줄리아 머신러닝, 딥러닝, 강화학습

김태훈 지음

제이펍 2023년 12월 14일 출간 국내도서 : 2023년 10월 06일 출간

작품소개

책소개

강력한 줄리아 언어와 생태계를 활용해 전문가답게 인공지능 실무를 처리해보자. 이 책은 줄리아의 타입 시스템이나 메서드 특화 등 언어적 특성을 자세히 살펴보고, 이어서 데이터 분석, 머신러닝, 딥러닝, 강화학습 영역에서의 일반적인 작업들과 최신 알고리즘들을 줄리아로 우아하게 실습해본다. 줄리아를 프로덕션 레벨로 익히고 활용하고 싶다면, 이 책이 유일무이한 선택이다.

목차

베타리더 후기 xii
이 책에 대하여 xvi

PART I 줄리아 언어

CHAPTER 1 기본 문법 3
1.1 변수 3
1.2 수치 타입 4
__정수 4 / 부동소수점 수 5
1.3 자료구조 6
__배열 6 / 튜플 6 / 명명된 튜플 7 / 딕셔너리 7
1.4 문자열 타입 7
1.5 복합 타입 9
1.6 기본 연산 10
1.7 함수 11
__함수 정의 및 호출 11 / 인수 기본값 12 / 가변 인수와 키워드 인수 12 / 익명 함수와 do 블록 13 / 함수 합성과 파이핑 14 / 벡터화용 dot 연산자 14 / 인수 전달 방식 14 / 객체 호출 함수 15
1.8 제어 흐름 15
__복합식 15 / 조건식 16 / 반복문 16 / 예외 처리 17
1.9 모듈 17
1.10 변수 영역 19
__전역 변수 19 / 함수의 지역 변수 19 / for, while, try 문의 지역 변수 20

CHAPTER 2 타입 시스템 23
2.1 동적 타입 23
2.2 추상 타입과 구체 타입 25
__줄리아 수 체계 25 / 추상 타입 27 / 원시 타입 27 / 복합 타입 28 / 변경 불가능성 30 / 행위의 상속 31
2.3 매개변수 타입 32
__UnionAll 타입 34 / 무공변성 34 / 매개변수 추상 타입 36
2.4 그 외 타입들 36
__싱글턴 타입 36 / Nothing 타입 37 / 함수 타입 37 / 튜플 타입 37 / 유니언 타입 38
2.5 타입 변환과 승격 38
__타입 변환 39 / 승격 40 / 사용자 정의 수 타입 41

CHAPTER 3 함수와 메서드 45
3.1 다중 디스패치 46
__다중 디스패치 작동 방식 47 / 다중 디스패치 내부 구현 49 / 인수 타입별로 최적화된 메서드 정의 50
3.2 메서드 특화 51
__컴파일 단계 52 / 복합 타입 인수 메서드의 특화 55 / 타입 시스템과 메서드 특화 57
3.3 성능 좋은 코드를 작성하는 법 57
__스크립트 대신 함수 작성 57 / 타입 명시된 전역 변수 활용 58 / 배열의 원소 타입은 구체 타입으로 58 / 복합 타입의 필드 타입은 구체 타입으로 59 / 타입 안정성 지키기 59

CHAPTER 4 메타프로그래밍 63
4.1 코드의 데이터 표현 63
__표현식 63 / 심벌 64 / 평가(실행) 65 / 내삽 65
4.2 코드 생성 65
4.3 매크로 68
__매크로 예제 68 / 이스케이핑 69 / 다시 가위바위보 70 / 유용한 매크로 72

CHAPTER 5 다차원 배열 75
5.1 다차원 배열의 특징 75
__열 우선 75 / 벡터화 불필요 78
5.2 다차원 배열의 사용법 80
__배열 리터럴 및 생성 80 / 인덱싱 및 할당 82 / 브로드캐스팅 83 / 뷰 84
5.3 사용자 정의 배열 타입 84

