Chapter 1 레이 살펴보기1.1 레이는 무엇인가?_1.1.1 레이가 추구하는 목적_1.1.2 레이의 디자인 철학_1.1.3 레이의 3가지 계층: 코어, 라이브러리, 생태계1.2 분산 컴퓨팅 프레임워크1.3 데이터 과학 라이브러리_1.3.1 데이터 과학 워크플로_1.3.2 데이터 처리_1.3.3 모델 학습_1.3.4 하이퍼파라미터 튜닝_1.3.5 모델 서빙1.4 성장하는 생태계1.5 요약Chapter 2 레이 코어로 시작하는 분산 컴퓨팅2.1 레이 코어 소개_2.1.1 레이 API를 활용한 첫 번째 예시_2.1.2 레이 API 개요2.2 레이 시스템 컴포넌트_2.2.1 노드에서 태스크 스케줄링 및 실행_2.2.2 헤드 노드_2.2.3 분산된 스케줄링과 실행2.3 레이를 사용한 간단한 맵리듀스 예시_2.3.1 매핑과 셔플_2.3.2 단어 수 축소(리듀스 단계)2.4 요약Chapter 3 분산 애플리케이션 개발3.1 강화학습 소개3.2 간단한 미로 문제 설정3.3 시뮬레이션 구현3.4 강화학습 모델 훈련3.5 레이 분산 애플리케이션 구축3.6 강화학습 용어 요약3.7 요약Chapter 4 레이 RLlib을 활용한 강화학습4.1 RLlib 개요4.2 RLlib 시작하기_4.2.1 Gym 환경 구축_4.2.2 RLlib CLI_4.2.3 RLlib 파이썬 API4.3 RLlib 실험 구성_4.3.1 리소스 구성_4.3.2 롤아웃 워커 구성_4.3.3 환경 구성4.4 RLlib 환경_4.4.1 RLlib 환경 개요_4.4.2 다중 에이전트_4.4.3 정책 서버와 클라이언트 작동4.5 고급 개념_4.5.1 고급 환경 구축_4.5.2 커리큘럼 학습 적용_4.5.3 오프라인 데이터 작업_4.5.4 다른 고급 주제4.6 요약Chapter 5 레이 튠을 활용한 하이퍼파라미터 최적화5.1 하이퍼파라미터 튜닝_5.1.1 레이를 사용한 랜덤 서치_5.1.2 HPO가 어려운 이유5.2 튠 소개_5.2.1 튠의 작동 방식_5.2.2 튠의 구성과 실행5.3 튠을 활용한 머신러닝_5.3.1 튠을 활용한 RLlib_5.3.2 케라스 모델 튜닝5.4 요약Chapter 6 레이 데이터셋을 활용한 데이터 분산 처리6.1 레이 데이터셋_6.1.1 레이 데이터셋 기초_6.1.2 레이 데이터셋 연산_6.1.3 데이터셋 파이프라인_6.1.4 예시: 병렬 분류기 복사본 훈련6.2 외부 라이브러리 통합6.3 머신러닝 파이프라인 구축6.4 요약Chapter 7 레이 트레인을 활용한 분산 모델 훈련7.1 분산 모델 훈련의 기초7.2 예시를 통한 레이 트레인 소개_7.2.1 뉴욕시 택시 승차 시 팁 예측_7.2.2 로드, 전처리, 피처화_7.2.3 딥러닝 모델 정의_7.2.4 레이 트레인을 활용한 모델 훈련_7.2.5 분산 배치 추론7.3 레이 트레인의 트레이너_7.3.1 레이 트레인으로 마이그레이션_7.3.2 트레이너 스케일 아웃_7.3.3 레이 트레인을 활용한 전처리_7.3.4 트레이너와 레이 튠의 통합_7.3.5 콜백을 사용한 학습 모니터링7.4 요약Chapter 8 레이 서브를 활용한 온라인 추론8.1 온라인 추론의 주요 특징_8.1.1 계산 집약적 머신러닝 모델_8.1.2 고립된 상태에서 유용하지 않은 머신러닝 모델8.2 레이 서브 소개_8.2.1 아키텍처 개요_8.2.2 기본 HTTP 엔드포인트 정의_8.2.3 확장 및 리소스 할당_8.2.4 요청 배치 처리_8.2.5 멀티모델 추론 그래프8.3 엔드 투 엔드 예시: 자연어 처리 기반 API 구축_8.3.1 콘텐츠 가져오기 및 전처리_8.3.2 NLP 모델_8.3.3 HTTP 처리 및 드라이버 로직_8.3.4 통합8.4 요약Chapter 9 레이 클러스터를 활용한 스케일링9.1 수동으로 레이 클러스터 생성9.2 쿠버네티스에 배포_9.2.1 첫 번째 쿠브레이 클러스터 설정_9.2.2 쿠브레이 클러스터와 상호작용_9.2.3 쿠브레이 노출_9.2.4 쿠브레이 구성_9.2.5 쿠브레이 로깅 구성9.3 레이 클러스터 런처_9.3.1 레이 클러스터 구성_9.3.2 클러스터 런처 CLI _9.3.3 레이 클러스터와 상호작용9.4 클라우드 클러스터_9.4.1 AWS_9.4.2 기타 클라우드 제공자9.5 오토스케일링9.6 요약Chapter 10 레이 AIR로 구성하는 데이터 과학 워크플로10.1 AIR를 사용하는 이유10.2 예시로 살펴보는 AIR의 핵심_10.2.1 레이 데이터셋과 전처리기_10.2.2 트레이너_10.2.3 튜너와 체크포인트_10.2.4 배치 예측기_10.2.5 배포10.3 AIR에 적합한 워크로드_10.3.1 AIR 워크로드 실행_10.3.2 AIR 메모리 관리_10.3.3 AIR 고장 모델_10.3.4 AIR 워크로드 오토스케일링10.4 요약Chapter 11 레이 생태계와 그 너머11.1 성장하는 생태계_11.1.1 데이터 로드와 처리 _11.1.2 모델 훈련_11.1.3 모델 서빙_11.1.4 커스텀 통합_11.1.5 레이 통합 개요11.2 레이 외 시스템_11.2.1 분산 파이썬 프레임워크_11.2.2 레이 AIR와 더 넓은 생태계_11.2.3 AIR를 머신러닝 플랫폼에 통합하는 방법11.3 앞으로 살펴볼만한 주제11.4 요약