추천 자료

읽는 법

자료의 종류마다 쓰임이 다르다.

리뷰와 교재는 지도를 주고, 원 논문은 근거를 준다. 리뷰가 요약한 문장을 그대로 인용하지 않는다. 요약은 조건을 생략하기 때문이다. 본문 각 장의 참고 문헌 절에는 그 장의 내용에 직접 쓴 원 논문이 있다. 이 부록은 그보다 넓게, 장을 넘어 읽을 자료를 고른다.

오리엔테이션과 연구 생태계

0–1부를 읽은 뒤, AI for Science가 어떤 문제를 풀어 왔는지 큰 그림을 잡는 자료다.

• Wang 외 (2023). Scientific discovery in the age of artificial intelligence. Nature, 620, 47–60. wang2023scientific — 가설 생성, 실험 설계, 데이터 해석 단계마다 AI가 쓰이는 방식을 분야를 가로질러 개관한 리뷰다. 1.2장의 지형도를 더 넓은 사례로 채운다. 관련: 1.2장, 25부
• Lipton, Steinhardt (2018). Troubling trends in machine learning scholarship. arXiv:1807.03341. lipton2018troubling — ML 논문에서 자주 보이는 서술상의 결함(설명과 추측의 혼동, 이득의 출처를 밝히지 않음)을 정리한다. 논문을 읽고 쓰는 눈을 처음부터 맞춰 둔다. 관련: 1.6장, 23.2장

연구 인프라와 연구 소프트웨어 공학

2–6부와 이어진다. 도구 자체는 공식 문서를 우선한다.

• Chacon, Straub (2014). Pro Git (2nd ed.). Apress. chacon2014pro — Git의 내부 모델부터 분산 협업 흐름까지 다루는 표준 해설서다. 저자들이 웹에 전문을 공개하고 있다. 4.1장에서 커밋 그래프를 이해했다면 내부 구조를 다룬 장과 브랜치·rebase를 다룬 장을 읽는다. 관련: 4.1장, 4.2장
• Wilson 외 (2017). Good enough practices in scientific computing. PLoS Computational Biology, 13(6), e1005510. wilson2017good — 프로그래밍 경험이 적은 연구자가 바로 실천할 수 있는 최소한의 관행(데이터 관리, 프로젝트 구성, 변경 추적, 원고 작성)을 짧게 정리한 논문이다. 6부 전체를 한 번에 복습하는 체크리스트로 쓴다. 관련: 6.1장, 6.7장
• Sandve, Nekrutenko, Taylor, Hovig (2013). Ten simple rules for reproducible computational research. PLoS Computational Biology, 9(10), e1003285. sandve2013ten — 결과의 출처 추적, 수작업 단계 배제, 버전 기록을 열 개의 규칙으로 정리했다. 22부를 읽기 전에 읽어도 좋다. 관련: 6.3장, 22.1장
• 공식 문서. Python 언어 참조와 표준 라이브러리 문서, Python Packaging User Guide(packaging.python.org), NumPy·pandas·SciPy 사용자 가이드, pytest 문서. 이 책의 3·5·6부가 가리키는 동작의 원천이다. 버전을 확인하고 읽는다. 관련: 3.4장, 5.2장, 5.3장, 6.6장

수리 기초

7–10부와 이어진다. 한 권으로 시작하려면 Deisenroth 외를, 수치 계산을 깊이 다루려면 Trefethen·Bau와 Higham을, 최적화는 Boyd·Vandenberghe와 Nocedal·Wright를 고른다.

