추가 적립 안내

실제 적용 사례와 간결한 예제로 배우는 딥러닝의 기본!

이 책은 중요한 머신러닝 개념을 간단하게 훑어보는 것부터 시작해서 scikit-learn을 활용해서 바로 딥러닝 개념으로 바로 들어갑니다. 그리고 Theano, Keras, 구글의 TensorFlow, H2O와 같은 최신 라이브러리도 함께 배울 것입니다. 나아가, 패턴 인식의 문제점들을 해결해 볼 것이고, 더 나은 정확도를 위해 데이터의 양을 키워도 볼 것이며, 다양한 딥러닝 알고리즘과 기술에 관해서도 살펴볼 것입니다. 딥러닝에 대해서 좀 더 깊게 배우고 싶거나 딥러닝이라는 엄청난 기술을 어떻게 사용할지를 보고 싶은 분이라면, 원하는 모든 것을 이 책에서 얻어갈 수 있을 것입니다.

컴퓨터 비전, 인공지능, 음성 및 데이터 분석을 위한 차세대 핵심 테크닉!
실제 적용 사례와 간결한 예제로 배우는 딥러닝의 기본!
주요 파이썬 라이브러리를 활용한 딥러닝 실습!

인공지능에 대한 관심이 전 세계적으로 높아지면서 딥러닝 기술이 광범위하게 사용되고 있습니다. 이런 흐름에 발맞추고자 한다면 이 책을 통해 머신러닝의 주요 개념을 학습하고 딥러닝의 모범 사례를 비롯한 실제 사용 사례를 살펴볼 수 있습니다. 더불어서 파이썬 기반의 머신러닝/딥러닝 기법을 한층 더 향상시키는 방법을 배울 수 있으며, Theano, TensorFlow, H2O와 같은 인기 있는 최신 오픈소스 라이브러리로 따라 하기 쉬운 튜토리얼을 실행해 보기도 하고, 실생활 예시에 적용하면서 정보를 인식하고 추출하여 예측 정확도를 높이고 결과를 최적화하는 방법을 배울 수도 있습니다.

딥러닝을 자세히 배우고 싶거나 최대한 활용하려는 분들은 부디 이 책을 통해 보다 정확하게 데이터를 스케일링하고, 다양한 딥러닝 알고리즘 기법을 학습하기 바랍니다.

[이 책의 대상 독자]

- 데이터 사이언스 실무자 및 관련 분야 취업 준비생
- 머신러닝 기본 개념을 알고 있고 파이썬 프로그래밍 경험이 있는 독자
- 미적분과 통계 등의 수학적 기본 지식을 갖춘 독자

[이 책의 주요 내용]

- 딥러닝 알고리즘을 배우기 위한 기본 지식
- Theano, Caffe, Keras, TensorFlow를 활용한 딥러닝 실습
- 오토인코더와 제한적 볼츠만 머신
- 딥 빌리프 넷과 딥 뉴럴 네트워크에 대한 심도 있는 학습
- 드롭아웃과 컨볼루셔널 뉴럴 네트워크 등의 다양한 머신러닝 알고리즘
- 딥러닝 알고리즘과 라이브러리를 실생활에 적용하기 위한 전략

CHAPTER 1 머신러닝 – 소개 1
머신러닝이란? 2
다양한 머신러닝 접근법 3
지도학습 3
비지도학습 6
강화학습 7
머신러닝에 꼭 필요한 것들 8
유명한 기법 / 알고리즘의 간단한 소개 12
실생활에 적용하기 25
유명한 오픈소스 패키지 27
요약 34

CHAPTER 2 뉴럴 네트워크 35
왜 뉴럴 네트워크인가? 36
뉴럴 네트워크의 기본 37
뉴런과 레이어 38
활성화 함수의 종류 43
역전파 알고리즘 48
현업에서의 활용 사례 57
뉴럴 네트워크에 대한 XOR 함수의 사용 예시 58
요약 65

CHAPTER 3 딥러닝 기초 67
딥러닝이란? 68
기본 개념 70
특징 학습 71
딥러닝 알고리즘 80
딥러닝 사용 예시 81
음성 인식 81
객체 인식과 분류 83
GPU vs. CPU 86
인기 많은 오픈소스 라이브러리 - 소개 88
테아노 88
텐서플로 88
케라스 89
케라스를 사용한 간단한 딥 뉴럴 네트워크 코드 샘플 90
요약 96

