추가 적립 안내

신경망 기초부터 강화학습까지, 텐서플로로 익히는 딥러닝 이론과 구현
딥러닝에 대한 연구가 매우 활발해지면서 현대 머신러닝의 새로운 길이 열리고 있다. 구글, 마이크로소프트, 페이스북 같은 글로벌 기업들도 사활을 걸고 딥러닝을 연구하고 있다. 이 책은 딥러닝의 주요 개념을 이해할 수 있도록 상세한 설명과 예제를 제공한다. 파이썬에 익숙하고 머신러닝 및 미적분에 대한 배경지식이 있다면 이 책으로 딥러닝을 제대로 시작할 수 있다.

이 책의 주요 내용
- 머신러닝과 신경망의 기초 탐구
- 전방향 신경망 학습법
- 신경망 구현을 위한 텐서플로 사용법
- 심층 신경망 구현 시 발생하는 문제 관리
- 복잡한 이미지를 분석하는 신경망 구축
- 오토인코더를 사용한 효과적인 차원 감소 수행
- 언어 처리를 위한 시퀀스 분석 탐구
- 강화학습의 기본 원리 이해

신경망 기초부터 강화학습까지, 텐서플로로 익히는 딥러닝 이론과 구현

딥러닝에 대한 연구가 매우 활발해지면서 현대 머신러닝의 새로운 길이 열리고 있다. 구글, 마이크로소프트, 페이스북 같은 글로벌 기업들도 사활을 걸고 딥러닝을 연구하고 있다. 이 책은 딥러닝의 주요 개념을 이해할 수 있도록 상세한 설명과 예제를 제공한다. 파이썬에 익숙하고 머신러닝 및 미적분에 대한 배경지식이 있다면 이 책으로 딥러닝을 제대로 시작할 수 있다.

이 책의 주요 내용
- 머신러닝과 신경망의 기초 탐구
- 전방향 신경망 학습법
- 신경망 구현을 위한 텐서플로 사용법
- 심층 신경망 구현 시 발생하는 문제 관리
- 복잡한 이미지를 분석하는 신경망 구축
- 오토인코더를 사용한 효과적인 차원 감소 수행
- 언어 처리를 위한 시퀀스 분석 탐구
- 강화학습의 기본 원리 이해

이 책에서 다루는 내용

이 책은 딥러닝으로 어떻게 문제에 접근해야 하는지를 다룬다. 이 책을 읽고 나면 현대 딥러닝 접근 방식의 역사적 맥락을 이해하고, 텐서플로를 이용해 딥러닝 알고리즘을 구현하는 방법을 이해하게 된다.

