추가 적립 안내

쇼에이사 주관 2018 IT 엔지니어가 읽어야 할 기술서 부문 대상 수상!
수식 없이 이해하는 머신러닝, 딥러닝!
재미있는 삽화와 이야기로 배우는 인공지능!
다양한 머신러닝의 뿌리가 되는 ‘볼츠만 머신러닝’을 중심으로 설명!

‘어떻게 하면 쉽고 재미있게 인공지능을 이해할 수 있을까?’라는 근본적인 고민에서 출발한 이 책은 ‘머신러닝은 무엇인가?’부터 시작하여 최근 연구의 돌파구를 만든 딥러닝, 그리고 딥러닝 초기 연구의 계기가 되었던 볼츠만 머신을 이용한 머신러닝을 ‘수식 없이’, ‘이야기와 함께’ 설명합니다. 학생의 역할을 하는 동화 속의 왕비와 선생님의 역할을 하는 거울이 삽화와 함께 대화를 이어가면서 볼츠만 머신러닝을 재미나고 이해하기 쉽게 설명합니다. 인공지능을 접하지 않았던 개발자는 물론, 관심 있는 사람이라면 누구든지 읽을 수 있는, 그야말로 세상에 없던 새로운 머신러닝 책입니다.

이 책의 대상 독자
ㆍ 인공지능을 배우고자 하는 개발자
ㆍ 인공지능과 미래 과학에 호기심 많은 일반인
ㆍ 인공지능 분야를 미래의 직업으로 생각하는 고등학생, 대학생

옮긴이 머리말
머리말
베타리더 후기

CHAPTER 01 아는 것이 없는 거울 1
1.1 마법의 거울과 왕비 2
1.2 머신러닝을 해 보자 6
Column 머신러닝이란? 9
1.3 데이터를 보고 배우기 10
Column 기계가 스스로 배운다는 것 13

CHAPTER 02 미모의 비결 15
2.1 마법 거울의 대답 16
Column 수학의 필요성 20
2.2 회귀 문제에 도전하기 21
Column 컴퓨터도 사람과 마찬가지다!? 27
2.3 미모를 평가하는 함수 28
Column 컴퓨터의 선생님 37

CHAPTER 03 최적화 문제 풀어 보기 39
3.1 왕비의 전력질주 40
Column 알고리즘에서 배울 수 있는 것 49
3.2 모형의 한계 50
Column 훈련 데이터와 테스트 데이터 54
3.3 새로운 특징값 만들기 55
Column 함수를 복잡하게 만드는 방법 62
3.4 신경망 63
Column 뇌가 정보를 처리하는 구조 66

CHAPTER 04 딥러닝에 도전하기 67
4.1 레버가 안 움직여! 68
Column 딥러닝의 융성 76
4.2 과적합에 주의하자 77
Column 과적합과의 투쟁, 머신러닝 81
4.3 배치 학습과 온라인 학습 82
Column 돌아온 확률적 경사 하강법 91

CHAPTER 05 미래 예측하기 93
5.1 식별 기능을 가진 거울 94
5.2 경계선을 찾아라 96
Column 서포트 벡터 머신의 일반화 성능 102
5.3 이게 분리할 순 있긴 한 거야? 103
Column 공간 왜곡 능력자, 커널법 106
5.4 구멍 뚫린 데이터 채우기 107
Column 데이터의 성질 113
5.5 데이터 안에 숨은 본질을 찾아라 114
Column 희소성과 사람의 직감 120

CHAPTER 06 더 예뻐 보이게 해 주는 거울 121
6.1 소중한 이미지 데이터 122
Column 자석을 이용한 머신러닝? 124
6.2 볼츠만 머신을 이용한 이미지 처리 125
Column 머신러닝과 통계역학 140
6.3 더 복잡한 특징을 포착하려면? 141
Column 변분 원리 146
6.4 비가시변수와 함께 좀 더 다양한 세계로 147
Column 샘플링 전용 머신 152
6.5 복잡한 데이터의 정체 153
Column 힌튼의 뚝심 164

CHAPTER 07 얼굴만으로도 미모 점수를? 165
7.1 모르는 것이 없는 거울 166
7.2 거울아, 거울아, 거울아 176

참고문헌: 마법의 거울을 만드는 방법 182
에필로그 188
찾아보기 189

그래서 이 책에서는 ‘머신러닝은 무엇인가?’부터 시작하여 최근 연구의 돌파구를 만든 딥러닝, 그리고 딥러닝 초기 연구의 계기가 되었던 볼츠만 머신을 이용한 머신러닝을 ‘수식 없이’, ‘이야기와 함께’ 설명해 보고자 합니다. 관심 있는 사람이라면 누구든지 읽을 수 있는, 그야말로 세상에 없던 새로운 머신러닝 책을 만들어 보았습니다. _x쪽

이 책은 이러한 머신러닝 과정에 일어나는 계산 중 기본적인 부분을 내용으로 한다. 그리고 최근에 있었던 연구의 돌파구인 딥러닝(deep learning, 심층학습)에 대해서도 간략한 내용과 그 의의를 다룰 것이다. _9쪽

거울: 현실을 받아들여야죠. 그럼, 가중치를 음수로 하면 어떨까요?
왕비: 마이너스가 되도록 하겠다는 거지? 그게 좋겠네, 조금 짜증은 나지만…
거울: 그럼, 이 레버를 당겨 보세요. 이쪽으로 당기면 음수가 됩니다.
왕비: 그건 그렇고 이 레버는 대체 언제 다 설치한 거야?
거울: 이런 일도 있지 않을까 싶어서 하인 분들께 부탁드렸어요. _30쪽

다양한 특징값에 가중치를 곱하고 다시 그 값을 합하는 과정을 거쳐, 다시 그 결과를 비선형 변환을 통해 복잡한 함수의 부분을 만든다. 이렇게 만든 특징값을 다시 조합하는 과정을 반복하는 형태로 구성된 여러 층의 구조를 신경망이라고 한다. 신경망은 또한 우리 뇌에 있는 신경 회로망이라는 의미도 갖고 있다. _66쪽

병사: 그렇다는 얘기는, 행렬은 패턴의 양상과 위치, 패턴의 강도로 요약할 수 있다는 거네요.
거울: 똑똑하시네요. 말씀하신 대로입니다.
거울: 행렬을 구성하는 모든 숫자에 의미를 두는 대신, 벡터가 이루는 패턴과 그 패턴이 어떤 위치에 어느 정도 강도로 출현하는지에 대한 관점으로 행렬을 나타낼 수 있어요. 이때 행렬을 나타내는 데 필요한 패턴의 수가 적으면 행렬 전체를 나타내는 데 필요한 숫자의 수도 적어지겠죠. 이런 패턴의 개수를 행렬의 랭크(rank)라고 합니다. 랭크가 낮은 행렬에는 빠진 값을 채워 넣을 수 있어요. 이것을 저랭크 행렬 복원(low-rank matrix completion)이라고 해요.
왕비: 그런데 어떻게 그게 가능한 거야? _110쪽