PgMaru

이 책은, 현재 일본에서 딥러닝이 기업에서 어떻게 이용되고 있으며,

향후 어떻게 이용할 수 있는지를 취재하여 엮은 책이다.

그리고 앞부분에서는, 딥러닝 자체에 대해서도 소개하면서,

구글이 제공하는 여러가지 딥러닝 관련 API를 소개한다.

딥러닝에 대하여, 상당히 실용적인 내용이 담겨 있는 책이다.

사실, 딥러닝은 2016년 이세돌과 AI와의 바둑 대결을 통해 유명해졌고,

그 이후로 실생활에 점점 그 자리를 넓혀가고 있다.

하지만 아직 사람들에게는 막연한 개념이기도 하다.

앞으로 무궁무진하게 활용되리라는 것은 알지만,

현재, 그리고 지금 당장 어떻게 활용할 수 있는지는 잘 알지 못한다.

그치만 실제로는, 딥러닝은 이미 대중화될 준비가 되어 있으며,

그 선봉에는 구글이 있다.

이러한 구글의 노력이 집대성되어 있는 곳이 바로 GCP(Google Cloud Platform)이다.

구글이 제공하는 AI 관련 서비스는 크게 두가지 방향으로 갈라진다.

하나는 TensorFlow라는 라이브러리를 통해

딥러닝 및 머신러닝 자체를 직접 구현할 수 있도록 도와 준다.

또다른 하나는, Google Cloud API로써,

이미 머신러닝이 완료된 기능을 직접 이용할 수 있도록 제공된다.

Google Cloud API는 Vision, Speech, Natural Language, Translation 및 Dialogflow로 나누어진다.

이 책에서는 GCP 및 TensorFlow에 대해 설명하고,

일본 기업에서의 실제 적용사례를 소개하며,

적용할 마음은 있지만 아직 시작하지 않은 사람들을 위해

어떻게 접근하면 좋을지에 대한 방법론을 소개한다.

접근방법론을 요약하면, 쉬운 것부터, 비용과 관련된 것부터,

그리고 효과를 측정할 수 있는 것부터 시작하라는 것이다.

다분히 기업들을 위한 내용이지만,

관심 있는 개인들에게도 좋은 인사이트를 제공해 준다.

두껍지 않고 어렵지 않고 부담없이 읽을 수 있는 내용이면서도

아주 알찬 내용이 담겨 있다.

2048 게임을 즐기던 중에 문득,

딥러닝을 통해 컴퓨터가 2048 게임을 학습해서 실행해 보면 재밌겠다는 생각을 해 보았다.

딥러닝으로 바둑도 하고, ATARI의 벽돌깨기 게임도 하는 판에,

2048 게임을 못할 것도 없다는 생각에, 한번 시도해 볼까 하다가

혹시나 해서 인터넷을 검색해 보니,

역시나 벌써 누군가가 하고 있는 것을 발견했다.

YouTube

StackOverflow의 질문과 답변

GitHub에 올라온 소스

참고로, 다음 사이트에서는 

웹상에서 2048 게임을 할 수 있다.

Play 2048!

그리고 다음 블로그에는, 딥러닝은 아니지만 

AI를 통해 2048을 Play하는 내용의 글이 연재되어 있다.

An AI for 2048 

ConvNetJS를 이용하면, JavaScript를 이용해 머신러닝을 쉽게 구현하고 테스트할 수 있다.

그래서 연습삼아, 신경망을 통해 XOR을 학습하고 분류하는 과정을 구현해 보았다.

ConvNetJS의 Getting Started에 나온 Example: Neural Net Classification을 토대로,

Hidden Layer 갯수 및 각 레이어별 뉴런의 갯수를 설정할 수 있게 해 보았다.

신경망에 레이어를 추가하는 개념이 나오기 전까지는 

XOR을 학습하고 분류하는 것이 불가능했다고 하는데, 

실제로 Hidden layer 갯수를 0으로 하고 테스트해 보면,

XOR 분류가 안되는 것을 확인해 볼 수 있다.

머신러닝을 학습할 때 자주 등장하는 예제는 MNIST 분류일 것이다.

MNIST란, 숫자 필기 데이터 모음이며, 

머신러닝 기법간 정확도 비교를 위해 자주 사용된다.

자세한 정의는 다음 링크에 나와 있다.

MNIST database

또한, 딥러닝에 필요한 기능들을 구현해 둔 Library들이 있는데,

내가 찾아본 것은 다음의 몇가지들이다.

• Theano
• TensorFlow

위에 열거한 Library들에 대한 Tutorial을 보면,

공통적으로 MNIST 데이터를 사용하는 예제들이 나온다.

Theano

• http://deeplearning.net/tutorial/contents.html에서 전체 목록을 확인할 수 있음
• Logistic Regression(Softmax Regression)을 통한 MNIST분류
• Multilayer Perceptron을 통한 MNIST분류
• Convolutional neural Network를 통한 MNIST분류(LeNet)
• 등을 포함하여 여러가지 예제들이 이어진다.

• Softmax Regression을 통한 MNIST분류
• Multilayer Convolutional Network를 통한 MNIST분류

한동안 여기저기서 '빅데이터, 빅데이터...' 하면서 

'빅데이터'가 주요 관심사가 되었던 적이 있다.

또한, 얼마전 알파고-이세돌과의 바둑 대결을 통해 

인공지능, 머신러닝 등이 이슈로 대두되면서,

머신러닝을 뒷받침하는 '빅데이터' 기술에 대해서도 

다시금 눈을 돌리게 되었다.

'빅데이터'...데이터가 많아지면 '빅데이터'가 되겠거니 생각했는데,

막상 다음 글을 읽어보니, 그렇게 가볍게 흘러넘길 수 없는 기술이라는 것을 알 수 있었다.

"빅데이터 이야기:데이터 수집에서 분석까지"

또한, 위 글이 데이터 분석에 대한 이야기였다면,

다음 글은 저장기술, 처리방식에 대해 좀더 소개하고 있다.

"빅데이터를 위한 플랫폼들"

내가 생각하는 빅데이터 처리의 특징은, 

1. 데이터가 분산되어 저장된다는 것
2. 디스크 IO를 줄이기 위해 메모리DB를 사용하기도 한다는 것
3. 병렬처리를 한다는 것

이런 글들을 읽어 보니, 

'빅데이터'라는 것이 내가 생각하던 것보다 훨신 영향력 있는 기술이라는 것과 함께,

'머신러닝'과도 밀접한 관련이 있음을 알 수 있었다.