1장 신경망
머신러닝과 신경망에 대한 기본적인 내용을 살펴본다. 뉴런의 기본 구조와 전방향 신경망이 어떻게 움직이는지 그리고 비선형성이 복잡한 학습 문제들을 해결하는 데 얼마나 중요한 역할을 하는지 알아본다.
2장 전방향 신경망 학습
전방향 신경망 학습을 비롯해 기본적인 것들을 배운다. 경사 하강법과 역전파 알고리즘을 살펴보고, 과적합을 방지하는 다양한 방법도 설명한다.
3장 텐서플로로 신경망 구현하기
머신러닝 모델을 표현하고 학습시키는 라이브러리인 텐서플로를 사용하는 방법을 배운다. 세션과 변수, 연산, 그래프 계산, 장치 관리를 포함한 텐서플로의 주요 기능을 설명하며 이를 바탕으로 로지스틱 회귀 모델과 확률적 경사 하강법을 이용한 전방향 신경망을 학습시키고 시각화한다.
4장 경사 하강법을 넘어서
복잡한 오차 곡면이 있는 심층 신경망을 학습시킬 때 발생하는 여러 문제를 설명한다. 가짜 지역 최솟값 문제가 과장됐을 가능성이 있을 때 안장점과 나쁜 조건이 바닐라 미니배치 경사 하강법의 성공에 어떻게 심각한 위협이 되는지를 살펴본다. 나쁜 조건을 극복하는 데 모멘텀을 어떻게 사용하는지 설명하며, 헤시안 행렬을 근사하는 최근 연구도 간략히 알아본다. 또한, 학습률을 조정하는 학습률 적응 최적화 도구의 진화도 소개한다.
5장 합성곱 신경망
이미지를 분석하는 신경망을 어떻게 만드는지 배운다. 합성곱의 개념을 소개하고, 단순하고 더 복잡한 자연 이미지 둘 다를 분석할 수 있는 다루기 쉬운 신경망을 생성하는 데 이 아이디어를 활용한다. 텐서플로로 여러 합성곱 신경망을 만들고, 다양한 이미지 처리 파이프라인과 신경망 학습을 더 빠르고 더 견고하게 만드는 배치 정규화를 활용한다. 마지막으로 합성곱 신경망의 학습을 시각화하며, 이 기술을 사용한 다른 흥미로운 응용들을 알아본다.
6장 임베딩과 표상학습
표상학습에 대한 다양한 방법을 살펴본다. 오토인코더로 효과적인 차원 감소를 수행할 방법과, 디노이징과 희소성도 배워 오토인코더에 유용한 속성들을 추가한다. 스킵-그램 모델을 사용해 영어 단어들에 대한 임베딩을 생성하는 방법을 배운다. 이것은 언어를 이해하기 위한 딥러닝 모델을 탐색하는 데 유용하다.
7장 시퀀스 분석을 위한 모델
시퀀스 분석의 세계를 깊이 탐구한다. 시퀀스를 처리하는 데 전방향 신경망을 어떻게 사용하는지 분석하고 순환 신경망도 살펴본다. 또한, 주의집중(attention) 동작 방식을 번역에서 오디오 필사본에 이르기까지 다양한 언어 응용 분야에 활용하는 방법을 알아본다.
8장 메모리 증강 신경망
신경 튜링 기계(neural Turing machine, NTM)와 미분 가능 신경 컴퓨터(differentiable neural computer, DNC)에 관한 최첨단 딥러닝 기술 연구를 살펴보고, 복잡한 독해 과제를 해결할 수 있는 모델을 구현해 본다.
9장 심층 강화학습
마르코프 결정 과정(Markov decision processes, MDP)과 탐색 대 활용을 포함한 강화학습의 기초 내용을 다룬다. 또한, 정책 경사와 DQN(deep Q-network)을 포함한 심층 강화학습에 대한 다양한 접근법도 다룬다. 마지막으로 DQN에 관한 최근 몇 가지 개선 방법과 심층 강화학습의 새로운 모습들도 간단히 언급한다.

★ 이 책에서 다루는 내용
이 책은 딥러닝으로 어떻게 문제에 접근해야 하는지를 다룬다. 이 책을 읽고 나면 현대 딥러닝 접근 방식의 역사적 맥락을 이해하고, 텐서플로를 이용해 딥러닝 알고리즘을 구현하는 방법을 이해하게 된다.

- 1장 신경망
머신러닝과 신경망에 대한 기본적인 내용을 살펴본다. 뉴런의 기본 구조와 전방향 신경망이 어떻게 움직이는지 그리고 비선형성이 복잡한 학습 문제들을 해결하는 데 얼마나 중요한 역할을 하는지 알아본다.

- 2장 전방향 신경망 학습
전방향 신경망 학습을 비롯해 기본적인 것들을 배운다. 경사 하강법과 역전파 알고리즘을 살펴보고, 과적합을 방지하는 다양한 방법도 설명한다.

- 3장 텐서플로로 신경망 구현하기
머신러닝 모델을 표현하고 학습시키는 라이브러리인 텐서플로를 사용하는 방법을 배운다. 세션과 변수, 연산, 그래프 계산, 장치 관리를 포함한 텐서플로의 주요 기능을 설명하며 이를 바탕으로 로지스틱 회귀 모델과 확률적 경사 하강법을 이용한 전방향 신경망을 학습시키고 시각화한다.

