매일 사용하는 AI, 어떻게 답을 만들어 내는 걸까?
복잡한 수식 없이도 ‘직접 만들며’ AI 모델의 원리를 이해하자
챗GPT, 제미나이, 클로드 같은 생성형 AI가 일상이 된 지금, AI를 잘 활용하는 것을 넘어 AI 모델이 어떻게 학습하고 예측하는지를 이해하는 역량이 더욱 중요해지고 있다. 《Do it! 쉽게 배우는 머신러닝 + 딥러닝》은 코랩과 파이썬 기초부터 머신러닝, 딥러닝, 트랜스포머, 강화학습까지 AI의 핵심 기술과 모델을 직접 구현하며 배우는 실습 중심의 입문서이다.
이 책에서는 선형 회귀와 로지스틱 회귀같은 머신러닝의 기초부터 인공 신경망, CNN, RNN, 트랜스포머, ViT, 앙상블 모델, Q-러닝, DQN, PPO까지 AI의 핵심 모델을 직접 구현하며 학습한다. 단순히 라이브러리 사용법을 익히는 데 그치지 않고, 모델이 만들어지는 원리와 학습 과정을 단계별로 이해하고 실제 데이터를 활용해 성능 평가와 개선까지 자연스럽게 익힐 수 있다. 또한 이미지, 텍스트, 시계열 데이터 등 다양한 예제로 AI가 각 데이터를 어떻게 학습하는지 폭넓게 경험할 수 있다.

이 책의 특징
· 어려운 수식보다 그림과 단계별 설명으로 AI 모델을 쉽게 이해
· 코랩 기반 실습으로 별도의 개발 환경 구축 부담 없이 학습 가능
· 개념 → 구현 → 결과 확인 → 복습으로 이어지는 실습 중심 4단계 학습 방식
· 장마다 제공되는 <되새김 문제>와 16일 / 30일 <학습 계획표>로 자기주도 학습 지원

이 책, 이런 분께 추천합니다!
· 머신러닝과 딥러닝을 처음 공부하는 대학생과 개발자
· AI·데이터 분야 취업을 준비하는 취업 준비생
· 이론보다 실습 위주의 AI 학습서를 찾는 교강사

AI 에이전트 시대에도 왜 머신러닝과 딥러닝을 배워야 할까?
챗GPT, 제미나이, 클로드와 같은 생성형 AI는 물론, AI 에이전트까지 등장하면서 AI를 활용하는 시대를 넘어 AI를 직접 만들고 업무에 적용하는 시대가 되었습니다. 하지만 새로운 AI 서비스를 개발하거나 기존 모델을 제대로 활용하려면 AI가 어떤 원리로 학습하고 판단하는지 이해하는 역량이 필요합니다. 이 책은 AI를 사용하는 방법이 아니라 AI가 데이터를 학습하고 예측하는 과정을 이해하는 데 초점을 맞춰, 변화하는 AI 기술에도 흔들리지 않는 기초를 다질 수 있도록 안내합니다.

왜 AI는 모델 하나만 배워서는 안 될까?
머신러닝은 하나의 모델만 익힌다고 끝나는 기술이 아닙니다. 회귀 모델에서 시작해 인공 신경망, CNN, RNN, 생성형 AI의 기반이 되는 트랜스포머, 강화학습으로 이어지는 발전 과정을 이해해야 새로운 AI 모델도 빠르게 받아들일 수 있습니다. 이 책은 개별 알고리즘을 나열하는 대신 AI 모델이 어떻게 발전해 왔는지에 따라 하나의 학습 흐름으로 구성해 기초부터 최신 AI 기술까지 자연스럽게 이해하도록 돕습니다.

머신러닝+딥러닝 책은 왜 끝까지 읽기 어려울까?
AI 입문자들이 어려움을 느끼는 이유는 개념 이해보다는 학습 과정에 있습니다. 낯선 용어와 복잡한 수식, 많은 실행 오류 때문에 처음부터 부담을 느끼고, 개념과 실습이 연결되지 않아 학습 흐름을 잃곤 합니다. 이 책은 코랩 환경에서 바로 실습을 시작하고, 그림으로 원리를 이해한 뒤 직접 파이썬 코드를 실행하며 결과를 바로 바로 확인하는 방식으로 학습 부담을 줄였습니다. 자연스럽게 ‘왜 이런 결과가 나오는지’를 이해하며 AI 모델을 쉽게 익힐 수 있습니다.

