1장 머신러닝 시스템 개요1.1 머신러닝을 사용해야 하는 경우1.2 머신러닝 시스템 이해하기1.3 정리2장 머신러닝 시스템 설계 소개2.1 비즈니스와 머신러닝의 목적2.2 머신러닝 시스템 요구 사항2.3 반복 프로세스2.4 머신러닝 문제 구조화하기2.5 지성 vs. 데이터2.6 정리3장 데이터 엔지니어링 기초3.1 데이터 소스3.2 데이터 포맷3.3 데이터 모델3.4 데이터 스토리지 엔진 및 처리3.5 데이터플로 모드3.6 배치 처리 vs. 스트림 처리3.7 정리4장 훈련 데이터4.1 샘플링4.2 레이블링4.3 클래스 불균형 문제4.4 데이터 증강4.5 정리5장 피처 엔지니어링5.1 학습된 피처 vs. 엔지니어링된 피처5.2 피처 엔지니어링 기법5.3 데이터 누수5.4 좋은 피처를 설계하는 방법5.5 정리6장 모델 개발과 오프라인 평가6.1 모델 개발과 훈련6.2 모델 오프라인 평가6.3 정리7장 모델 배포와 예측 서비스7.1 머신러닝 배포에 대한 통념7.2 배치 예측 vs. 온라인 예측7.3 모델 압축7.4 클라우드와 에지에서의 머신러닝7.5 정리8장 데이터 분포 시프트와 모니터링8.1 머신러닝 시스템 장애 원인8.2 데이터 분포 시프트8.3 모니터링과 관찰 가능성8.4 정리9장 연속 학습과 프로덕션 테스트9.1 연속 학습9.2 프로덕션에서 테스트하기9.3 정리10장 MLOps를 위한 인프라와 도구10.1 스토리지와 컴퓨팅10.2 개발 환경10.3 자원 관리10.4 머신러닝 플랫폼10.5 구축 vs. 구매10.6 정리11장 머신러닝의 인간적 측면11.1 사용자 경험11.2 팀 구조11.3 책임 있는 AI11.4 정리