- 4장 경사 하강법을 넘어서
복잡한 오차 곡면이 있는 심층 신경망을 학습시킬 때 발생하는 여러 문제를 설명한다. 가짜 지역 최솟값 문제가 과장됐을 가능성이 있을 때 안장점과 나쁜 조건이 바닐라 미니배치 경사 하강법의 성공에 어떻게 심각한 위협이 되는지를 살펴본다. 나쁜 조건을 극복하는 데 모멘텀을 어떻게 사용하는지 설명하며, 헤시안 행렬을 근사하는 최근 연구도 간략히 알아본다. 또한, 학습률을 조정하는 학습률 적응 최적화 도구의 진화도 소개한다.

- 5장 합성곱 신경망
이미지를 분석하는 신경망을 어떻게 만드는지 배운다. 합성곱의 개념을 소개하고, 단순하고 더 복잡한 자연 이미지 둘 다를 분석할 수 있는 다루기 쉬운 신경망을 생성하는 데 이 아이디어를 활용한다. 텐서플로로 여러 합성곱 신경망을 만들고, 다양한 이미지 처리 파이프라인과 신경망 학습을 더 빠르고 더 견고하게 만드는 배치 정규화를 활용한다. 마지막으로 합성곱 신경망의 학습을 시각화하며, 이 기술을 사용한 다른 흥미로운 응용들을 알아본다.

- 6장 임베딩과 표상학습
표상학습에 대한 다양한 방법을 살펴본다. 오토인코더로 효과적인 차원 감소를 수행할 방법과, 디노이징과 희소성도 배워 오토인코더에 유용한 속성들을 추가한다. 스킵-그램 모델을 사용해 영어 단어들에 대한 임베딩을 생성하는 방법을 배운다. 이것은 언어를 이해하기 위한 딥러닝 모델을 탐색하는 데 유용하다.

- 7장 시퀀스 분석을 위한 모델
시퀀스 분석의 세계를 깊이 탐구한다. 시퀀스를 처리하는 데 전방향 신경망을 어떻게 사용하는지 분석하고 순환 신경망도 살펴본다. 또한, 주의집중(attention) 동작 방식을 번역에서 오디오 필사본에 이르기까지 다양한 언어 응용 분야에 활용하는 방법을 알아본다.

- 8장 메모리 증강 신경망
신경 튜링 기계(neural Turing machine, NTM)와 미분 가능 신경 컴퓨터(differentiable neural computer, DNC)에 관한 최첨단 딥러닝 기술 연구를 살펴보고, 복잡한 독해 과제를 해결할 수 있는 모델을 구현해 본다.

- 9장 심층 강화학습
마르코프 결정 과정(Markov decision processes, MDP)과 탐색 대 활용을 포함한 강화학습의 기초 내용을 다룬다. 또한, 정책 경사와 DQN(deep Q-network)을 포함한 심층 강화학습에 대한 다양한 접근법도 다룬다. 마지막으로 DQN에 관한 최근 몇 가지 개선 방법과 심층 강화학습의 새로운 모습들도 간단히 언급한다.

딥러닝은 인공지능, 빅데이터 등 4차산업혁명의 필수불가결한 요소가 되었다. 이 책은 딥러닝의 기초적인 알고리즘뿐만 아니라 텐서플로 같은 딥러닝 라이브러리에 대한 소개도 겸하고 있어 딥러닝에 대한 입문서로 제격이다. 특히 딥러닝 전문가들이 충실하게 번역해 딥러닝과 그 관련 지식을 습득하는 데 큰 도움이 될 것이다.
- 윤성로 / 서울대 전기·정보공학부 교수

