가장 쉬운 딥러닝 입문 교실

그림으로 쉽게 이해하는 딥러닝 이론

AI 개발 필수 기초 이론을 쉽게 설명한다! 딥러닝의 기초를 익히자!

이 책은 머신러닝의 한 방법인 '딥러닝'을 가장 쉽게 배울 수 있는 입문서입니다. AI 개발의 필수 기초 이론과 파이썬을 이용한 실전 예제를 텐서플로와 케라스로 쉽게 배울 수 있습니다. 실전 예제로 문자 인식, 영상 인식, 자연어 처리 등을 구현해 보며 신경망의 기본을 확실히 익힐 수 있습니다. 풍부한 그림과 일러스트로 누구나 어려움 없이 이해할 수 있도록 설명하고 있어 머신러닝을 배우고자 하는 초심자에게는 최고의 교재입니다.

★ 이런 분에게 추천합니다 ★

  • 'AI 개발에 도전하고 싶은' 학생
  • '기술 경험을 좀 더 향상시키고 싶은' 엔지니어
  • '딥러닝의 기초 이론을 공부하고 싶은' 직장인
  • '텐서플로+케라스를 사용해서 구현해 보고 싶은' 경험자
  • '머신러닝에 필요한 수학을 알고 싶은' 경험자

타니오카 히로키 (谷岡 広樹)

1973년 도쿠시마현 출생으로 1997년에 치바대학을 졸업하고 2004년에 신슈대학 공학계연구과 석사를 거쳐 2008년 신슈대학 종합공학계연구과에서 박사학위를 받았다. 1997년 4월부터 일본 IT기업 소프트웨어 엔지니어와 연구개발 매니저를 거쳐 2016년부터 도쿠시마대학 정보센터 조교로 근무하고 있으며, 정보검색, 기계학습, 자연어처리 등에 흥미가 있음. 현재 대화 시스템, 스포츠테마, 의료정보 등 정보검색과 머신러닝을 응용한 연구개발을 진행 중이다. 정보처리학회, 인공지능학회, 언어처리학회, IEEE, ACM 회원이기도 하다.

코우 신 (康 鑫)

1983년생으로 중국 랴오닝성 출신이다. 2006년 중국 동북대학을 졸업하고 2009년 베이징 요우덴대학 정보공학연구과 석사를 거쳐 2013년 도쿠시마대학 공학연구과에서 박사학위를 받았다. 2014년 4월부터 중국 통지대학 전자정보공학과 포스트닥터 연구원을 지냈다. 2015년 4월부터 도쿠시마대학 국제연계교육센터 조교를 거쳐 2015년 12월부터 지금까지 도쿠시마대학 이공학연구부 조교로 재직하고 있다. 자연어처리, 감성계산, 강화학습, 심층언어모델 등에 흥미를 가지고 있으며 현재 대화로봇에 개념인식에 관한 지능을 연구하고 있다. 전자정보통신학회, IEEE 회원이기도 하다.

손민규

일본 큐슈대학교에서 신경망과 강화학습 알고리즘 연구로 박사학위를 받았으며 관심 분야는 Reinforcement Learning, Neural Network, Genetic Algorithm 등 Machine Learning Algorithm을 활용한 알고리즘 및 시스템 개발이다. 일본 소니 반도체에서 설비 및 공정 데이터 분석 업무로 알고리즘 및 시스템을 개발했으며, 임직원 대상으로 통계 알고리즘 강의를 진행했다. 현재 삼성전자에서도 관련된 데이터 분석 업무를 하고 있으며, 임직원 대상으로 통계 알고리즘 강의를 진행했다. 저서로는 《데이터 분석을 떠받치는 수학》이 있다.