이지스퍼블리싱 독자 지원

▶ 실습 파일을 활용해 보세요!
· 이지스퍼블리싱: [www.easyspub.co.kr](http://www.easyspub.co.kr) → 자료실 → 도서명 검색
· 저자 깃허브: github.com/hongjai-rhee/public ▶ 책 선물을 받아 보세요!
· Do it! 스터디룸(cafe.naver.com/doitstudyroom)에서 운영하는 ‘Do it! 공부단’에 참여해 보세요. 이 책으로 공부하면서 나만의 스터디 노트를 작성해 보고, 완독을 인증하면 이지스퍼블리싱에서 발간한 책을 선물로 받을 수 있습니다.
· 이지스퍼블리싱 홈페이지([www.easyspub.co.kr)에](http://www.easyspub.co.kr%29에) 회원 가입을 하면 뉴스레터에서 신간과 이벤트 소식을 확인할 수 있습니다. 매달 전자책 한 권을 공개하는 이벤트도 진행합니다.

 

=============================
첫째마당 | 머신러닝의 첫걸음
=============================
01장 머신러닝을 알아야 AI가 보인다
__01-1 머신러닝의 원리 이해하기
____머신러닝이란?
____모델과 학습 과정 살펴보기
__01-2 머신러닝의 절차와 유형
____머신러닝의 절차
____머신러닝의 학습 유형

02장 코랩 사용법과 파이썬 기초 익히기
__02-1 코랩 시작하기
____코랩 사용하기
____셀과 노트북 이해하기
__02-2 파이썬 자료형 이해하기
____숫자형
____문자형
____리스트
____튜플
____딕셔너리
__02-3 파이썬 라이브러리 사용하기
____라이브러리 이해하기
____판다스
____맷플롯립
____라이브러리 불러오기
____데이터 불러오기
__02-4 데이터프레임 활용하기9
____속성
____메서드
____인덱싱
__02-5 반복문과 조건문 활용하기
____반복문
____조건문
__되새김 문제

=============================
둘째마당 | 기초 머신러닝 모델
=============================
03장 선형 회귀 모델
__03-1 선형 회귀 모델
__03-2 회귀 모델 구현을 위한 준비
____라이브러리 설치와 데이터 생성
____탐색적 데이터 분석
__03-3 선형 회귀 모델의 예측 방법
____타깃과 입력 지정하기
____예측 함수 설정하기
__03-4 선형 회귀 모델 설정과 학습
____임의의 파라미터로 예측하기
____모델 클래스를 사용해 학습하기
__03-5 모델 예측과 성능 평가
____예측 결과 확인하기
____손실 계산하기
____예측 성능 시각화하기
__03-6 회귀 모델 개선하기
____입력 변수 확장으로 모델 개선
____선형 회귀 모델의 한계
__되새김 문제

04장 로지스틱 회귀 모델
__04-1 로지스틱 회귀 모델이란?
____회귀 문제와 분류 문제
____확률 기반 예측 방법
__04-2 로지스틱 회귀 모델 구현을 위한 준비
____인코딩의 종류
____인코딩 적용 방법
__04-3 로지스틱 회귀 모델의 예측 방법
____확률 예측 방법
____크로스 엔트로피 손실 함수
__04-4 로지스틱 회귀 모델 설정과 학습
____데이터 생성과 탐색적 데이터 분석
____로지스틱 회귀 모델 설정과 학습
__04-5 모델 예측과 성능 평가
____예측 성능 시각화하기
____입력 변수의 효과 시각화하기
____새로운 입력 예측하기
__되새김 문제 128

=============================
셋째마당 | 인공 신경망 모델의 구조와 원리
=============================
05장 행렬 연산과 텐서의 이해
__05-1 배열 데이터의 구조
__05-2 벡터와 행렬 연산
____벡터와 행렬 만들기
____행렬 곱 계산하기
____벡터의 선형 변환
____행렬을 사용한 선형 회귀 모델
__05-3 텐서와 자동 미분
____그래디언트
____경사하강법
____텐서를 사용한 경사하강법 실습
__되새김 문제

06장 인공 신경망 모델 기초
__06-1 인공 신경망이란?
____인공 신경망 이해하기
____인공 신경망의 구조
__06-2 인공 신경망 모델 구현을 위한 준비
____라이브러리와 데이터 불러오기
____데이터 생성과 변수 설정
____탐색적 데이터 분석
__06-3 인공 신경망 모델 설정
____인공 신경망 모델의 구조 결정하기
____인공 신경망 모델 설정하기
____활성화 함수 적용하기
__06-4 인공 신경망 모델 학습
____학습 과정 이해하기
____랜덤 시드 고정하기
____컴파일과 학습 시작하기
__06-5 성능 평가와 구조 개선
____예측 성능 평가하기
____모델 구조 개선하기
__되새김 문제

