book

파이토치로 배우는 LLM & AI

Name: 파이토치로 배우는 LLM & AI
Author: 로런스 모로니
ISBN: 9791175790223

by 로런스 모로니, 박해선

March 2026

Intermediate

504 pages

11h 26m

Korean

Hanbit Media, Inc.

Read now

Unlock full access

지은이 소개
옮긴이 소개
옮긴이의 말
추천사
이 책에 쏟아진 찬사
이 책에 대하여
감사의 말 (1/3)
감사의 말 (2/3)
감사의 말 (3/3)
PART I 모델 구축

CAHAPER 1 파이토치 소개
1.1 머신러닝이란
1.2 전통적인 프로그래밍의 한계
1.3 프로그래밍에서 학습으로
1.4 파이토치란
1.5 파이토치 사용하기 (1/2)
1.5.1 파이썬에서 파이토치 설치하기1.5.2 파이참에서 파이토치 사용하기1.5.3 구글 콜랩에서 파이토치 사용하기
1.5 파이토치 사용하기 (2/2)
1.6 머신러닝 시작하기 (1/2)
1.6 머신러닝 시작하기 (2/2)
1.6.1 신경망이 학습한 것 확인하기
1.7 마치며
CAHAPER 2 컴퓨터 비전 소개
2.1 컴퓨터 비전의 작동 방식2.1.1 패션 MNIST 데이터셋
2.2 컴퓨터 비전을 위한 뉴런
2.3 신경망 설계 (1/2)
2.3.1 전체 코드
2.3 신경망 설계 (2/2)
2.4 신경망 훈련
2.5 모델 출력 살펴보기
2.6 과대적합
2.7 조기 종료
2.8 마치며
CAHAPER 3 고급 컴퓨터 비전: 이미지에서 특징 감지하기
3.1 합성곱
3.2 풀링
3.3 합성곱 신경망 만들기
3.4 합성곱 신경망 살펴보기
3.5 말과 사람을 구별하는 CNN 만들기 (1/3)
3.5.1 말-사람 데이터셋3.5.2 데이터 처리3.5.3 말-사람 데이터셋을 위한 CNN 구조
3.5 말과 사람을 구별하는 CNN 만들기 (2/3)
3.5.4 검증 세트 사용하기3.5.5 말 또는 사람 이미지로 테스트하기
3.5 말과 사람을 구별하는 CNN 만들기 (3/3)
3.6 이미지 증식
3.7 전이 학습 (1/2)
3.7 전이 학습 (2/2)
3.8 다중 분류
3.9 드롭아웃 규제
3.10 마치며
CAHAPER 4 파이토치 데이터셋
4.1 데이터셋 시작하기
4.2 FashionMNIST 클래스 살펴보기
4.3 제너릭 데이터셋 클래스4.3.1 ImageFolder4.3.2 DatasetFolder4.3.3 FakeData
4.4 사용자 정의 분할 사용하기
4.5 머신러닝 데이터 관리를 위한 ETL 프로세스
4.6 로드 단계 최적화하기
4.7 DataLoader 클래스 사용하기
4.7.1 배치4.7.2 셔플링4.7.3 병렬 데이터 로딩4.7.4 사용자 정의 데이터 샘플링
4.8 훈련 성능 향상을 위해 ETL 병렬화하기
4.9 마치며
CAHAPER 5 자연어 처리 소개
5.1 언어를 숫자로 인코딩하기5.1.1 토큰화 시작하기
5.1.2 문장을 시퀀스로 바꾸기
5.2 불용어 제거와 텍스트 정제
5.2.1 HTML 태그 제거하기5.2.2 불용어 제거하기5.2.3 구두점 제거하기
5.3 실제 데이터 다루기 (1/3)
5.3.1 텍스트 데이터셋 가져오기
5.3 실제 데이터 다루기 (2/3)
5.3.2 CSV 파일에서 텍스트 읽기5.3.3 JSON 파일에서 텍스트 읽기
5.3 실제 데이터 다루기 (3/3)
5.4 마치며
CAHAPER 6 임베딩을 사용한 감성 프로그래밍
6.1 단어의 의미 구축하기
6.1.1 간단한 방법: 양수와 음수6.1.2 조금 더 어려운 방법: 벡터
6.2 파이토치의 임베딩 (1/5)
6.2.1 임베딩을 사용해 빈정거림 감지기 만들기6.2.2 언어 모델의 과대적합 줄이기
6.2 파이토치의 임베딩 (2/5)
6.2 파이토치의 임베딩 (3/5)
6.2 파이토치의 임베딩 (4/5)
6.2.3 모든 것을 합치기
6.2 파이토치의 임베딩 (5/5)
6.2.4 모델을 사용해 문장 분류하기
6.3 임베딩 시각화
6.4 사전 훈련된 임베딩 사용하기
6.5 마치며
CAHAPER 7 자연어 처리를 위한 순환 신경망
7.1 순환 구조
7.2 순환을 언어로 확장하기
7.3 RNN으로 텍스트 분류기 만들기 (1/3)
7.3.1 스태킹 LSTM