전 세계적으로 딥러닝의 열기가 무척 뜨겁다. 1980년대에 완성된 이론인 인공신경망이 2010년대에 들어서면서 대량의 데이터와 GPU 등 계산 성능의 비약적인 발전과 맞물려 문자 인식이나 게임 등 여러 분야에서 탁월한 (때로는 인간을 훌쩍 뛰어넘는 수준의) 성능을 보여준 것이 인기와 관심의 요인이 됐다. 이런 인기에 힘입어 수많은 딥러닝 관련 개론서, 입문서, 실전 활용서가 쏟아져 나오고 있지만, (1) 인공신경망 이론의 수학적, 기하학적, 직관적 이해 (2) 딥러닝 개발 도구의 설치와 자세한 사용법 (3) 가장 대표적인 딥러닝 모델들의 작동 원리와 자세한 구현 및 실험, 이 세 가지를 균형 있게 다룬 책은 별로 없다. 이 책은 이 세 가지 요소를 균형 있게 잘 정리한 원서를 정확하고 읽기 쉽게 번역한 책으로, 딥러닝에 관심이 있고 탄탄한 이론적인 이해를 얻어 실제 코딩과 실험을 해보려는 독자들에게 큰 도움이 될 것으로 기대된다.
- 최윤석 / 텍사스 A&M 대학교 교수, 삼성 리서치 머신러닝 랩장

딥러닝을 소개하는 책이 쏟아지고 있다. 반가운 일이지만 대부분은 초보자를 위한 책이다. 새로운 기술을 빠르게 익히는 데 초점을 두기 때문에 깊이를 포기한다. 그런 면에서 이 책은 특별하다. 딥러닝이 실제 동작하는 방식을 자세히 설명해서 깊이를 담았다. 그와 동시에 딥러닝을 둘러싼 여러 개념을 친절하게 설명하고 풍부한 예제 코드를 포함해 실용성도 잃지 않는다. 딥러닝과 데이터 과학을 전공한 역자들이 작업해서 우리말 번역도 매끄럽고 자연스럽다. 딥러닝의 세계에 조금 더 깊이 들어가고 싶은 독자들에게 일독을 권한다.
- 임백준 / 삼성 리서치 데이터 인텔리전스랩, [누워서 읽는 알고리즘] 저자

윤성로(서울대 전기·정보공학부 교수)
딥러닝은 인공지능, 빅데이터 등 4차산업혁명의 필수불가결한 요소가 되었다. 이 책은 딥러닝의 기초적인 알고리즘뿐만 아니라 텐서플로 같은 딥러닝 라이브러리에 대한 소개도 겸하고 있어 딥러닝에 대한 입문서로 제격이다. 특히 딥러닝 전문가들이 충실하게 번역해 딥러닝과 그 관련 지식을 습득하는 데 큰 도움이 될 것이다.

최윤석(텍사스 A&M 대학교 교수)
전 세계적으로 딥러닝의 열기가 무척 뜨겁다. 1980년대에 완성된 이론인 인공신경망이 2010년대에 들어서면서 대량의 데이터와 GPU 등 계산 성능의 비약적인 발전과 맞물려 문자 인식이나 게임 등 여러 분야에서 탁월한 (때로는 인간을 훌쩍 뛰어넘는 수준의) 성능을 보여준 것이 인기와 관심의 요인이 됐다. 이런 인기에 힘입어 수많은 딥러닝 관련 개론서, 입문서, 실전 활용서가 쏟아져 나오고 있지만, (1) 인공신경망 이론의 수학적, 기하학적, 직관적 이해 (2) 딥러닝 개발 도구의 설치와 자세한 사용법 (3) 가장 대표적인 딥러닝 모델들의 작동 원리와 자세한 구현 및 실험, 이 세 가지를 균형 있게 다룬 책은 별로 없다. 이 책은 이 세 가지 요소를 균형 있게 잘 정리한 원서를 정확하고 읽기 쉽게 번역한 책으로, 딥러닝에 관심이 있고 탄탄한 이론적인 이해를 얻어 실제 코딩과 실험을 해보려는 독자들에게 큰 도움이 될 것으로 기대된다. (삼성 리서치 머신러닝 랩장)

