않고 어플을 만들 수 있는 언어와 프레임워크는 RN 외에도 다양하게 존재합니다. C#의 자마린, 구글 Dart의 Flutter 등 선택지가 있습니다. RN의 가장 큰 장점은 메타라는 든든한 뒷배경과 새로운 언어의 추가적인 학습 소요가 적다는데 있다고 생각합니다. 자마린은 사실상 20년 이후 지원이 끝긴 상태고, Flutter를 하기 위해선 Dart를 배워야 하는데 아직까진 Flutter 외의 사용처가 없는 지엽적인 언어인게 장애물입니다.
골든래빗 출판사로부터 책을 제공받아 작성했습니다
책 바로가기
알파고가 가지고 온 인고지능 쇼크 이후 벌써 6년이라는 시간이 지났습니다. 그 기간동안 다양한 인공지능/딥러닝 관련 서적들이 나왔고, tenosrflow와 pytorch가 인공지능 프레임워크의 두 기둥으로 자리 잡았습니다. 다양한 프레임워크와 네트워크/모델들이 나왔고 그래서 상대적으로 초창기에 나온 책들은 기초적인 MLP, CNN, RNN 정도를 다루고 부록에 GAN, Transformer 등 나름 트랜디하게 뒤에 나온 모델들을 소개하는 정도였습니다. 이번 책은 퍼셉트론을 시작으로 GPT, ViT등 요즘 핫하다고 할 수 있는 대규모 모델 등까지 다루고 있습니다.
파이썬을 이용하다보면 프로젝트마다 필요한 라이브러리들이 다르고 파이썬의 버전도 다른경우가 대부분입니다. 그래서 다양한 가상환경 세팅을 위한 라이브러리들과 환경들이 존재합니다. 제목처럼 Anaconda에서 가상환경을 만들고 jupyter에 커널을 연결하는 방법을 소개드리겠습니다.
1. 환경만들기 conda create -n [env name] [python=ver] Anaconda Prompt에서 위와 같이 입력을 하시면 가상환경이 만들어집니다. 환경변수를 설정해놓으셨다면 윈도우 기준 꼭 Anaconda Prompt가 아니어도 CMD 등 에서도 가능합니다.
[env name] 옵션은 여러분이 만든 가상환경에 붙는 이름입니다. [python=ver]은 필요할 경우 기입하시면 됩니다. 특정 파이썬 버전이 필요하시면 해당 버전을 기입하시면 됩니다.
소프트웨어의 아키텍처는 프로젝트의 규모가 커지고 복잡해 질 수록 진가를 발휘하는 것 같습니다. 이번 SK IDC 화재로 카카오의 서비스들이 다운 되었을 때도 여러사람이 지적한 부분이 아키텍처 측면이었습니다. 프로젝트를 진행하다보면 초기에는 빠른 성장을 위해 사소한 것들은 뒤로 잠시 미뤄두고 진행하기도 합니다. 작은 변화는 티가 잘 나지 않는 것처럼 아키텍처의 변화는 각 단계들에서 덧 붙여지는 것은 크게 체감하기 힘듭니다. 하지만 어느 순간 돌아보면 개발 중인 사람조차 이해하기 힘들정도로 엉켜 있는경우가 있습니다.
이 책은 이런 경우 어떻게 접근하고 분해해야 할까를 다루고 있습니다.
9월 한빛 리뷰어로 리뷰하게 된 책은 코드로 인프라 관리하기입니다. 리뷰어를 하면서 책을 읽다보면 도서 시장에 작은 트렌드들과 큰 흐름이 있는 것 같습니다. DevOps, Cloud Native등 온 프레미스에서 클라우드로 넘어가는 과정의 기술 적 과도기에 봉착 한 사람들이 많을 것입니다.
이 책은 제목 그대로 IaC(Infrastructure as Code)와 그에 수반되는 DevOps 등 다양한 기술과 필요한 이유, 해당 개념에 따라오는 부가적인 요소까지 설명하고 있습니다. 점점 규모가 커지면서 전통적인 방법들로는 빠른 대응과 확장이 힘들 수 밖에 없는 구조가 되어 가고 있습니다.
골든래빗 출판사로부터 책을 제공받아 작성했습니다
책 바로가기
데싸노트의 실전에서 통하는 머신러닝을 선택하기 전에 반드시 아셔야 할 내용이 하나 있습니다. 머신러닝과 딥러닝은 다른 것입니다. 입문 단계에서 가장 많이 헷갈리고 혼용하는 것이 용어입니다. 동일 카테고리에서 특히 많은 혼동이 있는 듯 합니다. 이제는 조금 옛날 이야기가 되어버렸지만 새롭게 인공지능의 붐을 일으킨 알파고 이후 인공지능 == 머신러닝 == 딥러닝으로 알고 있는 사람이 많아져 더욱 용어에 혼란을 느끼는 사람이 많은 듯 합니다. 그래서 이 책은 제목 그대로 머신러닝만을 다루고 있습니다.