영진닷컴 - IT 전문 출판기업

HOME 도서정보 IT 도서 컴퓨터공학

개발자를 위한 AI 알고리즘 저자 임란 아마드 | 페이지 544
ISBN 9788931481556 | 정가 35,000 | 출판일 2025-12-05

판매처

알고리즘의 원리부터 실제 활용까지 폭넓게 다루며, 머신러닝과 딥러닝, 최신 대규모 언어 모델(LLM)까지 연결해 설명합니다.

알고리즘과 머신러닝 분야에서 오랜 기간 연구해 온 데이터 사이언티스트다. 2010년 박사 과정에서 클라우드 자원 할당을 위한 선형 계획법 기반 알고리즘을 제안했고, 2017년에는 실시간 분석 프레임워크 StreamSensing을 개발했다. 현재 캐나다 연방정부의 A2SC에서 일하며 칼턴대학교 겸임 교수로 활동 중이고, 구글(Google)과 러닝트리(Learning Tree)에서 알고리즘, 클라우드 컴퓨팅, 딥러닝을 가르쳐왔다. 여러 연구 논문을 발표했고 일부는 최우수 논문상을 받았다. 취미는 자연 사진이며, 기술을 인류 발전에 활용하는 데 열정을 쏟고 있다.

<1부> 기초 및 핵심 알고리즘

1장 알고리즘 개요
1.1 알고리즘이란 무엇인가?
1.1.1 알고리즘의 단계
1.1.2 개발 환경
1.2 파이썬 패키지
1.2.1 SciPy 생태계
1.2.1.1 주피터 노트북 사용하기
1.3 알고리즘 설계 기법
1.3.1 데이터 차원
1.3.2 계산 차원
1.4 성능 분석
1.4.1 공간 복잡도 분석
1.4.2 시간 복잡도 분석
1.4.3 성능 평가
1.4.3.1 최선의 경우
1.4.3.2 최악의 경우
1.4.3.3 평균적인 경우
1.4.4 빅오 표기법
1.4.5 상수 시간(O(1)) 복잡도
1.4.6 선형 시간(O(n)) 복잡도
1.4.7 2차 시간(O(n2)) 복잡도
1.4.8 로그 시간(O(logn)) 복잡도
1.5 알고리즘 선택하기
1.6 알고리즘 검증
1.6.1 정확한 알고리즘, 근사 알고리즘, 무작위 알고리즘
1.6.2 설명 가능성

2장 알고리즘에 사용되는 자료 구조
2.1 파이썬 내장 자료형 탐색하기
2.1.1 리스트
2.1.1.1 리스트 사용
2.1.1.2 리스트 수정하기: append 및 pop 연산
2.1.1.3 range() 함수
2.1.1.4 리스트의 시간 복잡도
2.1.2 튜플
2.1.2.1 튜플의 시간 복잡도
2.1.3 딕셔너리와 세트
2.1.3.1 딕셔너리
2.1.3.2 세트
2.1.3.3 세트의 시간 복잡도 분석
2.1.3.4 언제 딕셔너리와 세트를 사용해야 하는가
2.1.4 시리즈와 데이터프레임 사용하기
2.1.4.1 시리즈
2.1.4.2 데이터프레임
2.1.4.3 데이터프레임의 하위 집합 생성하기
2.1.4.4 데이터프레임 연산의 시간 복잡도 분석
2.1.5 행렬
2.1.5.1 행렬 연산
2.1.5.2 빅오 표기법과 행렬
2.2 추상 자료형 탐색하기
2.2.1 벡터
2.2.1.1 벡터의 시간 복잡도
2.2.2 스택
2.2.2.1 스택 연산의 시간 복잡도
2.2.2.2 실용 예제
2.2.3 큐
2.2.3.1 큐의 시간 복잡도 분석
2.2.3.2 스택과 큐 사용의 기반 아이디어
2.2.4 트리
2.2.4.1 용어 설명
2.2.4.2 트리의 종류
2.2.4.3 실용 예제