임백준(『누워서 읽는 알고리즘』저자)
딥러닝을 소개하는 책이 쏟아지고 있다. 반가운 일이지만 대부분은 초보자를 위한 책이다. 새로운 기술을 빠르게 익히는 데 초점을 두기 때문에 깊이를 포기한다. 그런 면에서 이 책은 특별하다. 딥러닝이 실제 동작하는 방식을 자세히 설명해서 깊이를 담았다. 그와 동시에 딥러닝을 둘러싼 여러 개념을 친절하게 설명하고 풍부한 예제 코드를 포함해 실용성도 잃지 않는다. 딥러닝과 데이터 과학을 전공한 역자들이 작업해서 우리말 번역도 매끄럽고 자연스럽다. 딥러닝의 세계에 조금 더 깊이 들어가고 싶은 독자들에게 일독을 권한다. (삼성 리서치 데이터 인텔리전스랩)

CHAPTER 1 신경망
_1.1 지능형 기계 만들기
_1.2 기존 컴퓨터 프로그램의 한계
_1.3 머신러닝의 작동 원리
_1.4 뉴런
_1.5 뉴런으로 선형 퍼셉트론 표현하기
_1.6 전방향 신경망
_1.7 선형 뉴런과 그 한계
_1.8 시그모이드, tanh, ReLU 뉴런
_1.9 소프트맥스 출력층
_1.10 요약

CHAPTER 2 전방향 신경망 학습
_2.1 패스트푸드 문제
_2.2 경사 하강법
_2.3 델타 규칙과 학습률
_2.4 시그모이드 뉴런의 경사 하강법
_2.5 역전파 알고리즘
_2.6 확률적 경사 하강법과 미니배치 경사 하강법
_2.7 테스트 데이터와 검증 데이터 그리고 과적합
_2.8 신경망에서 과적합 막기
_2.9 요약

CHAPTER 3 텐서플로로 신경망 구현하기
_3.1 텐서플로란?
_3.2 텐서플로와 대안들을 어떻게 비교할까?
_3.3 텐서플로 설치하기
_3.4 텐서플로 변수 만들기와 조작하기
_3.5 텐서플로 연산
_3.6 placeholder 텐서
_3.7 텐서플로의 세션
_3.8 변수 범위 탐색과 변수 공유
_3.9 CPU와 GPU로 모델 관리하기
_3.10 텐서플로에서 로지스틱 회귀 모델 지정하기
_3.11 로지스틱 회귀 모델 기록하기와 학습시키기
_3.12 텐서보드로 계산 그래프와 학습 시각화하기
_3.13 텐서플로에서 MNIST를 위한 다층 모델 만들기
_3.14 요약

CHAPTER 4 경사 하강법을 넘어서
_4.1 경사 하강법의 과제
_4.2 심층 신경망의 오차 곡면에서 지역 최소값
_4.3 모델 식별성
_4.4 심층 신경망에서 가짜 지역 최소값들은 얼마나 다루기 어려운가?
_4.5 오차 곡면의 평평한 구간
_4.6 잘못된 방향의 경사
_4.7 모멘텀 기반 최적화
_4.8 이차 방법에 대한 개요
_4.9 학습률 적응
_4.10 최적화 도구 선택의 철학
_4.11 요약

CHAPTER 5 합성곱 신경망
_5.1 인간 시각에서의 뉴런
_5.2 특징 선택의 단점
_5.3 크기 조정 없는 기본 심층 신경망
_5.4 필터와 특징 맵
_5.5 합성곱층 정리
_5.6 최대 풀링
_5.7 합성곱 신경망의 전체 구조
_5.8 합성곱 신경망으로 MNIST에서 순환 반복 끝내기
_5.9 더 견고한 모델을 만드는 이미지 전처리 파이프라인
_5.10 배치 정규화로 학습 가속하기
_5.11 CIFAR-10을 위한 합성곱 신경망 만들기
_5.12 합성곱 신경망 학습 시각화하기
_5.13 합성곱 필터로 예술 스타일 복제하기
_5.14 다른 문제 영역에서 합성곱 필터 학습하기
_5.15 요약