• Deisenroth, Faisal, Ong (2020). Mathematics for Machine Learning. Cambridge University Press. deisenroth2020mathematics — 선형대수, 해석기하, 행렬 분해, 벡터 미적분, 확률, 연속 최적화를 ML에 필요한 범위로 묶은 교재다. 7·8·10·11부의 수학을 하나의 표기로 다시 보고 싶을 때 쓴다. 관련: 7.1장, 7.6장, 8.2장
• Trefethen, Bau (1997). Numerical Linear Algebra. SIAM. trefethen1997numerical — 짧은 강의 40개로 QR·SVD·조건수·안정성·고윳값 알고리즘·반복법을 다룬다. 7.6장의 SVD와 9.2–9.3장의 조건수·분해를 계산의 관점에서 다시 읽는 데 가장 좋은 책이다. 관련: 7.6장, 9.2장, 9.3장
• Higham (2002). Accuracy and Stability of Numerical Algorithms (2nd ed.). SIAM. higham2002accuracy — 부동소수점 반올림 오차 분석의 표준 참고서다. 합의 오차, backward error, 선형 시스템의 안정성을 찾아볼 때 쓴다. 처음부터 읽는 책이 아니라 9.1–9.2장에서 생긴 질문을 들고 찾아 읽는 책이다. 관련: 9.1장, 9.2장
• Boyd, Vandenberghe (2004). Convex Optimization. Cambridge University Press. boyd2004convex — 볼록 집합과 함수, 쌍대성, KKT 조건의 표준 교재다. 저자들이 웹에 전문을 공개하고 있다. 10.1–10.2장을 읽은 뒤 쌍대성과 최적성 조건을 다룬 부분을 읽는다. 관련: 10.1장, 10.2장
• Nocedal, Wright (2006). Numerical Optimization (2nd ed.). Springer. nocedal2006numerical — line search, trust region, 준뉴턴, 제약 최적화 알고리즘을 수렴 이론과 함께 다룬다. 10.3·10.5장의 알고리즘을 직접 구현하거나 solver의 옵션을 이해해야 할 때 쓴다. 관련: 10.3장, 10.5장, 9.4장

확률·통계적 추론

11–14부와 이어진다.

• Bishop (2006). Pattern Recognition and Machine Learning. Springer. bishop2006pattern — 확률분포, 그래프 모델, 잠재변수 모델, 근사 추론을 일관된 베이지안 관점으로 다루는 교재다. 11장의 다변량 가우시안과 지수족, 13장의 EM과 변분추론에 해당하는 장을 골라 읽는다. 관련: 11.2장, 11.4장, 13.4장
• Murphy (2022). Probabilistic Machine Learning: An Introduction. MIT Press. murphy2022probabilistic — 수학 배경부터 선형 모델, 신경망까지를 확률적 관점으로 다루는 최근 교재다. Bishop보다 넓고 최신 주제를 포함한다. 관련: 11.1장, 12.2장, 16.2장
• Gelman, Carlin, Stern, Dunson, Vehtari, Rubin (2013). Bayesian Data Analysis (3rd ed.). CRC Press. gelman2013bda — 베이지안 모델링의 표준 교재다. 계층 모델, 모델 점검, 계산(MCMC)을 실제 데이터 분석의 흐름으로 다룬다. 관련: 13.1장, 13.3장, 13.5장
• Gelman 외 (2020). Bayesian workflow. arXiv:2011.01808. gelman2020bayesian — 모델을 만들고, 점검하고, 고치고, 비교하는 반복 과정을 한 문서로 정리한 해설이다. 13.8장의 확장판으로 읽는다. 관련: 13.8장
• Blei, Kucukelbir, McAuliffe (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112(518), 859–877. blei2017variational — ELBO, mean-field, 확률적 변분추론을 한 리뷰에 정리했다. 관련: 13.6장, 19.3장
• Neal (2011). MCMC using Hamiltonian dynamics. In Handbook of Markov Chain Monte Carlo, 113–162. neal2011mcmc — HMC의 원리와 조정 방법을 가장 친절하게 설명한 해설이다. 관련: 13.5장
• Rasmussen, Williams (2006). Gaussian Processes for Machine Learning. MIT Press. rasmussen2006gaussian — GP 회귀와 분류, 커널, 주변우도에 의한 모델 선택의 표준 교재다. 저자 웹사이트에서 전문을 공개한다. 관련: 13.7장, 24.5장
• Cover, Thomas (2006). Elements of Information Theory (2nd ed.). Wiley. cover2006elements — 엔트로피, KL, 상호정보량의 표준 교재다. 14.1–14.2장의 정의와 부등식을 증명까지 보고 싶을 때 읽는다. 관련: 14.1장, 14.2장
• Shalev-Shwartz, Ben-David (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. shalevshwartz2014understanding — ERM, PAC 학습, VC 차원, Rademacher 복잡도를 다루는 학습 이론 교재다. 저자들이 웹에 원고를 공개하고 있다. 관련: 14.4장
• Demšar (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1–30. demsar2006statistical — 여러 데이터셋에서 방법을 비교하는 검정과 그 함정을 정리한 튜토리얼 성격의 논문이다. 관련: 12.5장
• Wasserstein, Lazar (2016). The ASA's statement on p-values. The American Statistician, 70(2), 129–133. wasserstein2016asa — p-value를 해석할 때의 여섯 원칙을 짧게 정리한 미국통계학회의 성명이다. 관련: 12.4장

머신러닝 핵심

15–17부와 이어진다.