3장 정렬 및 탐색 알고리즘
3.1 정렬 알고리즘 소개
3.1.1 파이썬에서 변수 교환하기
3.1.2 버블 정렬
3.1.2.1 버블 정렬 로직 이해하기
3.1.2.2 버블 정렬 최적화하기
3.1.2.3 버블 정렬 알고리즘 성능 분석
3.1.3 삽입 정렬
3.1.3.1 삽입 정렬 알고리즘 성능 분석
3.1.4 병합 정렬
3.1.5 셸 정렬
3.1.5.1 셸 정렬 알고리즘 성능 분석
3.1.6 선택 정렬
3.1.6.1 선택 정렬 알고리즘 성능 분석
3.1.7 정렬 알고리즘 선택하기
3.2 탐색 알고리즘 소개
3.2.1 선형 탐색
3.2.1.1 선형 탐색 알고리즘 성능 분석
3.2.2 이진 탐색
3.2.2.1. 이진 탐색 알고리즘 성능 분석
3.2.3 보간 탐색
3.2.3.1 보간 탐색 성능 분석
3.3 실용 예제

4장 알고리즘 설계
4.1 알고리즘 설계의 기본 개념 소개
4.1.1 고려 1 - 정확성: 이 알고리즘이 우리가 기대한 결과를 생성하고 있는가
4.1.2 고려 2 - 성능: 이 알고리즘은 이러한 결과를 얻기 위한 최적의 방식인가?
4.1.2.1 문제의 복잡도 분석하기
4.1.2.2. P와 NP의 관계 탐색하기
4.1.2.3. NP-완전과 NP-난해 소개
4.1.3. 고려 3 - 확장성: 이 알고리즘은 더 큰 데이터세트에서 어떻게 작동할 것인가?
4.1.3.1. 클라우드의 유연성과 알고리즘의 확장성
4.2 알고리즘 전략 이해하기
4.2.1. 분할 정복 전략 이해하기
4.2.1.1. 실용 예제 - 아파치 스파크에 적용된 분할 정복
4.2.2. 동적 프로그래밍 전략 이해하기
4.2.2.1. 동적 프로그래밍의 구성 요소
4.2.2.2. 동적 프로그래밍 사용 조건
4.2.3. 탐욕 알고리즘 이해하기
4.2.3.1. 탐욕 알고리즘 사용 조건
4.3 실제 응용 – 외판원 문제(TSP) 해결
4.3.1. 무차별 대입 전략 사용하기
4.3.2. 탐욕 알고리즘 사용하기
4.3.3. 세 가지 전략 비교
4.4 페이지랭크 알고리즘 소개
4.4.1. 문제 정의
4.4.2. 페이지랭크 알고리즘 구현하기
4.5 선형 프로그래밍 이해하기
4.5.1. 선형 프로그래밍 문제 공식화하기
4.5.1.1. 목적 함수 정의하기
4.5.1.2. 제약조건 지정하기
4.5.2. 실용 예제 - 선형 프로그래밍으로 공급능력 계획하기

5장 그래프 알고리즘
5.1 그래프 이해하기: 간단한 소개
5.1.1. 그래프: 현대 데이터 네트워크의 중추
5.1.1.1. 실제 응용 분야
5.1.2. 그래프 기초: 정점(혹은 노드)
5.2 그래프 이론과 네트워크 분석
5.3 그래프 표현 방식
5.4 그래프의 구조와 종류
5.4.1. 자아 중심 네트워크
5.4.1.1. egonet 기초
5.4.1.2. 원 홉, 투 홉, 그리고 그 너머
5.4.1.3. egonet 적용
5.5 네트워크 분석 이론 소개
5.5.1. 최단 경로 이해하기
5.5.1.1. 이웃 만들기
5.5.1.2. 삼각형
5.5.1.3. 밀도
5.5.2. 중심성 지표 이해하기
5.5.2.1. 차수
5.5.2.2. 매개(betweenness)
5.5.2.3. 공정성과 근접성
5.5.2.4. 고유벡터 중심성(eigenvector centrality)
5.5.3. 파이썬으로 중심성 계산하기
5.5.3.1. 기초 설정: 라이브러리 및 데이터
5.5.3.2. 그래프 만들기
5.5.3.3. 그림 그리기: 그래프 시각화
5.5.4. 소셜 네트워크 분석
5.6 그래프 순회 이해하기
5.6.1. BFS
5.6.1.1. 인접 리스트 구축하기
5.6.1.2. BFS 알고리즘 구현
5.6.1.3. 특정 정보 탐색에 BFS 사용하기
5.6.2. DFS
5.7 사례 연구: 소셜 네트워크 분석으로 사기 탐지하기
5.7.1. 도입
5.7.2. 사례 연구에서 사기란 무엇인가?
5.7.3. 단순한 사기 분석 수행하기
5.7.4. 감시탑 사기 분석 방법 소개
5.7.4.1. 부정적 결과에 대한 점수 매기기(scoring negative outcomes)
5.7.4.2. 의심 수준