  • ▣ 1장: 딥러닝과 머신러닝
    • Lesson 1-1 딥러닝의 기본
      • 계층이 깊은 신경망
    • Lesson 1-2 딥러닝의 역사
      • 인공지능의 진화로 보는 딥러닝
    • Lesson 1-3 머신러닝의 기초 지식
      • 지도 학습과 비지도 학습
      • 강화 학습
      • 규칙기반? 지식기반?
      • 통계적 머신러닝
      • 전처리와 특징 추출
      • 배치 학습과 온라인 학습
      • 성능 평가
      • 일반화 능력
    • Lesson 1-4 머신러닝을 위한 수학
      • 수의 체계와 수식
      • 변수와 정수
      • 등식과 대입식
      • 벡터와 첨자
      • 합을 나타내는 기호
      • 최솟값·최댓값
      • 절댓값
      • 거리와 노름
      • 미분과 편미분
      • 합성함수의 미분
      • 지수와 로그
    • COLUMN 1 인공지능이란
    •  
  • ▣ 2장: 파이썬 준비와 기본 문법
    • Lesson 2-1 파이썬 설치 -윈도우 편-
      • 윈도우에 설치
    • Lesson 2-2 파이썬 설치 -맥 편-
      • 맥에서는 파이썬2가 바로 사용 가능합니다
      • 홈브루 설치
      • pyenv 설치
      • Python 3을 설치합니다
    • Lesson 2-3 라이브러리 설치 -윈도우 편-
      • 윈도우용 아나콘다 설치
    • Lesson 2-4 라이브러리 설치 -맥 편-
      • 맥용 아나콘다 설치
    • Lesson 2-5 파이썬 기본 문법
      • Hello, Python!!
      • 변수
      • 상수(Constant)
      • 데이터형
      • 연산
      • 리스트형과 튜플형
      • 집합형
      • 딕셔너리
      • 문자열의 연결과 반복
      • 문자열 포맷
      • 시퀀스 연산
      • 함수
      • if 문
      • 반복문
      • 모듈 호출
    • COLUMN 2 자바로 구현
    •  
  • ▣ 3장: 딥러닝 체험
    • Lesson 3-1 텐서플로와 케라스 설치
      • 윈도우 편: 텐서플로 설치
      • 윈도우 편: 케라스 설치
      • 맥 편: 텐서플로 설치
      • 맥 편: 케라스 설치
    • Lesson 3-2 주피터 노트북을 사용합시다
      • 주피터 노트북 준비
      • 주피터 노트북 사용법
    • Lesson 3-3 수치 계산 라이브러리 넘파이 사용법
      • 기본적인 사용법
    • Lesson 3-4 그래프 라이브러리 맷플롯립 사용법
      • 기본적인 사용법
    • Lesson 3-5 케라스로 딥러닝 체험
      • 캐글에서 이미지를 다운로드
      • 이미지 인식 프로그램 작성
    • COLUMN 3 텐서플로란?
    •  
  • ▣ 4장: 신경망 기초
    • Lesson 4-1 뉴런과 퍼셉트론
      • 신경세포(뉴런)
      • 퍼셉트론
    • Lesson 4-2 활성화 함수
      • 여러 가지 활성화 함수
    • Lesson 4-3 헵의 규칙과 델타 규칙
      • 가중치(결합하중)의 학습 규칙
    • Lesson 4-4 신경망의 학습
      • 개와 고양이를 분류한다
      • XOR 문제
      • 다층 퍼셉트론(신경망)
      • OR 문제
      • AND 문제
      • NAND 문제
      • 신경망에서의 식별
    • Lesson 4-5 학습 방법의 차이와 손실 함수
      • 신경망의 학습 방법
      • 학습 프로세스로 보는 손실 함수
      • 여러 가지 손실 함수
    • Lesson 4-6 경사법
      • 파라미터는 어떻게 조정하나?
      • 신경망의 오차의 경사 구하는 법
    • Lesson 4-7 오차 역전파법(Back propagation)
      • 오차 역전파법이란?
      • 연쇄 법칙
    • Lesson 4-8 MNIST
      • Step 1. 주피터 노트북으로 신규 파일을 작성합니다
      • Step 2. 손글씨 이미지 데이터 준비
      • Step 3. 모델 작성
      • Step 4. 신경망의 학습
    • COLUMN 4 차원의 저주와 과적합
    •  
  • ▣ 5장: 합성곱 신경망
    • Lesson 5-1 합성곱 신경망의 기초
      • 이미지 분류와 시신경
      • 하나의 뉴런으로 입력 이미지 전체를 학습시킨다
    • Lesson 5-2 합성곱 연산
      • 수용 영역을 슬라이드한다
      • 포커스의 이동
    • Lesson 5-3 합성곱층
      • 다른 패턴을 인식시키려면?
    • Lesson 5-4 심층 합성곱 신경망
      • 3차원 데이터를 입력받을 수 있도록 한다
      • 수축하는 출력의 형태
    • Lesson 5-5 제로 패딩을 이용한 합성곱
      • 입력 데이터의 주변 정보 손실
      • 제로 패딩
    • Lesson 5-6 범위를 넓히는 합성곱
      • 스트라이드란
      • 제로 패딩 이용
    • Lesson 5-7 합성곱 ReLU층
      • 비선형 변환으로 인식률 향상
    • Lesson 5-8 풀링층
      • 풀링층을 이용한 처리
      • 풀링층의 장점과 주의점
    • Lesson 5-9 완전 연결 계층
      • 완전 연결 계층의 처리
      • 완전 연결 계층의 수정
      • 더 복잡한 판단을 하고 싶을 때
    • Lesson 5-10 심층 합성곱 신경망의 학습
      • 모델 학습과 훈련
      • Step 1. 손실 E 정의
      • Step 2. 가중치 w 초기화
      • Step 3. 가중치 w를 반복해서 수정
    • Lesson 5-11 과적합과 드롭아웃
      • 과적합의 예
      • 과적합을 방지하는 드롭아웃
      • 드롭아웃의 장점
    • Lesson 5-12 합성곱의 더 자세한 정보
      • 합성곱층 vs. 완전 연결 계층
      • 깊고 작은 국소 수용 영역 vs. 얕고 넓은 수용 영역
    • COLUMN 5 GPU를 이용한 학습
    •  
  • ▣ 6장: 딥러닝의 응용
    • Lesson 6-1 순환 신경망(RNN)
      • RNN의 특징
      • RNN에 의한 정보의 전개
    • Lesson 6-2 LSTM 신경망
      • LSTM의 특징
    • Lesson 6-3 GRU(Gated Recurrent Unit)
      • GRU의 특징
      • 더 효율적으로 기억할 수 있다
    • Lesson 6-4 RNN 언어 모델
      • 다음에 어떤 단어가 올지 추측한다
    • Lesson 6-5 Sequence-To-Sequence 모델
      • 시퀀스-투-시퀀스 모델의 특징
    • Lesson 6-6 어텐션(Attention)
      • 어텐션의 특징
    • COLUMN 6 하향식과 상향식
  • 66쪽, 본문 밑에서 첫 번째 줄(텐서플로 설치)

    > pip install tensorow
    

    ==>

    > pip install tensorflow