• Hastie, Tibshirani, Friedman (2009). The Elements of Statistical Learning (2nd ed.). Springer. hastie2009elements — 선형 모델, 정규화, 커널, 트리와 앙상블, 모델 선택을 통계적 관점에서 다루는 표준 교재다. 저자들이 웹에 전문을 공개하고 있다. 16부의 각 장에 해당하는 장을 골라 읽는다. 관련: 16.2장, 16.4장, 16.6장
• Hyndman, Athanasopoulos (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. hyndman2021forecasting — 분해, 지수평활, ARIMA, 시계열 교차검증을 다루는 공개 교과서다. 예측 문제를 처음 맡았다면 이 책의 평가 방법을 먼저 읽는다. 관련: 16.7장, 18.7장
• Hernán, Robins (2020). Causal Inference: What If. Chapman & Hall/CRC. hernan2020causal — 잠재 결과와 인과 그래프를 함께 다루는 공개 교과서다. 관련: 16.8장
• Kapoor, Narayanan (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), 100804. kapoor2023leakage — 여러 과학 분야의 ML 논문에서 발견된 누수 사례를 조사하고 유형을 분류했다. AI for Science 연구자라면 15.4장과 함께 반드시 읽는다. 관련: 15.4장
• Roberts 외 (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. roberts2017cross — 구조가 있는 데이터의 block 교차검증을 생태학 사례로 정리한 리뷰다. 관련: 15.4장, 16.6장
• Wickham (2014). Tidy data. Journal of Statistical Software, 59(10), 1–23. wickham2014tidy — 변수·관측·관측 단위에 대응하는 표 구조의 원칙이다. 관련: 15.1장
• Gebru 외 (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86–92. gebru2021datasheets — 데이터셋 문서화의 질문 목록이다. 부록 F의 데이터 카드가 이 목록을 줄인 것이다. 관련: 15.5장, 부록 F
• Goodfellow, Bengio, Courville (2016). Deep Learning. MIT Press. goodfellow2016deep — 신경망의 구성 요소, 정규화, 최적화, CNN, 시퀀스 모델과 실무 방법론을 다룬 교재다. 저자들이 웹에 전문을 공개하고 있다. 출판 이후의 주제(Transformer 이후)는 다루지 않으므로 아래의 Prince와 함께 본다. 관련: 17.1장, 17.5장, 10.4장
• Prince (2023). Understanding Deep Learning. MIT Press. prince2023understanding — 신경망의 기초부터 Transformer, 생성모델까지 그림 중심으로 설명하는 최근 교재다. 저자가 웹에 원고를 공개하고 있다. 17–19부를 이어 읽는 하나의 교재로 쓴다. 관련: 17.1장, 18.4장, 19.5장
• 공식 문서. PyTorch 튜토리얼과 API 문서(pytorch.org). 17부의 코드가 기대는 동작의 원천이다. 관련: 17.2장, 17.10장

머신러닝 심화

18–21부와 이어진다.