<2부> 머신 러닝 알고리즘

6장 비지도 머신 러닝 알고리즘
6.1 비지도 학습 개요
6.1.1. 데이터 마이닝 생명 주기에서 비지도 학습
6.1.1.1. 1단계: 비즈니스 이해
6.1.1.2. 2단계: 데이터 이해
6.1.1.3. 3단계: 데이터 준비
6.1.1.4. 4단계: 모델링
6.1.1.5. 5단계: 평가
6.1.1.6. 6단계: 배포
6.1.2. 비지도 학습의 현재 연구 경향
6.1.3. 실용 예제
6.1.3.1. 비지도 학습을 사용한 마케팅 세분화

6.2 클러스터링 알고리즘 이해하기
6.2.1. 유사도 계산하기
6.2.1.1. 유클리드 거리
6.2.1.2. 맨해튼 거리
6.2.1.3. 코사인 거리
6.2.2. k-평균 클러스터링 알고리즘
6.2.2.1. k- 평균 클러스터링의 작동 원리
6.2.2.2. 초기 단계
6.2.2.3. k-평균 알고리즘의 단계
6.2.2.4. 중단 조건
6.2.2.5. k-평균 알고리즘 코드 작성하기
6.2.2.6. k-평균 클러스터링의 한계
6.2.2.7. 계층적 클러스터링
6.3 계층적 클러스터링의 단계
6.4 계층적 클러스터링 알고리즘 코드 작성하기
6.5 DBSCAN 이해하기
6.6 파이썬으로 DBSCAN을 사용하여 클러스터 생성하기
6.7 클러스터 평가하기
6.7.1. 클러스터링 응용 분야
6.8 차원 축소
6.8.1. 주성분 분석
6.8.1.1. 주성분 분석의 한계
6.8.1.2. 연관 규칙 마이닝
6.8.1.3. 예
6.8.1.4. 장바구니 분석
6.9 연관 규칙 마이닝
6.9.1. 규칙의 종류
6.9.1.1. 사소한 규칙
6.9.1.2. 설명 불가능한 규칙
6.9.1.3. 실행 가능한 규칙
6.9.1.4. 순위 매기기
6.9.1.5. 지지도
6.9.1.6. 신뢰도
6.9.1.7. 향상도
6.9.2. 연관 규칙 마이닝을 위한 알고리즘
6.9.2.1. 선험적 알고리즘
6.9.2.2. 선험적 알고리즘의 한계
6.9.2.3. FP growth 알고리즘
6.9.2.4. FP 트리 생성하기
6.9.2.5. 빈발 패턴 탐색
6.9.2.6. FP Growth를 활용하여 코드 작성하기