CHAPTER 6 임베딩과 표상학습
_6.1 저차원 표현 학습하기
_6.2 주성분 분석
_6.3 오토인코더 구조의 동기
_6.4 텐서플로로 오토인코더 구현하기
_6.5 견고한 표현을 강제하는 디노이징
_6.6 오토인코더의 희소성
_6.7 입력 벡터보다 문맥이 더 유익할 때
_6.8 Word2Vec 프레임워크
_6.9 Skip-Gram 구조 구현하기
_6.10 요약

CHAPTER 7 시퀀스 분석을 위한 모델
_7.1 가변 길이 입력 분석하기
_7.2 신경망 n-gram으로 seq2seq 해결하기
_7.3 품사 태거 구현하기
_7.4 의존 구문 분석과 SyntaxNet
_7.5 빔 탐색과 전역 정규화
_7.6 상태 기반 딥러닝 모델 사례
_7.7 순환 신경망
_7.8 사라지는 경사도 문제
_7.9 LSTM 유닛
_7.10 RNN 모델을 위한 텐서플로 기초 요소
_7.11 감정 분석 모델 구현하기
_7.12 순환 신경망으로 seq2seq 과제 풀기
_7.13 주의집중으로 순환망 증강하기
_7.14 신경 번역망 해부하기
_7.15 요약

CHAPTER 8 메모리 증강 신경망
_8.1 신경 튜링 기계
_8.2 주의집중 기반 메모리 접근
_8.3 NTM 메모리 주소 지정 동작 방식
_8.4 미분 가능 신경 컴퓨터
_8.5 DNC에서 간섭 없는 쓰기
_8.6 DNC 메모리 재사용
_8.7 DNC 쓰기의 시간적 연결
_8.8 DNC 읽기 헤드 이해
_8.9 DNC 제어기 신경망
_8.10 동작 중인 DNC 시각화하기
_8.11 텐서플로에서 DNC 구현하기
_8.12 읽기와 이해를 위한 DNC 가르치기
_8.13

CHAPTER 1 신경망
_1.1 지능형 기계 만들기
_1.2 기존 컴퓨터 프로그램의 한계
_1.3 머신러닝의 작동 원리
_1.4 뉴런
_1.5 뉴런으로 선형 퍼셉트론 표현하기
_1.6 전방향 신경망
_1.7 선형 뉴런과 그 한계
_1.8 시그모이드, tanh, ReLU 뉴런
_1.9 소프트맥스 출력층
_1.10 요약

CHAPTER 2 전방향 신경망 학습
_2.1 패스트푸드 문제
_2.2 경사 하강법
_2.3 델타 규칙과 학습률
_2.4 시그모이드 뉴런의 경사 하강법
_2.5 역전파 알고리즘
_2.6 확률적 경사 하강법과 미니배치 경사 하강법
_2.7 테스트 데이터와 검증 데이터 그리고 과적합
_2.8 신경망에서 과적합 막기
_2.9 요약

CHAPTER 3 텐서플로로 신경망 구현하기
_3.1 텐서플로란?
_3.2 텐서플로와 대안들을 어떻게 비교할까?
_3.3 텐서플로 설치하기
_3.4 텐서플로 변수 만들기와 조작하기
_3.5 텐서플로 연산
_3.6 placeholder 텐서
_3.7 텐서플로의 세션
_3.8 변수 범위 탐색과 변수 공유
_3.9 CPU와 GPU로 모델 관리하기
_3.10 텐서플로에서 로지스틱 회귀 모델 지정하기
_3.11 로지스틱 회귀 모델 기록하기와 학습시키기
_3.12 텐서보드로 계산 그래프와 학습 시각화하기
_3.13 텐서플로에서 MNIST를 위한 다층 모델 만들기
_3.14 요약