CHAPTER 6 병렬 연산 87
6.1 멀티스레딩 87
6.2 멀티프로세싱 90
6.3 분산 컴퓨팅 92
6.4 CUDA GPU 활용 96

PART II 데이터 분석 도구

CHAPTER 7 재현 가능 환경 103
7.1 패키지 관리자 103
7.2 프로젝트 환경 관리 106
7.3 환경 재현 108

CHAPTER 8 상호작용 환경 111
8.1 IJulia.jl 111
8.2 Pluto.jl 113
8.3 구글 코랩 114
8.4 비주얼 스튜디오 코드 116

CHAPTER 9 데이터 처리 도구 117
9.1 Tables.jl 117
9.2 DataFrames.jl 118
__데이터프레임 생성 118 / 인덱싱 120 / 열 선택 및 변환 122 / 분할, 적용, 결합 123 / 팬더스와의 비교 124
9.3 Query.jl 126

CHAPTER 10 시각화 도구 129
10.1 Plots.jl 129
__기본 사용법 129 / 백엔드 변경 132 / StatsPlots.jl 133
10.2 Makie.jl 134

CHAPTER 11 데이터 처리 실습 139
11.1 변수명 정정 140
11.2 결측치 채우기 141
11.3 분포 변환 145

PART III MLJ를 이용한 머신러닝

CHAPTER 12 워크플로 151
12.1 데이터 준비 152
__과학적 타입 153 / 데이터셋 분할 155 / 전처리 156
12.2 모델 준비 157
__모델 검색 157 / 모델 코드 로딩 159 / 모델 타입 체계 160
12.3 학습, 예측, 평가 161
__학습 161 / 예측 164 / 평가 측도 165 / 교차검증 166
12.4 하이퍼파라미터 튜닝 167
__튜닝 예제 168 / 조기 종료 171

CHAPTER 13 모델 합성 173
13.1 데이터셋 준비 173
13.2 파이프라인(합성 모델) 175
__파이프라인 튜닝 176 / 셀프튜닝 모델들의 파이프라인 178 / 타깃 변환 179
13.3 파이프라인(학습 네트워크) 180
__프로토타이핑 180 / 학습 네트워크 내보내기 183
13.4 배깅 186
__EnsembleModel 187 / 학습 네트워크 188 / RandomForest 189
13.5 스태킹 190
__스태킹 과정 191 / 학습 네트워크 194

CHAPTER 14 비정형 데이터 197
14.1 이미지 분류 197
__데이터 정형화 198 / 다양한 모델 적용 199
14.2 텍스트 분석 205
__텍스트 전처리 206 / 텍스트 데이터의 특성 추출 208 / 학습 및 예측 211

PART IV 플럭스를 이용한 딥러닝

CHAPTER 15 자동 미분 217
15.1 미분 구하는 방법 217
15.2 미분 구현 실습 220
__구현 1: 손 미분 220 / 구현 2: 수치 미분 220 / 구현 3: 기호 미분 221 / 구현 4: 자동 미분 222 / 15.3 플럭스의 자동 미분 227
__자이곳 사용법 227 / 소스 코드 변환 방식 229

CHAPTER 16 플럭스 사용법 235
16.1 데이터 준비 236
16.2 모델 생성 237
__가중치 초기화 238 / 사용자 정의 타입과 함자 238
16.3 학습 및 테스트 240
__모델 학습 함수 240 / 모델 테스트 함수 242
16.4 전체 실행 242
__손실 함수 및 옵티마이저 지정 243 / 에폭별 실행 243 / 모델 저장 및 로딩 245
16.5 관련 패키지 246

CHAPTER 17 컴퓨터 비전 249
17.1 합성곱 신경망 249
__패션 아이템 분류 249 / 숫자 손글씨 분류 253
17.2 전이 학습 253
__데이터셋 준비 254 / 학습 및 테스트 함수 255 / 모델 정의 255 / 학습 및 테스트 256
17.3 가짜 이미지 생성 258
__사용자 정의 데이터셋 258 / 생성자와 판별자 261 / 훈련 262
17.4 객체 탐지 265
__객체 탐지 266 / 탐지 결과 그리기 267