7장 전통적인 지도 학습 알고리즘
7.1 지도 학습 이해하기
7.2 지도 학습 문제 공식화하기
7.2.1. 가능 조건 이해하기
7.2.2. 분류 모델과 회귀 모델 차이 구분하기
7.3 분류 알고리즘 이해하기
7.3.1. 분류 모델 과제 소개
7.3.1.1. 문제 정의
7.3.1.2. 데이터 처리 파이프라인을 활용한 특징 공학
7.2.1.3. 특징 정규화
7.2.1.4. 분류 모델 평가하기
7.3.2. 혼동 행렬
7.3.2.1. 재현율과 정밀도 이해하기
7.3.3. 재현율과 정밀도 간의 트레이드 오프 이해하기
7.3.3.1. 과적합 이해하기
7.3.3.2. 분류 모델 단계 살펴보기
7.4 결정 트리 분류 알고리즘
7.4.1. 결정 트리 분류 알고리즘 이해하기
7.4.2. 결정 트리 분류 모델의 장단점
7.4.3. 사용 사례
7.5 앙상블 기법 이해하기
7.5.1. XGBoost 알고리즘으로 그라디언트 부스팅 구현하기
7.5.2. 앙상블 부스팅과 랜덤 포레스트 알고리즘의 차이 구분하기
7.5.3. 분류 모델 과제에 랜덤 포레스트 알고리즘 활용하기
7.6 로지스틱 회귀
7.6.1. 가정
7.6.2. 관계 설정하기
7.6.3. 손실 함수와 비용 함수
7.6.4. 로지스틱 회귀를 사용해야 하는 경우
7.6.5. 분류 모델 과제에 로지스틱 회귀 알고리즘 활용하기
7.7 SVM 알고리즘
7.7.1. 분류 모델 과제에 SVM 알고리즘 활용하기
7.7.2. 나이브 베이즈 알고리즘 이해하기
7.8 베이즈 정리
7.8.1. 확률 계산하기
7.8.2. 곱셈 법칙과 AND 사건
7.8.3. 일반적인 곱셈 법칙
7.8.4. OR 사건에 대한 덧셈 법칙
7.8.5. 분류 모델 과제에 나이브 베이즈 알고리즘 활용하기
7.9 분류 알고리즘의 승자는...
7.9.1. 회귀 알고리즘 이해
7.9.2. 회귀 모델 과제 소개
7.9.3. 회귀 모델 문제 정의
7.9.4. 과거 데이터셋 탐색하기
7.9.5. 데이터 처리 파이프라인을 활용한 특징 공학
7.10 선형 회귀
7.10.1. 단순 선형 회귀
7.10.2. 회귀 모델 평가하기
7.10.3. 다중 회귀
7.10.4. 회귀 모델 과제에 선형 회귀 알고리즘 활용하기
7.10.5. 선형 회귀는 언제 사용하는가?
7.10.6. 선형 회귀의 약점
7.10.7. 회귀 트리 알고리즘
7.10.8. 회귀 모델 문제에 회귀 트리 알고리즘 활용하기
7.10.9. 그라디언트 부스트 회귀 알고리즘
7.10.10. 회귀 모델 과제에 그라디언트 부스트 회귀 알고리즘 활용하기
7.11 회귀 알고리즘의 승자는...
7.12 실용 예제: 날씨 예측하기

8장 신경망 알고리즘
8.1 신경망의 진화
8.1.1. 역사적 배경
8.1.2. AI 겨울과 AI 봄의 시작
8.2 신경망 이해하기
8.2.1. 퍼셉트론 이해하기
8.2.2. 신경망 직관적으로 이해하기
8.2.3. 딥러닝의 층 구조 이해하기
8.2.3.1. 은닉층 직관적으로 이해하기
8.2.3.2. 몇 개의 은닉층을 사용해야 하는가
8.2.3.3. 신경망의 수학적 토대
8.3 신경망 훈련시키기
8.4 신경망의 구조 이해하기
8.5 경사 하강법 정의하기
8.6 활성화 함수
8.6.1. 계단 함수
8.6.2. 시그모이드 함수
8.6.3. ReLU
8.6.3.1. Leaky ReLU
8.6.4. 쌍곡 탄젠트(tanh)
8.6.5. 소프트맥스
8.7 도구 및 프레임워크
8.7.1. 케라스
8.7.1.1. 케라스의 백엔드 엔진
8.7.1.2. 딥러닝 기술 스택의 저수준 계층
8.7.1.3. 하이퍼파라미터 정의하기
8.7.1.4. 케라스 모델 정의하기
8.8 순차적 모델 또는 함수형 모델 선택하기
8.8.1. 텐서플로 이해하기
8.8.2. 텐서플로의 기본 개념 소개
8.8.3. 텐서에 대한 수학적 이해
8.9 신경망 종류 이해하기
8.9.1. 합성곱 신경망
8.9.1.1. 합성곱
8.9.1.2. 풀링
8.9.2. 생성적 적대 신경망
8.10 전이 학습 활용하기
8.11 사례 연구: 위조 문서 탐지에 딥 러닝 활용하기
8.11.1. 방법론

