추가 적립 안내

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 초심자에게 적합한 교재입니다.

★ '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' 경험자에게 도움이 될 것입니다.

▣ 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