CHAPTER 18 자연어 처리 271
18.1 순환 신경망 271
__셀과 래퍼 271 / 계층 273 / 손실 함수 정의 274
18.2 문자열 생성 275
__데이터셋 생성 276 / 모델 및 손실 함수 278 / 학습 및 문자열 생성 279
18.3 텍스트 분류 280
__데이터셋 준비 281 / 학습 및 테스트 함수 282 / 임베딩층 283 / 어텐션층 283 / 모델 정의 284 / 사전 학습된 임베딩 286 / 최종 결과 286
18.4 트랜스포머 288
__데이터셋 준비 및 학습, 텍스트 함수 288 / 모델 정의 288 / 학습 결과 290 / 정규화 순서 바꾸기 291
18.5 BERT 292
__텍스트 토큰화 292 / 특성 추출 294 / 분류 모델 정의 및 학습 295
18.6 허깅페이스 296
__BERT 기반의 모델 298 / GPT-2 299 / BART 300

PART V 심층 강화학습
CHAPTER 19 강화학습 환경 305
19.1 환경 사용법 305
19.2 카트폴 환경 307
19.3 사용자 정의 환경 309

CHAPTER 20 가치 기반 알고리즘 313
20.1 기본 개념 313
__정책, 궤적, 이득 313 / 기대이득, 최적정책 314 / 가치 함수: (최적) 상태, (최적) 행동 314 / 어드밴티지 함수 315 / 시간차 학습 315 / 활성 정책 vs 비활성 정책 317 / 탐험과 활용 317 / 타깃 네트워크 318 / 행동자-비평자 318
20.2 DQN 318
__경험 재현 버퍼 319 / 하이퍼파라미터 321 / 모델 정의 323 / 전체 실행 함수 325 / 행동 선택 함수 328 / 모델 훈련 함수 328 / 손실 함수 반환 함수 330 / 카트폴 결과 331
20.3 DDPG 333
__코드 구현 334 / 카트폴 결과 336
20.4 SAC 337
__코드 구현 338 / 카트폴 결과 342

CHAPTER 21 정책 기반 알고리즘 343
21.1 기본 개념 343
__정책 경사 343 / GAE 345
21.2 A2C 346
__롤아웃 버퍼 346 / 이득 및 GAE 계산 349 / 하이퍼파라미터 350 / 모델 정의 352 / 전체 실행 함수 354 / 행동 선택 함수 356 / 모델 훈련 함수 359 / 손실 함수 반환 함수 360 / 카트폴 결과 361
21.3 PPO 364
__코드 구현 366 / 카트폴 결과 367
21.4 가치 기반과 정책 기반 알고리즘 비교 368

맺음말 370
찾아보기 373

책 속으로

다음은 줄리아 JIT 컴파일러가 메서드를 컴파일하는 단계를 나타낸 그림이다. (…) 먼저, 소스 코드를 파싱하여 줄리아의 추상 구문 트리(abstract syntax tree, AST)를 생성한다. AST는 코드가 작성된 방식 그대로 구조화한 것이다. Meta.parse 함수로 앞의 소스를 파싱한 결과는 다음과 같다. (…) 다음으로, AST를 컴파일러가 최적화하기 좋은 형태로 저수준화한다. 앞에 나온 그림의 세 번째 상자인 줄리아의 중간 표현(intermediate representation, IR)이 이에 해당한다. 이 IR를 이용하여 메서드
특화, 타입 추론 등 줄리아 고유의 최적화가 이루어진다. 아래는 @code_lowered 매크로에 의해 생성된 줄리아의 중간 표현이다. (52~53쪽)

파이썬의 리스트(list)는 임의의 타입들에 대한 포인터를 담으므로 줄리아의 Vector{Any}와 비슷하다고 할 수 있다. 반면, 동일한 타입의 값을 배열에 직접 저장하는 넘파이(NumPy) 배열은, 1차원 dtype=np.float64인 경우 줄리아의 Vector{Float64}와 유사하다. / 다차원 배열의 경우, 넘파이는 디폴트 설정으로 행 우선(row-major) 방식으로 배열을 저장하는 반면, 줄리아는 열 우선(column-major) 방식으로 배열을 저장한다. 먼저 이런 줄리아 배열의 특징들부터 살펴본 후, 자세한 사용법을 익혀보자. (75쪽)