9장 자연어 처리를 위한 알고리즘
9.1 자연어 처리 개론
9.2 자연어 처리 용어 이해
9.2.1. 자연어 처리의 텍스트 전처리
9.2.1.1. 토큰화
9.1.1.2. 데이터 정제
9.3 파이썬으로 데이터 정제하기
9.4 단어 문서 행렬(Term Document Matrix) 이해
9.4.1. TF-IDF 사용하기
9.4.2. 결과 요약 및 논의
9.5 워드 임베딩 개론
9.6 Word2Vec으로 워드 임베딩 구현하기
9.6.1. 유사도 점수 해석
9.6.2. Word2Vec의 장단점
9.7 사례 연구: 레스토랑 리뷰 감성 분석
9.7.1. 필요 라이브러리 및 데이터셋 가져오기
9.7.2. 정제된 말뭉치 구축: 텍스트 데이터 전처리
9.7.3. 텍스트 데이터를 숫자 특징으로 변환하기
9.7.4. 결과 분석하기
9.8 자연어 처리 응용 분야

10장 순차 모델 이해하기
10.1 순차 데이터 이해
10.1.1. 순차 모델의 종류
10.1.1.1. 일대다
10.1.1.2. 다대일
10.1.1.3. 다대다
10.2 순차 모델의 데이터 표현
10.3 RNN 개론
10.3.1. RNN 구조 이해
10.3.1.1. 메모리 셀과 은닉 상태
10.3.1.2. 입력 변수의 특징
10.3.2. 첫 번째 타입스텝에서 RNN 훈련하기
10.3.2.1 활성화 함수의 작동
10.3.2.2. RNN에 전체 시퀀스 학습시키기
10.3.2.3. 각 타임스텝의 출력 계산하기
10.3.3. 시간에 따른 역전파
10.3.3.1. RNN을 활용한 예측
10.3.4. 기본 RNN의 한계
10.3.4.1. 기울기 소실 문제
10.3.4.2. 시퀀스에서 미래를 미리 내다볼 수 없음
10.4 GRU(게이트 순환 유닛)
10.4.1. 업데이트 게이트 소개
10.4.2. 업데이트 게이트 구현
10.4.3. 은닉 셀 업데이트하기
10.4.3.1. 여러 타임스텝에서 GRU 실행하기
10.5 LSTM(장단기 메모리) 소개
10.5.1. 망각 게이트
10.5.2. 후보 셀 상태
10.5.3. 업데이트 게이트
10.5.4. 메모리 상태 계산하기
10.5.5. 출력 게이트
10.5.6. 모두 합치기
10.5.7. 순차 모델 코딩하기
10.5.7.1. 데이터셋 불러오기
10.5.7.2. 데이터 준비하기
10.5.7.3. 모델 만들기
10.5.7.4. 모델 훈련
10.5.7.5. 잘못된 예측 검토하기