• Bronstein, Bruna, Cohen, Veličković (2021). Geometric deep learning: Grids, groups, graphs, geodesics, and gauges. arXiv:2104.13478. bronstein2021geometric — CNN, GNN, Transformer를 대칭과 불변성이라는 하나의 틀로 정리한 긴 해설이다. 18.1장의 귀납적 편향과 24.8장의 등변 모델을 잇는다. 관련: 18.1장, 18.6장, 7.10장
• Battaglia 외 (2018). Relational inductive biases, deep learning, and graph networks. arXiv:1806.01261. battaglia2018relational — 아키텍처의 구성 요소를 관계적 귀납 편향의 관점으로 정리하고 graph network 틀을 제시한다. 관련: 18.1장, 18.6장
• Papamakarios, Nalisnick, Rezende, Mohamed, Lakshminarayanan (2021). Normalizing flows for probabilistic modeling and inference. JMLR, 22(57), 1–64. papamakarios2021normalizing — normalizing flow의 구성과 쓰임을 정리한 리뷰다. 관련: 19.4장
• Bommasani 외 (2021). On the opportunities and risks of foundation models. arXiv:2108.07258. bommasani2021opportunities — foundation model이라는 용어를 정의하고 기회와 위험을 분야별로 정리한 긴 보고서다. 필요한 장만 골라 읽는다. 관련: 19.9장, 25.5장
• Sutton, Barto (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. sutton2018reinforcement — 강화학습의 표준 교재다. 저자들이 웹에 전문을 공개하고 있다. 20부의 각 장이 이 책의 해당 장을 가리킨다. 관련: 20.1장, 20.2장
• Russo, Van Roy, Kazerouni, Osband, Wen (2018). A tutorial on Thompson sampling. Foundations and Trends in Machine Learning, 11(1), 1–96. russo2018tutorial — Thompson sampling의 원리와 응용을 예제 중심으로 설명하는 튜토리얼이다. 25.3장의 능동 학습으로 이어진다. 관련: 20.4장, 25.3장
• Levine, Kumar, Tucker, Fu (2020). Offline reinforcement learning: Tutorial, review, and perspectives on open problems. arXiv:2005.01643. levine2020offline — 기록된 데이터만으로 정책을 학습할 때의 분포 이동 문제와 방법을 정리했다. 실험 기록이 쌓인 과학 분야에서 RL을 고려한다면 먼저 읽는다. 관련: 20.4장
• Gneiting, Raftery (2007). Strictly proper scoring rules, prediction, and estimation. JASA, 102(477), 359–378. gneiting2007strictly — 확률 예측을 평가하는 적정 점수 규칙의 이론이다. 관련: 12.3장, 21.2장
• Vovk, Gammerman, Shafer (2005). Algorithmic Learning in a Random World. Springer. vovk2005algorithmic — conformal prediction의 원전이다. 응용만 필요하면 아래의 Lei 외부터 읽는다. 관련: 21.3장
• Lei, G'Sell, Rinaldo, Tibshirani, Wasserman (2018). Distribution-free predictive inference for regression. JASA, 113(523), 1094–1111. lei2018distribution — 회귀에서의 split conformal과 그 보장을 정리했다. 관련: 21.3장

머신러닝 시스템과 실험 운영

22부와 이어진다.

• Bouthillier 외 (2021). Accounting for variance in machine learning benchmarks. MLSys 2021. bouthillier2021accounting — 데이터 샘플링, 초기화, 하이퍼파라미터 선택이 벤치마크 결과의 변동에 얼마나 기여하는지 측정했다. 결과 표의 "±"를 설계하기 전에 읽는다. 관련: 22.2장, 12.5장
• Henderson 외 (2018). Deep reinforcement learning that matters. AAAI, 32(1). henderson2018deep — seed·구현·하이퍼파라미터에 따라 결과가 얼마나 바뀌는지를 보인 논문이다. RL이 아니어도 재현성 문제의 교과서적 사례로 읽는다. 관련: 22.2장, 23.3장
• Williams, Waterman, Patterson (2009). Roofline: An insightful visual performance model for multicore architectures. Communications of the ACM, 52(4). williams2009roofline — 연산 강도와 메모리 대역폭으로 성능 상한을 읽는 roofline 모델의 원 논문이다. 관련: 22.4장, 5.5장
• 공식 문서. PyTorch의 CUDA semantics, torch.distributed, profiler 문서. 분산 학습과 메모리 관리의 세부는 버전에 따라 바뀐다. 관련: 22.5장, 22.6장

연구 방법론

23부와 이어진다.

