추가 적립 안내

R과 케라스 예제로 배우는 딥러닝 핵심 원리!

머신러닝은 최근 몇 년 동안 주목할 만한 발전을 이루었다. 딥러닝 시스템을 통해 이전에는 불가능했던 스마트 애플리케이션을 사용할 수 있게 되었으며, 이미지 인식 및 자연어 처리, 데이터의 복잡한 패턴 식별 등도 가능해졌다. 케라스 딥러닝 라이브러리는 R 기반의 데이터 과학자 및 개발자에게 딥러닝 과제를 해결하기 위한 최첨단 도구 모음을 제공한다. 이 책은 강력한 케라스 라이브러리와 R 언어 인터페이스를 사용해 딥러닝의 세계를 소개한다. 《Deep Learning with Python》이라는 이름으로 케라스 제작자이자 구글 인공지능 연구원인 프랑소와 숄레가 저술한 책을 바탕으로 알스튜디오(RStudio) 창립자인 J. J. 알래어(J. J. Allaire)가 R에 맞게 수정하였으며, 직관적인 설명과 실제적인 예를 통해 딥러닝을 이해할 수 있게 만들어 준다. 독자들은 이 책을 통해 컴퓨터 비전, 자연어 처리 및 생성 모델에서 R 기반 애플리케이션을 사용해 새로운 기술을 연습할 수 있을 것이다. 또한 머신러닝이나 딥러닝을 경험한 적은 없지만, R 프로그래밍 기술은 중급 이상이어야 더욱 도움이 될 것이다.

이 책의 주요 내용
■ 근본 가설들로부터의 딥러닝
■ 자신만의 딥러닝 환경 설정하기
■ 이미지 분류 및 생성하기
■ 텍스트 및 시퀀스에 대한 딥러닝

옮긴이 머리말
머리말
이 책의 내용
베타리더 후기

PART I 딥러닝 기초 1

CHAPTER 1 딥러닝이란 무엇인가? 3
1.1 인공지능, 머신러닝, 딥러닝 4
1.2 딥러닝을 하기 전에: 머신러닝의 간략한 역사 17
1.3 왜 딥러닝인가? 왜 지금인가? 24

CHAPTER 2 시작하기 전에: 신경망의 수학적 빌딩 블록 30
2.1 신경망 둘러보기 31
2.2 신경망에 대한 데이터 표현 36
2.3 신경망의 장비: 텐서 연산 44
2.4 신경망의 엔진: 경사 기반 최적화 52
2.5 첫 번째 예제 되돌아보기 60
2.6 요약 63

CHAPTER 3 신경망 입문 64
3.1 신경망 해부학 65
3.2 케라스 소개 69
3.3 딥러닝 워크스테이션 설정 73
3.4 영화 감상평 분류: 이항 분류 예제 76
3.5 뉴스 분류: 다중 클래스 분류 예제 89
3.6 주택 가격 예측: 회귀 예제 97
3.7 요약 105

CHAPTER 4 머신러닝의 기본 106
4.1 네 가지 머신러닝 106
4.2 머신러닝 모델 평가 110
4.3 데이터 전처리, 특징 공학 및 특징 학습 115
4.4 과적합 및 과소적합 119
4.5 머신러닝의 보편적인 작업 흐름 128
4.6 요약 134

PART II 딥러닝 실습 135

CHAPTER 5 컴퓨터 비전 처리를 위한 딥러닝 137
5.1 합성망 소개 137
5.2 소규모 데이터셋을 이용해 합성망을 처음부터 훈련하기 148
5.3 사전 훈련 합성망 사용하기 162
5.4 합성망이 학습한 내용 시각화하기 178
5.5 요약 197

CHAPTER 6 텍스트와 시퀀스에 대한 딥러닝 198
6.1 텍스트 데이터로 작업하기 199
6.2 재귀 신경망의 이해 216
6.3 재귀 신경망의 고급 사용 228
6.4 합성망을 사용한 시퀀스 처리 249
6.5 요약 257

CHAPTER 7 고급 딥러닝 모범 사례 259
7.1 순차 모델을 넘어: 케라스 함수형 API 259
7.2 케라스 콜백과 텐서보드로 딥러닝 모델을 검사하고 관찰하기 277
7.3 모델을 최대한 활용하기 287
7.4 요약 297

CHAPTER 8 생성적 딥러닝 298
8.1 LSTM을 사용한 문장 생성 300
8.2 딥드림 310
8.3 신경망 이용 화풍 모사 317
8.4 가변 오토인코더로 이미지 생성하기 327
8.5 생성적 적대 망 소개 337
8.6 요약 347

