실체가 손에 잡히는 딥러닝, 기초부터 실전 프로그래밍
- 저자<아즈마 유키나가> 저/<최재원> 역
- 출판사책만
- 출판일2019-08-20
- 등록일2020-01-14
보유 2, 대출 0,
예약 0, 누적대출 32, 누적예약 0
책소개
딥러닝의 기초 지식과 수학부터 파이썬을 활용한 실전 프로그래밍 구현까지, 한 권으로 모든 것을 끝내는딥러닝 입문자를 위한 최고의 책! 지금까지 나왔던 다른 어떤 책들과는 달리 딥러닝을 수식과 코드로서 매우 이해하기 쉽게 설명한다. 또한, 간결하고 이해하기 쉬운 예제 코드들이 하나 하나 모여 책의 마지막에 이르러 최종적으로 실전에서도 활용할 수 있는 완결된 딥러닝 코드를 완성함으로써, 독자가 성취감을 느끼며 끝까지 포기하지 않고 완독할 수 있다는 점은 이 책의 최대 강점이다. 이 책에서는 파이썬과 기초 수학부터 시작해 역전파(Backpropagation)와 컨볼루션 신경망(CNN)까지, 딥러닝의 필수 요소를 빠짐없이 자세하게 설명한다. 독자가 파이썬 프로그래밍을 직접 코딩하면서 차근차근 순서대로 공부해 나가다 보면 딥러닝의 기초를 완벽하게 습득할 수 있다.
저자소개
‘인간과 AI의 공존’을 미션으로 하는 주식회사 SAI-Lab의 대표이사로, AI 관련 교육과 연구 개발에 종사하고 있다. 토후쿠대학 대학원 이학연구과 수료 후 이학박사(물리학)를 취득했다. 인공지능(AI), 복잡계, 뇌과학, 특이점(singularity) 등에 관심이 많으며 프로그래밍/AI 강사로서 지금까지 오프라인에서 1000명 이상, 온라인에서는 2만 명에 가까운 인원을 지도했다. 세계 최대 교육 동영상 플랫폼인 유데미(Udemy)에서 ‘처음 시작하는 파이썬’, ‘실전 데이터과학과 머신러닝’, ‘모두의 딥러닝’, ‘모두의 AI 강좌’ 등을 강의하고 있다. 엔지니어로도 일하면서 VR, 게임, SNS 등 분야를 불문한 다양한 애플리케이션을 개발했다.
목차
[1장] 딥러닝이란1.1 지능이란 무엇인가1.2 인공지능(AI) 1.3 머신러닝1.4 신경망 1.5 딥러닝 개요1.6 인공지능과 딥러닝의 역사__1.6.1 제1차 인공지능 전성기: 1950년대~1960년대__1.6.2 제2차 인공지능 전성기: 1980년대~1990년대 후반__1.6.3 제3차 인공지능 전성기: 2000년대 이후[2장] 파이썬 개요2.1 파이썬을 사용하는 이유2.2 아나콘다와 주피터 노트북 활용__2.2.1 아나콘다 다운로드__2.2.2 아나콘다 설치__2.2.3 주피터 노트북 실행__2.2.4 주피터 노트북 사용__2.2.5 노트북 종료2.3 파이썬 문법__2.3.1 변수와 변수형__2.3.2 연산자__2.3.3 리스트__2.3.4 튜플__2.3.5 딕셔너리__2.3.6 if문__2.3.7 for문__2.3.8 while문__2.3.9 내포__2.3.10 함수__2.3.11 변수의 범위__2.3.12 클래스2.4 넘파이__2.4.1 넘파이 임포트__2.4.2 넘파이 배열__2.4.3 배열을 생성하는 다양한 함수__2.4.4 reshape를 이용한 형태 변환__2.4.5 배열 연산__2.4.6 브로드캐스트__2.4.7 원솟값에 접근__2.4.8 슬라이싱__2.4.9 축과 transpose 메소드__2.4.10 넘파이의 함수2.5 맷플롯립__2.5.1 모듈 임포트__2.5.2 그래프 생성__2.5.3 그래프 디자인__2.5.4 산포도 표시__2.5.5 이미지 표시[3장] 딥러닝을 위한 수학3.1 수학 기호__3.1.1 시그마(Σ)로 총합계 표시__3.1.2 자연상수 e__3.1.3 자연로그 log3.2 선형대수__3.2.1 스칼라__3.2.2 벡터__3.2.3 행렬__3.2.4 텐서__3.2.5 스칼라와 행렬의 곱셈__3.2.6 각 원소 간의 곱셈__3.2.7 행렬 곱__3.2.8 행렬 전치3.3 미분__3.3.1 상미분__3.3.2 미분법의 기본 공식__3.3.3 연쇄법칙__3.3.4 편미분__3.3.5 전미분__3.3.6 다변수의 연쇄법칙3.4 정규분포[4장] 신경망4.1 신경세포 네트워크4.2 신경세포의 모델화4.3 뉴런의 네트워크화4.4 회귀와 분류__4.4.1 회귀__4.4.2 분류4.5 활성화 함수__4.5.1 계단 함수__4.5.2 시그모이드 함수__4.5.3 tanh__4.5.4 ReLU__4.5.5 Leaky ReLU__4.5.6 항등 함수__4.5.7 소프트맥스 함수4.6 신경망 구현__4.6.1 단일 뉴런 