• Keshav (2007). How to read a paper. ACM SIGCOMM Computer Communication Review, 37(3), 83–84. keshav2007how — 논문을 세 번에 나눠 읽는 방법을 두 쪽으로 정리했다. 관련: 23.2장
• Pineau 외 (2021). Improving reproducibility in machine learning research. JMLR, 22(164), 1–20. pineau2021improving — NeurIPS 2019의 코드 제출 정책, 재현 챌린지, 재현성 체크리스트의 도입 경험을 보고한다. 관련: 23.3장, 부록 G
• Nosek, Ebersole, DeHaven, Mellor (2018). The preregistration revolution. PNAS, 115(11), 2600–2606. nosek2018preregistration — 연구 질문과 분석 계획을 결과 전에 등록하는 이유와 방법이다. Simmons, Nelson, Simonsohn (2011) simmons2011false과 함께 읽으면 분석의 유연성이 거짓 양성을 얼마나 늘리는지 감이 잡힌다. 관련: 23.4장
• Box, Hunter, Hunter (2005). Statistics for Experimenters (2nd ed.). Wiley. box2005statistics — 블록화, 요인 설계, 부분 요인 설계의 고전 교재다. 실험 과학자에게는 익숙한 책이고, ML 연구자에게는 ablation을 설계하는 방법을 바꿔 준다. 관련: 23.5장
• Cohen (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. cohen1988statistical — 효과 크기와 검정력 분석의 표준 참고서다. 관련: 23.5장
• Tufte (1983). The Visual Display of Quantitative Information. Graphics Press. tufte1983visual — 정량 그래픽의 원칙(lie factor, 데이터 대비 잉크)을 다룬 고전이다. 실용 규칙은 Rougier, Droettboom, Bourne (2014) rougier2014ten, 컬러맵은 Crameri, Shephard, Heron (2020) crameri2020misuse이 짧고 바로 쓸 수 있다. 관련: 23.9장
• Mitchell 외 (2019). Model cards for model reporting. FAT* '19, 220–229. mitchell2019model — 학습된 모델의 문서 양식을 제안한 논문이다. 부록 F의 모델 카드가 이 절 구성을 줄인 것이다. 관련: 23.12장, 부록 F
• Wilkinson 외 (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3, 160018. wilkinson2016fair — 데이터를 찾을 수 있고 접근·상호 운용·재사용할 수 있게 하라는 원칙이다. 관련: 23.12장, 15.1장

과학 머신러닝

24부와 이어진다.

• Karniadakis, Kevrekidis, Lu, Perdikaris, Wang, Yang (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422–440. karniadakis2021physics — 물리 지식을 데이터·구조·손실로 넣는 방법을 개관한 리뷰다. 24부의 입구로 읽는다. 관련: 24.1장, 24.2장
• Kovachki 외 (2023). Neural operator: Learning maps between function spaces with applications to PDEs. JMLR, 24(89), 1–97. kovachki2023neural — neural operator의 일반 틀과 이산화 불변성을 정리한 긴 논문이다. 관련: 24.4장, 7.9장
• Stuart (2010). Inverse problems: A Bayesian perspective. Acta Numerica, 19, 451–559. stuart2010inverse — 함수공간에서의 베이지안 역문제를 정식화한 리뷰다. 수학적으로 깊으므로 앞부분의 정식화를 중심으로 읽는다. 관련: 24.7장
• Kennedy, O'Hagan (2001). Bayesian calibration of computer models. JRSS B, 63(3), 425–464. kennedy2001bayesian — 시뮬레이터의 파라미터 보정과 모델 불일치를 함께 다루는 틀의 원 논문이다. 하이브리드 모델을 만드는 사람은 반드시 읽는다. 관련: 24.5장
• Saltelli 외 (2010). Variance based sensitivity analysis of model output. Design and estimator for the total sensitivity index. Computer Physics Communications, 181(2), 259–270. saltelli2010variance — Sobol 지수의 추정 설계와 추정량을 정리한 실용 논문이다. 관련: 24.7장

과학 분야별 응용

25–30부와 이어진다. 분야마다 ML 연구자가 도메인의 문제와 평가 관행을 익히는 입구가 되는 리뷰를 하나씩 골랐다. 분야의 최신 방법은 빠르게 바뀌므로, 리뷰를 출발점으로 삼아 인용 그래프를 따라간다(23.1장).