참고로, 기본 설정인 행 우선으로 생성된 넘파이 배열로 팬더스 데이터프레임을 생성하면 시리즈(열)별 계산이 효율적이지 못한 경우가 많다. 다음의 예제는 행 우선으로 생성한 배열 data로 만든 데이터프레임 df와 열 우선으로 생성한 배열 data2로 만든 데이터프레임 df2의 특정 열의 평균을 계산하는 데 걸리는 시간을 측정한 것이다. (…) 반면 줄리아는 배열이 열 우선이기 때문에, 배열에서 복사 없이 데이터프레임을 생성해도 열별로 효율적인 계산이 일어난다. (…) 단순화한 사례이므로 팬더스의 성능과 비교하기엔 성급하지만, 열 평균 계산에서 줄리아의 데이터프레임이 팬더스의 열 우선 배열 데이터프레임 이상으로 빠른 성능을 보였다. (126쪽)

MLJ의 모델은 하이퍼파라미터들을 담고 있는 변경 가능 복합 타입이다. 모델은 직접 작성할 수도 있고 기작성된 모델들 중에서 적합한 모델을 가져올 수도 있다. 또한 여러 모델을 합성해서 사용할 수도 있다. 모델 개발자가 아니면 모델을 직접 작성하는 경우는 드물 것이므로, 해당 내용은 MLJ
문서 등을 참고하면 된다. (…) MLJ에는 머신러닝 모델들을 패키지 로딩 없이도 검색할 수 있는 모델 등록소(registry)가 있다. models 함수를 이용하여 현재 등록된 모델들의 정보를 조회해볼 수 있다. (157쪽)

먼저 14.1절에서 다뤘던 MLDatasets 패키지를 이용하여 MNIST 패션 아이템 데이터셋을 불러온다. xtrain 데이터는 28 × 28픽셀의 이미지 6만 개로 이루어져 있고, ytrain은 각 이미지의 레이블이다. xtest, ytest 데이터는 1만 개의 이미지와 레이블 데이터이다. / 이미지 데이터는 reshape 함수를 이용하여 (W, H, C) 형상으로 바꿔준다. 파이토치에서는 (C, H, W) 형상을 이용하지만, 열 우선 배열인 줄리아에서는 합성곱 계산 시 빠른 접근이 필요한 W와 H 축이 1, 2차원으로 온다. 본 예제에서는 합성곱 신경망 대신 다층 퍼셉트론 신경망을 이용하기 때문에 채널 축이 필요 없지만, 합성곱 모델에도 적용될 수 있게 형상을 이렇게 바꿔둔다. (236쪽)

Q러닝에서는 다음 행동 a′으로 현재 학습된 Q함수의 Q값을 가장 크게 하는 행동을 선택한다. 이 경우 에이전트는 훈련 초기에 Q함수를 충분히 학습하지 못한 상태에서 다양한 상태 행동 공간을 탐험(exploration)할 기회를 놓치게 된다. / 훈련 초기에는 탐험의 비율을 높이고 뒤로 갈수록 학습 결과를 활용(exploitation)하여 Q값을 가장 크게 하는 행동을 선택하는 전략으로, DQN에서는 엡실론 탐욕적(epsilon-greedy) 전략을 쓴다. 초반에는 높은 엡실론 비율만큼 무작위한 행동을 선택하고, 뒤로 갈수록 엡실론 비율을 낮춰서 탐욕적(가장 Q값을 높이는) 행동을 많이 선택한다. DDPG, SAC에서도 탐험과 활용의 균형을 조정하기 위해 유사한 전략을 사용한다. (317쪽)

출판사 서평

가장 빠르고 우아한 데이터 과학 최고의 언어를 만날 시간

줄리아는 파이썬 상위호환 언어로 평가받으면서 사용이 늘고 있다. 파이썬과 같이 동적 언어이면서도 C와 같은 정적 언어에 가까운 실행 속도를 보이며, 대부분의 라이브러리 역시 줄리아 코드로 작성되어 라이브러리의 코드를 수정하거나 디버깅하기가 매우 쉽다는 장점도 있다.