CHAPTER 4 비지도 특징 학습 99
오토인코더 101
네트워크 디자인 105
오토인코더의 정규화 테크닉 108
오토인코더 요약 114
제한적 볼츠만 머신 115
홉필드 네트워크와 볼츠만 머신 117
볼츠만 머신 120
제한적 볼츠만 머신 122
텐서플로로 향상시키기 124
딥 빌리프 네트워크 130
요약 131

CHAPTER 5 이미지 인식 135
인공모델과 생물학적 모델 사이의 유사성 136
직관적 이해와 정의 137
컨볼루션 레이어 139
컨볼루션 레이어에서의 보폭과 메우기 145
풀링 레이어 147
드롭아웃 149
딥러닝에서의 컨볼루션 레이어 150
테아노에서 컨볼루션 레이어 활용하기 151
케라스를 활용한 숫자 인식 컨볼루션 레이어 예제 153
케라스를 활용한 cifar10 컨볼루션 레이어 예제 157
사전 학습 159
요약 161

CHAPTER 6 순환 뉴럴 네트워크와 언어 모델 163
순환 뉴럴 네트워크 164
RNN - 향상 방법과 훈련 방법 166
장단기 메모리 173
언어 모델링 176
단어 모델링 177
철자-기반 모델 182
음성 인식 191
음성 인식 전달 경로 191
음성 데이터 입력하기 192
전처리 193
음향 모델 194
디코딩 197
엔드-투-엔드 모델 198
요약 199
참고 문헌 199

CHAPTER 7 보드 게임에서의 딥러닝 205
AI로 게임을 하기 위한 초기 과정 208
게임 상황을 평가하기 위한 최소-최대 알고리즘 209
파이썬으로 틱-택-토 게임 실행하기 212
가치 함수 학습하기 222
인공지능에게 바둑 학습시키기 222
트리에 상한 신뢰 구간 적용하기 226
몬테카를로 트리 탐색에서의 딥러닝 236
강화학습에 대해 빠르게 훑어보기 237
정책 기울기를 위한 정책 강하법 238
알파고에서의 정책 기울기 247
요약 250

CHAPTER 8 컴퓨터 게임에 딥러닝 적용하기 251
지도학습으로 접근해 게임하기 251
유전 알고리즘을 적용한 게임 253
Q-러닝 254
Q-함수 256
Q-러닝 인 액션 257
동적인 게임 263
경험 재반복 268
엡실론 탐욕 271
아타리 벽돌 깨기 273
무작위 규칙을 통한 아타리 벽돌 깨기 274
스크린 전처리하기 276
딥 컨볼루션 네트워크 만들기 278
Q-러닝에서의 수렴 문제 284
정책 기울기 vs. Q-러닝 286
배우-비평가 방법 287
분산 축소를 위한 기준 288
일반화된 우위 예측기 289
비동기 방법들 290
모델-기반 접근 290
요약 293

CHAPTER 9 변칙 탐지 295
변칙과 변칙 탐지란 무엇인가? 296
변칙 탐지에 대한 실생활 응용 299
얕은 머신러닝 기법들 301
데이터 모델링 301
탐지 모델링 302
딥 오토인코더를 활용한 변칙 탐지 303
H2O 306
H2O로 시작하기 307
예시 308
MNIST 숫자 데이터에서의 변칙 탐지 308
요약 324

CHAPTER 10 모든 게 준비된 침입 탐지 시스템 만들기 327
데이터 제품이란 무엇인가? 328
트레이닝 330
웨이트 초기화 331
HOGWILD!를 활용한 병렬 SGD 333
적응형 학습 335
맵/리듀스를 통한 분산 학습 341
스파클링 워터 346
테스팅 348
모델 검증 355
하이퍼 파라미터 조정하기 364
엔드-투-엔드 평가 367
테스팅 요약 372
배포 373
POJO 모델 내보내기 373
변칙 점수 APIs 377
배포 요약 380
요약 381