과학적 발견의 자동화 (25부)

• Cranmer, Brehmer, Louppe (2020). The frontier of simulation-based inference. PNAS, 117(48), 30055–30062. cranmer2020frontier — 우도를 계산할 수 없는 시뮬레이터에서 파라미터를 추론하는 방법을 개관한 짧은 리뷰다. 관련: 25.1장, 24.7장
• Brunton, Proctor, Kutz (2016). Discovering governing equations from data by sparse identification of nonlinear dynamical systems. PNAS, 113(15), 3932–3937. brunton2016discovering — 후보 함수 라이브러리와 희소 회귀로 지배 방정식을 찾는 SINDy의 원 논문이다. 짧고 재현하기 쉽다. 관련: 25.2장, 24.6장
• Attia 외 (2020). Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature, 578, 397–402. attia2020closed — 조기 수명 예측과 베이지안 최적화를 결합해 실험 횟수와 기간을 줄인 closed-loop 실험의 사례다. 관련: 25.4장, 30.6장

물리·공학 시뮬레이션 (26부)

• Brunton, Noack, Koumoutsakos (2020). Machine learning for fluid mechanics. Annual Review of Fluid Mechanics, 52, 477–508. brunton2020machine — 유동의 이해·모델링·최적화·제어에 ML을 쓰는 방식을 유체역학자의 관점에서 정리한 리뷰다. 관련: 26.1장, 26.3장
• Pfaff, Fortunato, Sanchez-Gonzalez, Battaglia (2021). Learning mesh-based simulation with graph networks. ICLR 2021. pfaff2021learning — 메시 위 message passing으로 시뮬레이션을 학습하는 대표 사례다. 관련: 26.2장, 24.8장

지구·기후 (27부)

• Reichstein 외 (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566, 195–204. reichstein2019deep — 지구 시스템 과학에서 딥러닝을 물리 모델과 결합하는 방향과 그 과제(해석 가능성, 물리적 일관성, 데이터 문제)를 정리한 리뷰다. 관련: 27.1장, 27.3장
• 확률 예보의 평가는 위의 Gneiting, Raftery (2007) gneiting2007strictly과 Gneiting, Balabdaoui, Raftery (2007) gneiting2007probabilistic이 기준이다. 관련: 27.4장

화학·재료 (28부)

• Butler, Davies, Cartwright, Isayev, Walsh (2018). Machine learning for molecular and materials science. Nature, 559, 547–555. butler2018machine — 분자·재료 과학의 연구 질문에 맞는 ML 기법을 개관한 리뷰다. 관련: 28.1장, 28.2장
• Batzner 외 (2022). E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nature Communications, 13, 2453. batzner2022e3 — 등변 GNN으로 원자간 퍼텐셜을 학습하는 대표 논문이다. 관련: 28.3장, 24.8장

생명과학 (29부)

• Greener, Kandathil, Moffat, Jones (2022). A guide to machine learning for biologists. Nature Reviews Molecular Cell Biology, 23(1), 40–55. greener2022guide — 생물학자를 위한 ML 입문 리뷰지만, 거꾸로 ML 연구자가 생물학 데이터의 특성과 흔한 함정을 익히는 데도 좋다. 관련: 29.1장, 29.5장
• Jumper 외 (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. jumper2021highly — CASP14에서 검증한 단백질 구조 예측 모델의 논문이다. 방법뿐 아니라 평가(CASP의 블라인드 평가)가 어떻게 설계되었는지를 함께 읽는다. 관련: 29.3장

배터리 (30부)

• Severson 외 (2019). Data-driven prediction of battery cycle life before capacity degradation. Nature Energy, 4, 383–391. severson2019data — 초기 사이클의 전압 데이터로 수명을 예측한 연구로, 데이터셋이 함께 공개되어 후속 연구의 비교 기준으로 자주 쓰인다. 이 책의 배터리 예제를 실제 데이터로 옮길 때 출발점이다. 관련: 30.3장, 30.4장

종합 프로젝트와 기여

31부로 넘어가며 다시 펼칠 자료다. 공개할 산출물을 준비할 때는 부록 F의 양식과 부록 G의 공개 전 체크리스트를 함께 쓴다.

• Wilson 외 (2017) wilson2017good, Sandve 외 (2013) sandve2013ten — 공개 저장소를 정리할 때 최소 관행을 다시 확인한다. 관련: 31.2장
• Gebru 외 (2021) gebru2021datasheets, Mitchell 외 (2019) mitchell2019model, Wilkinson 외 (2016) wilkinson2016fair — 데이터·모델·벤치마크를 공개할 때의 문서화 원칙이다. 관련: 31.2장
• Kapoor, Narayanan (2023) kapoor2023leakage, Pineau 외 (2021) pineau2021improving — 자신의 종합 프로젝트를 남의 눈으로 점검할 때 다시 읽는다. 관련: 31.3장