07장 과대적합 문제 해결 방법
__07-1 과대적합과 데이터 분할
____과대적합이 왜 문제일까?
____훈련 데이터와 검증 데이터 분할하기
__07-2 모델 설정을 위한 준비
____라이브러리와 데이터 불러오기
____탐색적 데이터 분석
____변수 지정과 인코딩
__07-3 모델 설정과 학습
____모델 설정과 데이터 분할
____조기 종료 콜백을 사용한 모델 학습
____손실 변화 시각화
____예측 성능 평가
__되새김 문제

08장 인공 신경망 분류 모델
__08-1 모델 설정을 위한 준비
____라이브러리와 데이터 불러오기
____탐색적 데이터 분석
__08-2 모델 설정과 학습
____변수 지정과 데이터 분할
____모델 설정
____모델 학습
__08-3 모델 예측과 성능 평가
____클래스별 확률 예측
____혼동행렬로 예측 결과 시각화
____새로운 데이터 예측
__되새김 문제

=============================
넷째마당 | 이미지 인식을 위한 인공 신경망 모델
=============================
09장 이미지 데이터와 인공 신경망 분류 모델
__09-1 이미지 데이터의 구조와 표현
____RGB 이미지의 구조
____이미지를 배열로 변환
__09-2 인공 신경망 모델 구현을 위한 준비
____라이브러리 불러오기
____MNIST 데이터 불러오기
____탐색적 데이터 분석
____데이터 전처리
__09-3 인공 신경망 기반 이미지 분류 모델 구현
____모델 설정
____모델 학습
____손실 변화 시각화
____예측 성능 평가
____예측 결과 시각화
__되새김 문제

10장 합성곱 신경망의 원리와 구조
__10-1 합성곱 신경망의 원리
____완전연결 신경망의 한계
____합성곱
____풀링
__10-2 합성곱 필터와 특징 추출
____필터
____합성곱과 풀링의 반복
__되새김 문제

11장 합성곱 신경망 모델 구현
__11-1 CNN 모델 구현을 위한 준비
____데이터 불러오기
____데이터 증강하기
____데이터 전처리
__11-2 CNN 모델 구현과 성능 확인
____모델 설정
____모델 학습
____예측 성능 평가
____특성 맵 확인
__되새김 문제

=============================
다섯째마당 | 시퀀스 데이터와 자연어 처리
=============================
12장 시퀀스 데이터와 순환 신경망
__12-1 시퀀스 데이터의 구조
____시퀀스 데이터란?
____데이터 전처리
____입력 시퀀스와 타깃 데이터 생성
__12-2 순환 신경망의 원리
____RNN(1)의 기억 업데이트 원리
____RNN(K)의 구조와 특징
____은닉 상태 벡터로 타깃 예측
__12-3 시계열 예측을 위한 데이터 준비
____데이터 불러오기
____데이터 전처리
____입력 시퀀스와 타깃 데이터 생성
____데이터 분할
__12-4 순환 신경망 모델 설정
____모델 설정과 학습
____예측 성능 시각화
__12-5 학습된 모델로 미래 예측
____미래 예측 방법
____미래 예측 함수 구현
__12-6 시퀀스 모델의 발전
____LSTM과 GRU
____어떤 모델을 선택해야 할까?
__되새김 문제

13장 문장 생성 모델
__13-1 문장 생성 모델의 구조
____토큰화
____입력 시퀀스와 타깃 시퀀스 생성
____임베딩
____문맥에 따른 의미 변화
__13-2 문장 생성 모델 구현
____말뭉치 데이터 불러오기
____토큰화 적용
____입력 시퀀스와 타깃 시퀀스 생성
____모델 설정과 학습
__13-3 새로운 문장 생성
____문장 생성 과정
____문장 생성 함수
____새로운 문장 생성하기
__되새김 문제

14장 감성 분석 모델
__14-1 감성 분석 모델의 구조와 구현 준비
____감성 분석 모델의 구조
____데이터 불러오기
____데이터 전처리
__14-2 감성 분석 모델 구현
____모델 설정과 학습
____예측 성능 평가
__되새김 문제

=============================
여섯째마당 | 트랜스포머 모델
=============================
15장 트랜스포머의 원리와 구조
__15-1 트랜스포머란?
____트랜스포머의 핵심 아이디어
____셀프 어텐션의 원리
__15-2 트랜스포머의 구조
____임베딩과 포지셔널 인코딩
____셀프 어텐션
____Q-K-V 구조
____멀티헤드 어텐션
____피드포워드 네트워크
__15-3 트랜스포머 모델 구현
____클래스 사용하기
____모델 설정

