Chapter 1 레이 살펴보기
1.1 레이는 무엇인가?
_1.1.1 레이가 추구하는 목적
_1.1.2 레이의 디자인 철학
_1.1.3 레이의 3가지 계층: 코어, 라이브러리, 생태계
1.2 분산 컴퓨팅 프레임워크
1.3 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 서빙
1.4 성장하는 생태계
1.5 요약

Chapter 2 레이 코어로 시작하는 분산 컴퓨팅
2.1 레이 코어 소개
_2.1.1 레이 API를 활용한 첫 번째 예시
_2.1.2 레이 API 개요
2.2 레이 시스템 컴포넌트
_2.2.1 노드에서 태스크 스케줄링 및 실행
_2.2.2 헤드 노드
_2.2.3 분산된 스케줄링과 실행
2.3 레이를 사용한 간단한 맵리듀스 예시
_2.3.1 매핑과 셔플
_2.3.2 단어 수 축소(리듀스 단계)
2.4 요약

Chapter 3 분산 애플리케이션 개발
3.1 강화학습 소개
3.2 간단한 미로 문제 설정
3.3 시뮬레이션 구현
3.4 강화학습 모델 훈련
3.5 레이 분산 애플리케이션 구축
3.6 강화학습 용어 요약
3.7 요약

Chapter 4 레이 RLlib을 활용한 강화학습
4.1 RLlib 개요
4.2 RLlib 시작하기
_4.2.1 Gym 환경 구축
_4.2.2 RLlib CLI
_4.2.3 RLlib 파이썬 API
4.3 RLlib 실험 구성
_4.3.1 리소스 구성
_4.3.2 롤아웃 워커 구성
_4.3.3 환경 구성
4.4 RLlib 환경
_4.4.1 RLlib 환경 개요
_4.4.2 다중 에이전트
_4.4.3 정책 서버와 클라이언트 작동
4.5 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 주제
4.6 요약

Chapter 5 레이 튠을 활용한 하이퍼파라미터 최적화
5.1 하이퍼파라미터 튜닝
_5.1.1 레이를 사용한 랜덤 서치
_5.1.2 HPO가 어려운 이유
5.2 튠 소개
_5.2.1 튠의 작동 방식
_5.2.2 튠의 구성과 실행
5.3 튠을 활용한 머신러닝
_5.3.1 튠을 활용한 RLlib
_5.3.2 케라스 모델 튜닝
5.4 요약

Chapter 6 레이 데이터셋을 활용한 데이터 분산 처리
6.1 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 훈련
6.2 외부 라이브러리 통합
6.3 머신러닝 파이프라인 구축
6.4 요약

Chapter 7 레이 트레인을 활용한 분산 모델 훈련
7.1 분산 모델 훈련의 기초
7.2 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 추론
7.3 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 모니터링
7.4 요약

Chapter 8 레이 서브를 활용한 온라인 추론
8.1 온라인 추론의 주요 특징
_8.1.1 계산 집약적 머신러닝 모델
_8.1.2 고립된 상태에서 유용하지 않은 머신러닝 모델
8.2 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 그래프
8.3 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 통합
8.4 요약

Chapter 9 레이 클러스터를 활용한 스케일링
9.1 수동으로 레이 클러스터 생성
9.2 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 구성
9.3 레이 클러스터 런처
_9.3.1 레이 클러스터 구성
_9.3.2 클러스터 런처 CLI
_9.3.3 레이 클러스터와 상호작용
9.4 클라우드 클러스터
_9.4.1 AWS
_9.4.2 기타 클라우드 제공자
9.5 오토스케일링
9.6 요약

Chapter 10 레이 AIR로 구성하는 데이터 과학 워크플로
10.1 AIR를 사용하는 이유
10.2 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 배포
10.3 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 오토스케일링
10.4 요약

Chapter 11 레이 생태계와 그 너머
11.1 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 개요
11.2 레이 외 시스템
_11.2.1 분산 파이썬 프레임워크
_11.2.2 레이 AIR와 더 넓은 생태계
_11.2.3 AIR를 머신러닝 플랫폼에 통합하는 방법
11.3 앞으로 살펴볼만한 주제
11.4 요약