7.3 RNN으로 텍스트 분류기 만들기 (2/3)
7.3 RNN으로 텍스트 분류기 만들기 (3/3)
7.4 RNN에 사전 훈련된 임베딩 사용하기 (1/2)
7.4 RNN에 사전 훈련된 임베딩 사용하기 (2/2)
7.5 마치며
CAHAPER 8 머신러닝으로 텍스트 생성하기
8.1 시퀀스를 입력 시퀀스로 변환하기 (1/2)
8.1 시퀀스를 입력 시퀀스로 변환하기 (2/2)
8.2 모델 만들기
8.3 텍스트 생성하기 (1/2)
8.3.1 다음 단어 예측하기8.3.2 예측을 연결해 텍스트 생성하기
8.3 텍스트 생성하기 (2/2)
8.4 데이터셋 확장하기
8.5 모델 구조 개선하기
8.5.1 임베딩 차원8.5.2 LSTM 초기화8.5.3 가변 학습률
8.6 데이터 개선하기
8.7 문자 기반 인코딩
8.8 마치며
CAHAPER 9 시퀀스와 시계열 데이터 이해하기
9.1 시계열의 공통 특징
9.1.1 트렌드9.1.2 계절성9.1.3 자기상관9.1.4 잡음
9.2 시계열 예측 기법 (1/2)
9.2.1 기준 성능을 위한 단순한 예측9.2.2 예측 정확도 측정하기9.2.3 이동 평균으로 예측하기
9.2 시계열 예측 기법 (2/2)
9.2.4 개선된 이동 평균 방법
9.3 마치며
CAHAPER 10 시퀀스를 예측하는 머신러닝 모델 만들기
10.1 윈도 데이터셋 만들기 (1/2)
10.1.1 윈도를 적용한 시계열 데이터셋 만들기
10.1 윈도 데이터셋 만들기 (2/2)
10.2 DNN을 만들고 시퀀스 데이터로 훈련하기
10.3 DNN의 결과 평가하기
10.4 학습률 튜닝하기
10.5 마치며
CAHAPER 11 시퀀스 모델을 위한 합성곱 신경망과 순환 신경망
11.1 시퀀스 데이터를 위한 합성곱11.1.1 1D 합성곱 신경망 만들기
11.1.2 Conv1d 하이퍼파라미터 튜닝하기
11.2 NASA 날씨 데이터 사용하기
11.2.1 파이썬으로 GISS 데이터 읽기
11.3 RNN으로 시퀀스 모델링하기 (1/2)
11.3.1 대용량 데이터셋 사용하기
11.3 RNN으로 시퀀스 모델링하기 (2/2)
11.4 다른 순환 층
11.5 드롭아웃 사용하기
11.6 양방향 RNN 사용하기
11.7 마치며
PART II 모델 사용
CAHAPER 12 추론의 개념
12.1 텐서
12.2 이미지 데이터
12.3 텍스트 데이터
12.4 모델의 텐서 출력
12.5 마치며
CAHAPER 13 서빙을 위해 파이토치 모델 호스팅하기
13.1 TorchServe 소개
13.2 TorchServe 설정 (1/3)
13.2.1 환경 준비13.2.2 config.properties 파일 설정13.2.3 모델 정의13.2.4 핸들러 파일 생성
13.2 TorchServe 설정 (2/3)
13.2.5 모델 아카이브 생성13.2.6 서버 시작13.2.7 추론 테스트
13.2 TorchServe 설정 (3/3)
13.2.8 더 나아가기
13.3 플라스크로 서빙하기
13.3.1 플라스크를 위한 환경 만들기13.3.2 플라스크 서버 만들기
13.4 마치며
CAHAPER 14 서드 파티 모델과 허브 사용하기
14.1 허깅 페이스 허브 (1/2)
14.1.1 허깅 페이스 허브 사용하기
14.1 허깅 페이스 허브 (2/2)
14.1.2 허깅 페이스 허브의 모델 사용하기
14.2 파이토치 허브
14.2.1 파이토치 비전 모델 사용하기14.2.2 자연어 처리
14.2.3 다른 모델들
14.3 마치며
CAHAPER 15 트랜스포머와 transformers
15.1 트랜스포머 이해하기 (1/4)
15.1.1 인코더 구조
15.1 트랜스포머 이해하기 (2/4)
15.1.2 디코더 구조
15.1 트랜스포머 이해하기 (3/4)
15.1 트랜스포머 이해하기 (4/4)
15.2 인코더-디코더 구조
15.3 transformers API
15.4 transformers 시작하기
15.5 핵심 개념 (1/2)
15.5.1 파이프라인15.5.2 토크나이저
15.5 핵심 개념 (2/2)
15.6 마치며
CAHAPER 16 사용자 정의 데이터와 함께 LLM 사용하기
16.1 LLM 미세 튜닝 (1/2)
16.1.1 설정과 필요 패키지16.1.2 데이터 로드 및 검사16.1.3 모델과 토크나이저 초기화16.1.4 데이터 전처리16.1.5 데이터 콜레이터16.1.6 메트릭 정의16.1.7 훈련 설정