이 책은 줄리아의 우아한 언어 특성과 강력한 라이브러리 생태계를 활용해 전문가답게 인공지능 실무를 처리하는 방법을 알려준다. 언어 문법을 매뉴얼 형식으로 설명하는 대신, 타입 시스템, 다중 디스패치, 메서드 특화, 메타프로그래밍, 다차원 배열, 병렬 연산 등 실무 관점에서 알아야 할 줄리아의 코딩 스타일을 자세히 다룬다. 이어서 데이터 분석과 시각화에 쓰이는 라이브러리들(Tables.jl, DataFrames.jl, Query.jl, Plots.jl 등)과 환경 구성법을 살펴보고, 간단한 전처리 실습도 해본다. 특히 책 앞부분은 파이썬과 비교하는 예시로 파이썬 사용자의 줄리아 적응을 돕는다.

이후는 머신러닝, 딥러닝, 강화학습 영역의 일반적인 작업들에 대해 최신 알고리즘을 활용해 줄리아로 우아하게 실습해보는 시간이다. 줄리아의 과학적 타입이나 MLJ의 모델 합성을 활용하면 머신러닝 워크플로 자체가 얼마나 깔끔해지는지 체감할 수 있다. 플럭스를 사용하는 딥러닝 파트에서는 자동 미분과 함자를 설명한 다음, 컴퓨터 비전, 객체 탐지, NLP 등의 딥러닝 작업들을 실습한다. 파이토치나 텐서플로에 익숙한 독자가 쉽게 따라올 수 있게 구성했다. 끝으로 DQN, DDPG, SAC, A2C, PPO 등 강화학습 알고리즘을 줄리아로 구현해 카트폴 환경에서 결과를 확인해본다.

줄리아 문법 또는 인공지능 이론을 기초부터 하나씩 설명하는 책은 아니다. 그런 입문서들은 이미 시중에 있지만, 줄리아를 실제로 인공지능 실무에 활용해본 저자가 노하우를 담아 집필한 활용서는 이 책이 유일하다. 인공지능 실무에서 생산성을 높이고 싶다면 이 책이 가장 우아한 선택이 될 것이다.

주요 내용
● 타입 시스템, 다중 디스패치, 메서드 특화, 메타프로그래밍, 병렬 연산 등 줄리아의 강력한 언어 특성
● Tables.jl, DataFrames.jl, Query.jl, Plots.jl 등 줄리아 패키지를 활용한 데이터 분석 및 시각화
● 과학적 타입을 이용한 머신러닝 전처리, 학습, 예측, 평가, 튜닝 및 모델 합성 실무
● 플럭스를 사용한 컴퓨터 비전, 객체 탐지, NLP 등 딥러닝 작업 실습
● DQN, DDPG, SAC, A2C, PPO 강화학습 알고리즘 구현

작가정보

저자(글) 김태훈

서울대학교에서 경영학과 통계학을 전공했다. 상품선물을 거래하는 미국 헤지펀드에서 6년간 파이썬으로 데이터 분석을 했다. 2012년부터 국내 대표 사모운용사인 타임폴리오자산운용에서 전산 본부를 이끌고 있다. 주로 하는 업무는 주문 처리 자동화, 위험 관리 시스템 구축, 시장 데이터 분석 등이다. 서비스 구현 시에는 C#을 주로 사용하고, 데이터 분석 시에는 줄리아를 즐겨 사용한다. 러스트, F# 등 다양한 프로그래밍 언어를 업무에 도입해보는 것을 좋아하고, 여러 언어 중에서 줄리아로 작업할 때 가장 우아함을 느꼈다. 새벽에 일어나서 맑은 정신으로 코딩할 때 행복함을 많이 느낀다.