CHAPTER 4 경사 하강법을 넘어서
_4.1 경사 하강법의 과제
_4.2 심층 신경망의 오차 곡면에서 지역 최소값
_4.3 모델 식별성
_4.4 심층 신경망에서 가짜 지역 최소값들은 얼마나 다루기 어려운가?
_4.5 오차 곡면의 평평한 구간
_4.6 잘못된 방향의 경사
_4.7 모멘텀 기반 최적화
_4.8 이차 방법에 대한 개요
_4.9 학습률 적응
_4.10 최적화 도구 선택의 철학
_4.11 요약

CHAPTER 5 합성곱 신경망
_5.1 인간 시각에서의 뉴런
_5.2 특징 선택의 단점
_5.3 크기 조정 없는 기본 심층 신경망
_5.4 필터와 특징 맵
_5.5 합성곱층 정리
_5.6 최대 풀링
_5.7 합성곱 신경망의 전체 구조
_5.8 합성곱 신경망으로 MNIST에서 순환 반복 끝내기
_5.9 더 견고한 모델을 만드는 이미지 전처리 파이프라인
_5.10 배치 정규화로 학습 가속하기
_5.11 CIFAR-10을 위한 합성곱 신경망 만들기
_5.12 합성곱 신경망 학습 시각화하기
_5.13 합성곱 필터로 예술 스타일 복제하기
_5.14 다른 문제 영역에서 합성곱 필터 학습하기
_5.15 요약

CHAPTER 6 임베딩과 표상학습
_6.1 저차원 표현 학습하기
_6.2 주성분 분석
_6.3 오토인코더 구조의 동기
_6.4 텐서플로로 오토인코더 구현하기
_6.5 견고한 표현을 강제하는 디노이징
_6.6 오토인코더의 희소성
_6.7 입력 벡터보다 문맥이 더 유익할 때
_6.8 Word2Vec 프레임워크
_6.9 Skip-Gram 구조 구현하기
_6.10 요약

CHAPTER 7 시퀀스 분석을 위한 모델
_7.1 가변 길이 입력 분석하기
_7.2 신경망 n-gram으로 seq2seq 해결하기
_7.3 품사 태거 구현하기
_7.4 의존 구문 분석과 SyntaxNet
_7.5 빔 탐색과 전역 정규화
_7.6 상태 기반 딥러닝 모델 사례
_7.7 순환 신경망
_7.8 사라지는 경사도 문제
_7.9 LSTM 유닛
_7.10 RNN 모델을 위한 텐서플로 기초 요소
_7.11 감정 분석 모델 구현하기
_7.12 순환 신경망으로 seq2seq 과제 풀기
_7.13 주의집중으로 순환망 증강하기
_7.14 신경 번역망 해부하기
요약

CHAPTER 9 심층 강화학습
_9.1 아타리 게임을 점령한 심층 강화학습
_9.2 강화학습이란?
_9.3 마르코프 결정 과정
_9.4 탐색 대 활용
_9.5 정책 대 가치학습
_9.6 정책 경사가 있는 막대기-수레 문제
_9.7 Q 러닝과 DQN
_9.8 DQN 개선하기
_9.9 요약
_7.15 요약

CHAPTER 8 메모리 증강 신경망
_8.1 신경 튜링 기계
_8.2 주의집중 기반 메모리 접근
_8.3 NTM 메모리 주소 지정 동작 방식
_8.4 미분 가능 신경 컴퓨터
_8.5 DNC에서 간섭 없는 쓰기
_8.6 DNC 메모리 재사용
_8.7 DNC 쓰기의 시간적 연결
_8.8 DNC 읽기 헤드 이해
_8.9 DNC 제어기 신경망
_8.10 동작 중인 DNC 시각화하기
_8.11 텐서플로에서 DNC 구현하기
_8.12 읽기와 이해를 위한 DNC 가르치기
_8.13 요약

CHAPTER 9 심층 강화학습
_9.1 아타리 게임을 점령한 심층 강화학습
_9.2 강화학습이란?
_9.3 마르코프 결정 과정
_9.4 탐색 대 활용
_9.5 정책 대 가치학습
_9.6 정책 경사가 있는 막대기-수레 문제
_9.7 Q 러닝과 DQN
_9.8 DQN 개선하기
_9.9 요약