16.1 LLM 미세 튜닝 (2/2)
16.1.8 Trainer 초기화16.1.9 훈련 및 평가16.1.10 모델 저장 및 테스트
16.2 LLM 프롬프트 튜닝 (1/3)
16.2.1 데이터 준비16.2.2 데이터 로더 생성16.2.3 모델 정의
16.2 LLM 프롬프트 튜닝 (2/3)
16.2.4 모델 훈련
16.2 LLM 프롬프트 튜닝 (3/3)
16.2.5 훈련 중 평가16.2.6 훈련 메트릭 리포팅하기16.2.7 프롬프트 임베딩 저장하기16.2.8 모델 추론 수행하기
16.3 마치며
CAHAPER 17 Ollama로 LLM 서빙하기
17.1 Ollama 시작하기
17.2 서버로 Ollama 실행하기
17.3 Ollama LLM을 사용하는 애플리케이션 구축하기 (1/3)
17.3.1 애플리케이션 예시17.3.2 파이썬으로 개념 증명 구축하기
17.3 Ollama LLM을 사용하는 애플리케이션 구축하기 (2/3)
17.3.3 Ollama를 사용한 웹 애플리케이션 만들기17.3.4 app.js 파일17.3.5 index.html 파일
17.3 Ollama LLM을 사용하는 애플리케이션 구축하기 (3/3)
17.4 마치며
CAHAPER 18 RAG 소개
18.1 RAG란 무엇인가요?
18.2 RAG 시작하기 (1/2)
18.2.1 유사도 이해하기18.2.2 데이터베이스 만들기
18.2 RAG 시작하기 (2/2)
18.2.3 유사도 검색 수행하기18.2.4 모두 연결하기
18.3 RAG 콘텐츠와 LLM 사용하기 (1/2)
18.3 RAG 콘텐츠와 LLM 사용하기 (2/2)
18.3.1 호스팅된 모델로 확장하기
18.4 마치며
CAHAPER 19 허깅 페이스의 diffusers를 사용한 생성 모델 활용
19.1 디퓨전 모델이란
19.2 허깅 페이스의 diffusers 사용하기 (1/2)
19.2.1 diffusers를 사용한 이미지-투-이미지 모델
19.2 허깅 페이스의 diffusers 사용하기 (2/2)
19.2.2 diffusers로 인페인팅하기
19.3 마치며
CAHAPER 20 LoRA와 diffusers를 사용한 이미지 생성 모델 튜닝
20.1 diffusers로 LoRA 미세 튜닝하기 (1/3)
20.1.1 diffusers 다운로드하기20.1.2 LoRA 미세 튜닝을 위한 데이터 준비하기
20.1 diffusers로 LoRA 미세 튜닝하기 (2/3)
20.1.3 diffusers로 모델 미세 튜닝하기20.1.4 모델 배포20.1.5 사용자 정의 LoRA 모델로 이미지 생성하기
20.1 diffusers로 LoRA 미세 튜닝하기 (3/3)
20.2 마치며
찾아보기 (1/3)
찾아보기 (2/3)
찾아보기 (3/3)

Content preview from 파이토치로 배우는 LLM & AI

부

모델 구축

1.4

파이토치란

파이토치는

토치

Torch

라이브러리를 기반으로 한 머신러닝 라이브러리입니다. 토치는 루아

Lua

프로그래밍 언어를 기반으로 하는 오픈 소스 머신러닝 프레임워크이자 스크립트 언어입니다.

2017

년 토치 개발이 파이썬 포팅에 해당하는 파이토치로 이전되었습니다. 그래서 파이토치를

설치할 때 ‘

torch

’라고 씁니다.

파이토치는 원래 메타

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 9791175790223

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

파이토치로 배우는 LLM & AI

by 로런스 모로니, 박해선

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

More than 5,000 organizations count on O’Reilly

Julian F.

Addison B.

Amir M.

Mark W.

You might also like

PyTorch의 코더를 위한 AI 및 ML

実践 LLMアプリケーション開発 ―プロトタイプを脱却し、実用的な実装に迫るための包括的な手引き

실무로 통하는 LLM 애플리케이션 설계

헤드 퍼스트 자바(3판)

Publisher Resources