11장 고급 순차 모델 알고리즘
11.1 고급 순차 모델 기법의 발전
11.2 오토인코더 탐색
11.2.1. 오토 인코더 코드 작성하기
11.2.2. 환경 준비
11.2.2.1. 데이터 준비
11.2.2.2. 모델 구조
11.2.2.3. 컴파일
11.2.2.4. 훈련
11.2.2.5. 예측
11.2.2.6. 시각화
11.3 Seq2Seq 모델 이해하기
11.3.1. 인코더
11.3.2. 사고 벡터
11.3.3. 디코더
11.3.4. Seq2Seq의 특수 토큰
11.3.5. 정보 병목 딜레마
11.4 어텐션 메커니즘 이해
11.4.1. 신경망에서 어텐션이란?
11.4.1.1. 기본 개념
11.4.1.2. 예시
11.4.2. 어텐션 메커니즘의 세 가지 주요 측면
11.4.3. 어텐션 메커니즘 더 깊이 들여다보기
11.4.4. 어텐션 메커니즘의 문제
11.5 셀프 어텐션 자세히 살펴보기
11.5.1. 어텐션 가중치
11.5.2. 인코더: 양방향 순환 신경망
11.5.3. 사고 벡터
11.5.4. 디코더: 일반 RNN
11.5.5. 훈련 대 추론
11.6 트랜스포머: 셀프 어텐션 이후 신경망의 진화
11.6.1. 트랜스포머가 빛나는 이유
11.6.2. 파이썬 코드 분석
11.6.3. 출력 결과 이해하기
11.7 대규모 언어 모델
11.7.1. LLM에서의 어텐션 이해하기
11.7.2. NLP의 대표 주자 탐색: GPT와 BERT
11.7.2.1. 2018년의 대규모 언어 모델 선구자: GPT와 BERT
11.7.3. 강력한 LLM을 만들기 위한 딥 앤 와이드 모델(deep and wide model) 활용
11.8 딥 앤 와이드 모델

<3부> 심화 주제

12장 추천 엔진
12.1 추천 시스템 개론
12.2 추천 엔진 유형
12.2.1. 내용 기반 추천 엔진
12.2.1.1. 비정형 문서에서 유사도 결정하기
12.2.2. 협업 필터링 추천 엔진
12.2.2.1. 협업 필터링 관련 문제
12.2.3. 혼합 추천 엔진
12.2.3.1. 아이템 간 유사도 행렬 생성
12.2.3.2. 사용자의 선호도 벡터 생성하기
12.2.3.3. 추천 생성하기
12.2.3.4. 추천 시스템의 진화
12.3 추천 시스템의 한계
12.3.1. 콜드 스타트 문제
12.3.2. 메타데이터 요구조건
12.3.3. 데이터 희소성 문제
12.3.4. 추천 시스템에서 사회적 영향이라는 양날의 검
12.4 응용 분야
12.4.1. 넷플릭스의 고도화된 데이터 기반 추천
12.4.2. 아마존 추천 시스템의 진화
12.5 실용 예제 - 추천 엔진 만들기
12.5.1. 프레임워크 설정하기
12.5.2. 데이터 불러오기: 리뷰 및 제목 가져오기
12.5.3. 데이터 병합: 종합적 관점 다듬기
12.5.4. 서술적 분석: 평점으로부터 통찰 도출하기
12.5.5. 추천을 위한 구조화: 행렬 만들기
12.5.6. 엔진 테스트: 영화 추천하기
12.5.6.1. 영화 아바타와 상관관계가 있는 영화 찾기
12.5.6.2. 상관관계 이해하기
12.5.6.3. 모델 평가하기
12.5.6.4. 지속적인 재훈련: 사용자 피드백 반영

13장 데이터 처리를 위한 알고리즘 전략
13.1 데이터 알고리즘 개론
13.1.1. 데이터 알고리즘에서 CAP 정리의 중요성
13.1.2. 분산 환경에서의 저장
13.1.3. CAP 정리와 데이터 압축의 연관성
13.2 CAP 정리 소개
13.2.1. CA 시스템
13.2.2. AP 시스템
13.2.3. CP 시스템
13.3 데이터 압축 알고리즘 제대로 이해하기
13.3.1. 무손실 압축 기법
13.3.3.1. 허프만 부호화: 가변 길이 부호화 구현하기
13.3.3.2. 사전 기반 압축 LZ77 이해하기
13.3.3.3. 고급 무손실 압축 포맷
13.4 실용 예제: CAP 정리와 압축 알고리즘에 초점을 맞춘 AWS의 데이터 관리
13.4.1. CAP 정리 적용하기
13.4.2. 압축 알고리즘 사용하기
13.4.3. 장점을 정량화하기