찾아보기 384

강화학습의 간단한 예로 고전 게임 틱-택-토(tic-tac-toe)를 들 수 있다. 이 예시에서 게임판의 각 위치는 이전의 경험에 기반을 둔 상황에서 승리할 수 있는 확률(값)과 연관돼 있다. 게임 시작 시점에서는 어떤 위치에서든 이기거나 질 확률이 같기 때문에 각 상태의 확률값은 50%다. 보통 기계는 게임에서 승리하기 위해 높은 값을 갖고 있는 곳으로 위치를 옮기고, 만약 게임에서 지면 다시 평가한다. 각 위치에서 이미 결정된 규칙보다는 가능한 결과를 기반으로 의사결정을 한다. 이렇게 게임을 하는 동안 여러 상태에 대한 확률을 수정하며, 각 위치가 높은 확률인지 낮은 확률인지에 대한 결괏값을 내놓는다.
(/ p.8)

우리가 이해해야 할 일반적인 개념은 다음과 같다. 모든 뉴럴 네트워크는 함수의 근삿값이다. 그래서 원하는 함수와 각각의 뉴럴 네트워크는 몇 개의 값이 다르다. 이 값들을 에러라고 하며, 이 에러를 최소화하는 것이 목표다. 에러가 뉴럴 네트워크의 웨이트 함수라면, 웨이트 값에 따라 에러를 최소화하려고 한다. 에러 함수는 많은 웨이트의 함수이기 때문에 많은 변수를 가진 함수다. 수학적으로는 함수에서 0인 점들의 집합은 하이퍼 평면이 되고, 이 평면에서 최솟값을 찾으면 에러 함수에서 가장 작은 값을 구할 수 있다. 하나의 점을 선택하고 최솟값의 방향으로 따라가면 최솟값을 찾을 수 있다.
(/ p.48)

딥러닝의 매력은 계층 구조를 따르는 것 이외에도 많다. 훈련이 끝날 때까지 분류되지 않은(unlabeled) 데이터만을 사용했다. 하나하나 분류한(labeled) 예시에 의존하는 게 아니라 역엔지니어링(reverse-engineering)을 통해 숨어 있는 구조를 학습시킨다. 지도학습은 마지막 분류 단계에서만 자동차인지, 동물인지 등을 분류한다. 이전의 모든 단계는 비지도학습 단계를 따른 것이다.
(/ p.101)

시간에 따른 역전파’ 섹션의 마지막 그림은 기울기가 폭발하는 현상을 표현했다. RNN은 긴 시간의 컴포넌트로 보내기 때문에 RNN 트레이닝을 불안정한 상태로 만든다. 게다가 기울기가 사라지는 문제의 반대에 해당하는 문제도 존재한다. 긴 시간을 갖는 문제는 기하급수적으로 0으로 수렴하고, 모델은 매우 짧은 순간의 이벤트에서 학습할 수 없다. 이번에는 위 두 문제에 대해 자세히 설명하고, 어떻게 다룰지 확인해 보자.
(/ p.170)

이론적으로 최선의 해결책은 신뢰 구간에 기반을 둔 탐색을 실행한다. 여기서 신뢰 구간이란, 확률적으로 실제 평균을 얻을 수 있으리라 기대할 수 있는 범위를 말한다. 불확실성을 맞닥뜨려도 잘 대처하길 원한다. 또한 뭔가를 알지 못한다면 답을 알고 싶어 한다. 신뢰 구간은 주어진 난수(random variable)의 실제 평균에 관한 불확실성을 의미한다. 표본 평균과 신뢰 구간을 바탕으로 선택하면, 같은 시간 동안 확률 공간을 탐색할 때 훨씬 더 수월하다.
(/ p.228)

모델을 만들 때 온갖 종류의 의문을 제기할 수 있다. 퐁 게임을 학습하는 모델-기반의 에이전트로 만들 때는 2D 환경, 두 개의 바, 공의 움직임과 함께 기본적인 물리학까지도 다뤄야 한다. 이런 모든 요소들을 모델에 녹여야 성공적으로 동작한다. 이들을 수동으로 추가하고 나면 더 이상 학습할 것이 없지만, 에이전트는 일반화된 학습 알고리즘과는 동떨어져 있다. 그렇다면 모델에서의 우선순위는 무엇인가? 어떻게 실제 발생하는 여러 상황에서도 꼭 필요한 것만 학습하는 유연한 모델을 만들 수 있을까?
(/ p.292)