머신러닝을 처음 배우는 많은 사람은 알고리즘 이름부터 붙잡습니다. 하지만 실제 현장에서는 조금 다른 질문이 더 중요합니다. 무슨 문제를 풀 것인가, 어떤 데이터를 쓸 것인가, 모델 결과를 어떻게 제품 안에서 움직이게 할 것인가. 이 책은 바로 그 질문에 답하도록 설계된 입문서입니다. 선형 회귀와 로지스틱 회귀 같은 기본 모델에서 출발하지만, 목표는 공식을 외우는 데 있지 않습니다. 데이터를 읽고, 문제를 정의하고, 성능을 평가하고, 결국 운영 가능한 시스템으로 연결하는 사고방식을 익히는 데 있습니다.
책은 머신러닝의 큰 그림에서 시작해 데이터셋 구조, 전처리, 특성 엔지니어링, 핵심 알고리즘, 평가와 일반화, 추천·이상 탐지·딥러닝·LLM, 그리고 배포와 MLOps까지 하나의 흐름으로 이어집니다. 그래서 독자는 모델 하나를 따로 배우는 느낌보다, 현실 문제를 데이터와 모델로 설계하는 전체 과정을 따라가게 됩니다. 후반부의 실전 프로젝트들은 이 흐름을 실제 서비스 맥락에 연결해, 배운 개념이 어디에서 어떻게 쓰이는지 손에 잡히게 보여 줍니다.
이 책이 특히 유용한 독자는 세 부류입니다. 머신러닝 프로젝트의 전체 구조를 이해하고 싶은 개발자, AI 기능이 실제로 어떻게 만들어지는지 알고 싶은 기획자와 창업자, 알고리즘 이름은 들어봤지만 무엇부터 공부해야 할지 막막한 데이터 입문자입니다. 수학을 과하게 앞세우지 않으면서도, 그렇다고 라이브러리 사용법만 훑고 지나가지도 않습니다. 대신 왜 이 모델을 쓰는지, 언제 실패하는지, 어떻게 더 나은 제품으로 이어지는지를 끝까지 설명합니다.
생성형 AI와 LLM이 주목받는 시대에도, 여전히 많은 문제는 표 데이터와 예측, 분류, 추천, 이상 탐지의 형태로 남아 있습니다. 그래서 머신러닝의 기본기는 낡은 지식이 아니라 더 넓은 AI 시대를 버티게 해 주는 기반입니다. 이 책은 그 기반을 독자에게 어렵지 않게, 그러나 얕지 않게 건네주려는 책입니다. 이제 첫 장을 펼치면, 알고리즘 암기가 아니라 문제를 모델로, 모델을 제품으로 바꾸는 설계 감각이 무엇인지 자연스럽게 보이기 시작할 것입니다.
