'AI와 머신러닝' 분야 무료 필독서 6選

솔직하게, ‘무료’라는 말처럼 눈을 확! 끄는 말이 없기는 하죠 ^.^ 무료지만 아주 유용한, AI와 머신러닝의 핵심이자 기초 주제에 대해서 최신 정보를 잘 정리해서 제공하는, 가장 최근의 책들을 모아 봤습니다:

1. Machine Learning Systems by Vijay Janapa Reddi

   효과적인 머신러닝(ML) 솔루션을 구축하기 위한 프레임웍을 제공하는데, 데이터 엔지니어링, 최적화, 하드웨어 인식형 학습(Hardware-Aware Training), 추론 가속(Inference Acceleration), 아키텍처의 선택, 그리고 기타 핵심 원칙들을 다룹니다.
   

2. Generative Diffusion Modeling: A Practical Handbook by Zihan Ding, Chi Jin
   확률 기반, 점수 기반, 컨시스턴시(Consistency), 렉티파이드 플로우(Rectified Flow), 사전/사후 학습(Pre/Post-Training) 등 확산 모델(Diffusion Model)에 대한 종합적인 관점을 제시합니다. 코드와 표기법을 일치시켜서, 논문과 코드 간에 항상 존재했던 Gap을 해소해 줍니다.
   

3. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges
   합성곱 신경망(CNN), 순환 신경망(RNN), 그래프 신경망(GNN), 트랜스포머(Transformers) 등 신경망 아키텍처를 분석하기 위한 통합적인 기하학의 원리를 탐구하고, 향후의 아키텍처 설계를 위한 지침을 제공해 줍니다.
   

4. Mathematical Foundations of Geometric Deep Learning by Haitz Saez de Ocariz Borde and Michael Bronstein
   기하학적 딥러닝(Geometric Deep Learning)의 핵심적인 수학 개념 — 기하학 및 해석 구조, 벡터 해석학(Vector Calculus), 미분기하학(Differential Geometry) 등을 심층적으로 다룹니다.
   

5. Interpretable Machine Learning by Christoph Molnar
   의사결정트리같은 단순하고 명확한 모델, 그리고 LIME, 샤플리 값(Shapley Values), 순열 중요도(Permutation Importance), 누적 지역 효과(Accumulated Local Effects) 같이 모델에 독립적인(Model-Agnostic) 해석가능한 머신러닝 기법들에 대한 실용적인 가이드를 제공합니다.
   

6. Understanding Deep Learning by Simon J.D. Prince
   딥러닝의 핵심 개념 — 모델, 학습, 평가, 강화학습(RL), 이미지·텍스트·그래프용 아키텍처 등을 다루고, 아직 해결되지 않은 이론적인 질문들까지 탐구합니다.

*읽어주셔서 감사합니다. 재미있게 보셨다면 친구와 동료 분들에게도 뉴스레터를 추천해 주세요