14장 암호화
14.1 암호학 개론
14.1.1. 가장 약한 연결고리의 중요성 이해하기
14.1.2. 기본 용어
14.1.3. 보안 요구사항 이해하기
14.1.3.1. 1단계: 개체 식별하기
14.1.3.2. 2단계: 보안 목표 설정하기
14.1.3.3. 3단계: 데이터의 민감성 이해하기
14.1.4. 암호의 기본 설계 이해하기
14.1.4.1. 치환 암호 소개
14.1.4.2. 치환 암호 해독
14.1.4.3. 전치 암호 이해하기
14.2 암호화 기법의 종류 이해하기
14.2.1. 암호화 해시 함수 사용하기
14.2.1.1. 암호화 해시 함수 구현하기
14.2.1.2. 암호화 해시 함수 적용하기
14.2.1.3. MD5와 SHA 중 선택하기
14.2.2. 대칭 암호화 사용하기
14.2.2.1. 대칭 암호화 코드 작성하기
14.2.2.2. 대칭 암호화의 장점
14.2.2.3. 대칭 암호화의 문제점
14.2.3. 비대칭 암호화
14.2.3.1. SSL/TLS 핸드셰이킹 알고리즘
14.2.3.2. 공개 키 기반 구조
14.2.3.3. 블록체인과 암호화
14.3 예제: 머신 러닝 모델을 배포할 때의 보안 문제
14.3.1. 중간자 공격
14.3.1.1. 중간자 공격 방지법
14.3.1.2. 신분 위장 공격 피하기
14.3.1.3. 데이터 및 모델 암호화

15장 대규모 알고리즘
15.1 대규모 알고리즘 개론
15.2 대규모 알고리즘을 위한 고성능 인프라 특징
15.2.1. 탄력성
15.2.2. 잘 설계된 대규모 알고리즘의 특징
15.2.2.1. 로드 밸런싱
15.2.2.2. ELB: 탄력성과 로드 밸런싱의 결합
15.3 멀티 리소스 처리 전략 수립
15.4 병렬 컴퓨팅의 이론적 한계
15.4.1. 암달의 법칙
15.4.2. 암달의 법칙 도출하기
15.4.3. 병렬 컴퓨팅에서 GPU의 잠재력을 이끌어내는 CUDA
15.4.3.1. GPU 아키텍처와 활용
15.4.3.2. LLM에서의 병렬 처리: 암달의 법칙과 수확 체감 사례 연구
15.4.3.3. 데이터 지역성 다시 생각하기
15.4.4. 아파치 스파크를 활용한 클러스터 컴퓨팅의 이점
15.5 아파치 스파크가 대규모 알고리즘 처리를 가능하게 하는 방법
15.5.1. 분산 컴퓨팅
15.5.2. 메모리 내 처리
15.6 클라우드 컴퓨팅에서 대규모 알고리즘 활용
15.6.1. 예제

16장 현실적 고려 사항
16.1 알고리즘 솔루션이 마주한 도전 과제
16.1.1. 예상치 못한 것을 예측하기
16.2 트위터 AI 봇, 테이의 실패
16.3 알고리즘의 설명 가능성
16.3.1. 머신 러닝 알고리즘과 설명 가능성
16.3.1.1. 설명 가능성을 위한 전략 제시
16.4 알고리즘 윤리 이해
16.4.1. 학습 알고리즘의 문제점
16.4.2. 윤리적 고려 사항 이해하기
16.4.3. 알고리즘 솔루션에 영향을 주는 요인
16.4.3.1. 결론을 내리기 어려운 불확실한 증거 고려하기
16.4.3.2. 추적 가능성
16.4.3.3. 잘못된 증거
16.4.3.4. 불공정한 결과
16.5 모델 편향 줄이기
16.6 알고리즘을 언제 사용할 것인가
16.6.1. 블랙스완 사건과 그것이 알고리즘에 미치는 영향 이해하기