CHAPTER 9 결론 348
9.1 핵심 개념 검토 349
9.2 딥러닝의 한계 360
9.3 딥러닝의 미래 366
9.4 빠르게 변화하는 현장 따라잡기 373
9.5 맺는 말 375

APPENDIX A 우분투에서 케라스와 필요한 것들을 설치하기 376
A.1 설치 과정 개요 376
A.2 시스템 필수 구성 요소 설치 377
A.3 GPU 지원 설정 377
A.4 케라스 및 텐서플로 설치 380

APPENDIX B EC2 GPU 인스턴스에서 RStudio Server 실행하기 382
B.1 딥러닝용 AWS를 사용해야 하는 이유는 무엇인가? 382
B.2 딥러닝용 AWS를 사용하지 않는 이유는 무엇인가? 383
B.3 AWS GPU 인스턴스 설정 383
B.4 RStudio Server에 액세스하기 387
B.5 케라스 설치 389

찾아보기

머신러닝은 1990년대에 이르러서야 번성하기 시작했지만, 고속 처리 하드웨어와 대규모 데이터셋6을 활용할 수 있게 되면서 인공지능 하위 분야 중 가장 인기를 끌었다. 머신러닝은 수리통계학과 밀접한 관련이 있지만, 몇 가지 점에서 통계학과는 다른 면이 있다. 머신러닝은 통계학과 달리 베이즈 분석과 같은 고전적인 통계 분석에 효율적이지 못할 뿐만 아니라 복잡한 대규모 데이터셋(수백만 개 이미지 또는 각 이미지가 수십만 개 픽셀로 구성된 데이터셋)을 처리해야 하는 경향이 있다. _6p

그러면 케라스 및 텐서플로의 기본 CPU 기반 설치 내역이 제공된다. 딥러닝 워크스테이션 설정을 다룬 절에서 언급했듯이, 여러분은 아마도 GPU에서 딥러닝 모델을 훈련해 보기를 바랄 것이다. 엔비디아 GPU, 제대로 구성된 CUDA 및 cuDNN 라이브러리가 있는 시스템에서 실행하는 경우, 다음과 같이 텐서플로라는 백엔드 엔진의 GPU 기반 버전을 설치할 수 있다. _71p

이는 지도학습의 구체적인 사례이지만, 별도의 범주를 이룰 만큼 아주 다르다. 자기지도학습(self-supervised learning)은 사람이 주석을 첨부하지 않는 학습을 말한다. 학습 과정에 인간이 개입하지 않는 지도학습으로 생각할 수도 있다. 비지도학습에도 (학습은 뭔가에 의해 지도돼야 하기 때문에) 레이블이 포함돼 있기는 하지만, 레이블은 일반적으로 휴리스틱 알고리즘을 사용해 입력 데이터로부터 생성한다. _108p

합성망 예제에서는 모든 layer_max_pooling_2d 이후에 특징 지도의 크기가 절반으로 줄어든다. 예를 들어, 첫 번째 layer_max_pooling_2d 이전에 특징 지도는 26 × 26이지만, 최대 풀링 작업을 하고 나면 13 × 13이 돼 절반으로 줄어든다. 이것이 최대 풀링의 역할이다. 보폭 합성곱과 마찬가지로 특징 지도를 적극적으로 하향 표본 추출하는 것이다. _146p

이러한 루프(loop)와 상태(state)라는 개념을 명확히 하기 위해 R 언어를 이용해 간단한 RNN의 순전파(forward pass, 즉 ‘전방 전달’)를 구현해 보자. 이 RNN은 벡터들로 이뤄진 시퀀스를 입력으로 취한다. 벡터의 차원은 2D 텐서(timesteps, input_features)로 부호화된다. 시간대를 반복하고, 각 시간대에서 (input_features 모양으로 된) t 시점의 현재 상태와 입력을 고려해 이들을 결합함으로써 t에서 출력을 얻는다. 217p

케라스 구현에서 이러한 아이디어를 실제로 활용해 보자. 가장 먼저 필요한 것은 언어 모델을 익히는 데 사용할 수 있는 많은 텍스트 데이터이다. 임의의 큰 텍스트 파일이나 텍스트 파일 셋(위키피디아, 반지의 제왕 등)을 사용할 수 있다. 이 예에서는 19세기 후반 독일의 철학자 니체의 저술을 영어로 번역했다. 따라서 배울 수 있는 언어 모델은 구체적으로 영어의 일반적인 모델이 아닌 니체의 문체 및 주제의 모델이 될 것이다. _304p