AI가 글을 쓰고, 코드를 설명하고, 이미지를 만들고, 고객의 행동을 예측하는 시대입니다. 겉으로 보면 마법처럼 보이지만, 그 밑바닥에는 반복되는 아주 중요한 원리가 있습니다. 모델은 데이터를 보고, 예측하고, 틀린 정도를 확인한 뒤, 다음에는 덜 틀리도록 스스로를 조정합니다.
이 책은 머신러닝을 수식 공포 없이 이해하고 싶은 독자를 위한 기초 체력서입니다. 인공지능, 머신러닝, 딥러닝의 차이에서 출발해 데이터, 특징, 라벨, 손실, 학습, 평가, 과적합, 일반화라는 핵심 개념을 하나씩 연결합니다. 회귀와 분류, 결정트리와 랜덤포레스트, 그래디언트 부스팅, 비지도학습, 임베딩, 추천 시스템까지 머신러닝의 큰 지도를 차근차근 펼쳐 보입니다.
특히 이 책은 "공식을 외우기 전에 감각을 잡는 것"을 목표로 합니다. 집값 예측, 스팸 메일 분류, 고객 이탈 예측, 사용자 군집 분석, 추천 시스템 같은 익숙한 예시를 통해 모델이 무엇을 보고 배우는지, 왜 평가가 중요한지, 데이터 누수가 왜 위험한지, 좋은 모델이 왜 단순히 높은 점수만으로 결정되지 않는지 이해하게 됩니다.
이 책을 끝까지 읽고 나면 AI를 막연한 검은 상자로 보지 않게 될 것입니다. 어떤 데이터를 썼는지, 무엇을 예측하는지, 어떤 기준으로 틀림을 줄였는지, 처음 보는 데이터에서도 잘 작동할 수 있는지 스스로 질문할 수 있게 됩니다. 그리고 그 질문들이 딥러닝과 LLM을 더 깊이 이해하기 위한 든든한 출발점이 되어 줄 것입니다.