16장 트랜스포머를 활용한 문장 생성 모델
__16-1 문장 생성 모델 구현을 위한 준비
____클래스와 데이터 불러오기
____토큰화 적용과 입력 및 타깃 생성
__16-2 문장 생성 모델 구현
____인과 마스킹의 필요성
____모델 설정과 학습
____문장 생성
__되새김 문제

17장 트랜스포머를 활용한 이미지 분석 모델
__17-1 비전 트랜스포머 모델이란?
____비전 트랜스포머 모델의 등장
____비전 트랜스포머 모델의 구조
__17-2 비전 트랜스포머 모델 구현을 위한 준비
____클래스와 데이터 불러오기
____데이터 전처리와 분할
__17-3 비전 트랜스포머 모델 구현
____모델 설정
____모델 학습
____CNN과 ViT의 차이
__되새김 문제

18장 트랜스포머를 활용한 시계열 모델
__18-1 시계열 트랜스포머 모델의 구조
__18-2 시계열 트랜스포머 모델 구현을 위한 준비
____데이터 불러오기
____변수 설정과 데이터 분할
__18-3 시계열 트랜스포머 모델 구현
____모델 설정과 학습
____예측 성능 시각화
____미래값 예측
__되새김 문제

=============================
일곱째마당 | 의사결정 트리 모델과 앙상블 모델
=============================
19장 의사결정 트리 모델
__19-1 의사결정 트리 모델이란?
____의사결정 트리의 동작 원리
__19-2 결정 트리 모델 구현 1 ─ 분류 문제
____데이터 불러오기
____모델 설정과 학습
____결정 트리 구조 이해하기
____하이퍼파라미터와 과대적합 문제
__19-3 결정 트리 모델 구현 2 ─ 회귀 문제
____모델 설정과 학습
____트리의 깊이와 예측 성능
__되새김 문제

20장 앙상블 모델
__20-1 앙상블 모델이란?
____랜덤 포레스트 모델
____부스팅 앙상블 모델
__20-2 앙상블 모델 구현 1 ─ 회귀 문제
____데이터 준비와 전처리
____랜덤 포레스트 회귀 모델 구현
____LGBM 회귀 모델 구현
____입력 변수의 중요도 평가
____입력 변수 효과 시각화하기
__20-3 앙상블 모델 구현 2 ─ 분류 문제
____데이터 준비와 전처리
____LGBM 분류 모델 구현
____입력 변수의 중요도 평가
____입력 변수 효과 시각화하기
__되새김 문제

=============================
여덟째마당 | 행동으로 배우는 인공지능 ─ 강화학습
=============================
21장 강화학습과 Q-러닝
__21-1 강화학습이란?
____지도학습과 강화학습의 차이
____강화학습 사례
____강화학습의 구성 요소
__21-2 Q-러닝을 위한 그리드 월드 환경
____Q-러닝이란?
____그리드 월드 환경 구성하기
____환경 구현하기
__21-3 Q-러닝 첫걸음
____Q-테이블이란?
____Q-값 학습하기
____탐험과 활용 전략
____즉시 보상과 미래 보상
__21-4 벨만 방정식을 적용한 Q-러닝
____벨만 방정식이란?
____할인율의 역할
____벨만 방정식 기반 Q값 업데이트
____최적 경로 확인
__되새김 문제

22장 가치 기반 강화학습 — DQN
__22-1 DQN이 필요한 이유
____Q-테이블 방식의 한계
____DQN이란?
__22-2 DQN 실습을 위한 카트폴 환경
____카트폴 환경이란?
____환경 시뮬레이터 사용하기
__22-3 DQN의 구조와 학습 원리
____DQN의 신경망 구조
____DQN의 학습 과정
____DQN 모델의 한계
____경험 리플레이가 필요한 이유
__22-4 모델 설정과 경험 데이터 수집
____환경과 모델 설정
____타깃 모델 업데이트를 위한 함수 정의
____경험 데이터 수집
____조기 종료 벌칙과 데이터 저장
__22-5 모델 학습과 결과 분석
____경험 리플레이 학습
____학습 결과 확인과 조기 종료
____학습 결과 검토
__되새김 문제

23장 정책 기반 강화학습 — PPO
__23-1 PPO가 필요한 이유
____DQN의 한계
____PPO의 특징
__23-2 PPO의 구조와 학습 원리
____액터-크리틱 구조
____PPO 학습 과정
__23-3 PPO 실습을 위한 달 착륙선 환경
____달 착륙선 환경이란?
____환경 시뮬레이터 사용하기
__23-4 달 착륙선 환경에 PPO 구현하기
____달 착륙선 환경의 정책모델과 평가모델
____롤아웃 데이터 수집 과정
____PPO 구현하기
____학습 결과 확인하기
__되새김 문제

찾아보기