구현__4.6.2 가중치와 편향의 영향__4.6.3 신경망 구현__4.6.4 각 층의 구현__4.6.5 신경망(회귀)__4.6.6 신경망의 표현력__4.6.7 신경망(분류)[5장] 역전파5.1 학습 규칙__5.1.1 헵의 규칙__5.1.2 델타 규칙5.2 역전파란?5.3 훈련 데이터와 테스트 데이터5.4 손실 함수__5.4.1 오차제곱합__5.4.2 교차 엔트로피 오차5.5 경사 하강법__5.5.1 경사 하강법 개요__5.5.2 기울기 구하는 방법__5.5.3 출력층 기울기__5.5.4 출력층에서 입력값 기울기__5.5.5 은닉층 기울기__5.5.6 기울기를 구하는 식 정리__5.5.7 회귀 문제에서 기울기 구하는 방법__5.5.8 분류 문제에서 기울기 구하는 방법5.6 최적화 알고리즘__5.6.1 최적화 알고리즘 개요__5.6.2 확률적 경사 하강법__5.6.3 모멘텀__5.6.4 아다그라드__5.6.5 RMSProp__5.6.6 아담5.7 배치 사이즈__5.7.1 에포크와 배치__5.7.2 배치 학습__5.7.3 온라인 학습__5.7.4 미니 배치 학습5.8 행렬 연산__5.8.1 행렬의 형식__5.8.2 행렬을 이용한 순전파__5.8.3 행렬을 이용한 역전파5.9 회귀 문제에서의 역전파 구현__5.9.1 회귀 예(sin 함수의 학습)__5.9.2 출력층 구현__5.9.3 은닉층 구현__5.9.4 역전파 구현__5.9.5 역전파 구현 전체 코드(회귀)__5.9.6 실행 결과5.10 분류 문제에서의 역전파 구현 __5.10.1 분류 사례(소속 영역 학습)__5.10.2 각 층의 구현__5.10.3 역전파 구현 전체 코드(분류)__5.10.4 실행 결과[6장] 딥러닝 구현6.1 다층화에 따른 문제__6.1.1 국소 최적해 함정__6.1.2 과적합__6.1.3 기울기 소실__6.1.4 장기간의 학습 시간 문제6.2 문제 해결 방안__6.2.1 하이퍼 파라미터 최적화__6.2.2 규제화__6.2.3 가중치와 편향 초깃값__6.2.4 조기 종료__6.2.5 데이터 확장__6.2.6 데이터 전처리__6.2.7 드롭아웃 6.3 붓꽃 품종 분류__6.3.1 붓꽃 데이터 세트__6.3.2 훈련 데이터와 테스트 데이터__6.3.3 신경망 구성__6.3.4 학습에 관련된 각 설정 6.4 딥러닝 구현__6.4.1 데이터 입력과 전처리__6.4.2 각 층의 구현__6.4.3 신경망 구축__6.4.4 미니배치법 구현__6.4.5 정답률 측정__6.4.6 붓꽃 데이터 품종 분류를 위한 전체 코드__6.4.7 실행 결과__6.4.8 과적합 방지를 위한 대책__6.4.9 아다그라드 구현__6.4.10 드롭아웃 구현__6.4.11 과적합 방지 대책의 결과__6.4.12 품종 분류[7장] 컨볼루션 신경망(CNN)7.1 컨볼루션 신경망(CNN)의 개요__7.1.1 시각 처리 체계__7.1.2 CNN 구조__7.1.3 컨볼루션 층__7.1.4 풀링층__7.1.5 전결합층__7.1.6 패딩__7.1.7 스트라이드__7.1.8 CNN 학습__7.1.9 변수 정리7.2 im2col과 col2im__7.2.1 im2col과 col2im의 개요__7.2.2 im2col 알고리즘__7.2.3 간단한 im2col 구현__7.2.4 배치와 채널을 고려한 실전 im2col 코드__7.2.5 col2im 알고리즘__7.2.6 col2im 구현7.3 컨볼루션층 구현__7.3.1 구현 개요__7.3.2 순전파__7.3.3 역전파7.4 풀링층 구현__7.4.1 구현 과정 개요__7.4.2 순전파__7.4.3 역전파7.5 전결합층 구현7.6 컨볼루션 신경망 구현__7.6.1 사용 데이터 세트__7.6.2 구축할 신경망__7.6.3 CNN 코드__7.6.4 실행 결과__7.6.5 컨볼루션층의 시각화__7.6.6 컨볼루션층 효과7.7 더 깊은 신경망__7.7.1 신경망 구축__7.2.2 실행 결과[8장] 그 밖의 딥러닝 기술8.1 순환 신경망(RNN)__8.1.1 RNN의 개요__8.1.2 LSTM__8.1.3 GRU8.2 자연어 처리__8 2.1 형태소 분석__8.2.2 단어 임베딩8.3 생성 모델__8.3.1 생성적 적대 신경망(GAN)__8.3.2 VAE8.4 강화학습__8.4.1 강화학습 개요__8.4.2 심층 강화학습8.5 GPU 활용__8.5.1 GPU란__8.5.2 딥러닝에서 GPU 활용8.6 딥러닝 프레임워크8.7 딥러닝의 미래
