간편결제, 신용카드 청구할인
삼성카드 6% (36,380원)
(삼성카드 6% 청구할인)
인터파크 롯데카드 5% (36,770원)
(최대할인 10만원 / 전월실적 40만원)
북피니언 롯데카드 30% (27,090원)
(최대할인 3만원 / 3만원 이상 결제)
NH쇼핑&인터파크카드 20% (30,960원)
(최대할인 4만원 / 2만원 이상 결제)
Close

텐서플로 2와 케라스로 구현하는 딥러닝 2/e : 회귀, CNN. GAN, RNN, NLP, AutoML까지 딥러닝의 모든 것

원제 : Deep Learning with TensorFlow 2 and Keras, 2nd Edition
소득공제

2013년 9월 9일 이후 누적수치입니다.

판매지수 935
?
판매지수란?
사이트의 판매량에 기반하여 판매량 추이를 반영한 인터파크 도서에서의 독립적인 판매 지수입니다. 현재 가장 잘 팔리는 상품에 가중치를 두었기 때문에 실제 누적 판매량과는 다소 차이가 있을 수 있습니다. 판매량 외에도 다양한 가중치로 구성되어 최근의 이슈도서 확인시 유용할 수 있습니다. 해당 지수는 매일 갱신됩니다.
Close
공유하기
정가

43,000원

  • 38,700 (10%할인)

    2,150P (5%적립)

할인혜택
적립혜택
  • I-Point 적립은 출고완료 후 14일 이내 마이페이지에서 적립받기한 경우만 적립됩니다.
  • 추가혜택
    배송정보
    주문수량
    감소 증가
    • 이벤트/기획전

    • 연관도서(42)

    • 사은품(5)

    책소개

    딥러닝에 관련된 거의 모든 최신 기술을 설명한다. 회귀부터 시작해, 딥러닝의 기초를 설명하고 컨볼루션 신경망, 순환 신경망, LTSM, 자연어 처리, 이미지 합성 등에 대한 최신 기술 동향을 알 수 있다. 특히 현재 활발히 연구 중인 AutoML 분야의 현황과 구글 클라우드를 이용한 AutoML 실습도 다루고 있다.
    풍부한 예제를 통해 케라스가 완전 통합된 텐서플로 2.0의 사용 방법을 다양한 응용분야에 걸쳐 직접 구축해 볼 수 있다. GAN을 통한 필기체 숫자의 생성, RNN과 LTSM이 나오게 된 배경 및 어떤 문제를 해결하고자 했는지에 대한 배경 설명을 듣게 되면, 다양한 각도에서 딥러닝을 이해하게 될 것이다. 마지막 장에서는 최근 주목받고 있는 구글의 TPU가 기존 GPU 대비 얼마나 성능이 우수한지에 대한 설명도 볼 수 있다.

    출판사 서평

    [이 책에서 다루는 내용]

    - 텐서플로 2와 케라스 API를 사용해 머신러닝과 딥러닝 시스템 구축
    - 머신러닝에서 가장 보편적인 기법인 회귀분석
    - 컨볼루션 신경망의 이해와 이미지 분류에 딥러닝 시스템 적용
    - GAN을 사용해 기존 패턴에 적합한 새로운 데이터 생성
    - 시퀀스 일부가 다른 시퀀스를 해석해 입력 시퀀스를 처리할 수 있는 RNN
    - 자연어와 자연어 번역에 딥러닝을 적용해 적절한 반응 생성
    - 클라우드에서 모델을 훈련하고 실제 환경에 TF 적용
    - 구글 툴이 단순한 머신러닝 워크플로우를 복잡한 모델링 없이도 자동화 하는 것을 탐색

    [이 책의 대상 독자]

    머신러닝에 경험이 있는 데이터 과학자이거나 신경망을 알고 있는 AI 프로그래머라면 이 책이 텐서플로 2.0을 사용해 딥러닝을 다루는 유용한 진입점이 될 것이다. 딥러닝 쓰나미에 대한 관심을 키워가는 소프트웨어 엔지니어에게 지식을 넓힐 수 있는 기반이 될 것이다. 이 책을 읽으려면 파이썬 기본 지식이 필요하다.

    [이 책의 구성]

    이 책의 목적은 텐서플로 2.0의 특징과 라이브러리를 설명하고, 지도 및 비지도 머신러닝 모델의 개요를 제공하며, 딥러닝과 머신러닝 모델에 대한 포괄적인 분석을 제공하는 것이다. 클라우드, 모바일, 대규모 운영 환경에 대한 실사례가 책 전반에 걸쳐 제공된다.

    1장, '텐서플로 2.0으로 신경망 구성'에서는 신경망을 단계별로 소개한다. 텐서플로 2의 tf.keras 계층을 사용해 간단한 신경망 모델을 만드는 방법을 배운다. 퍼셉트론, 다층 퍼셉트론, 활성화 함수와 밀집 신경망을 설명하고 마지막으로 역전파의 직관을 소개한다.
    2장, '텐서플로 1.x와 2.x'에서는 텐서플로 1.x와 텐서플로 2.0 프로그래밍 모델을 비교한다. 텐서플로 1.x 하위레벨 계산 그래프 API를 사용하는 방법과 tf.keras 고급 API를 사용하는 방법을 학습한다. 즉시 계산(eager computation), 오토그래프(Autograph), tf.Datasets와 같은 새로운 기능과 분산 훈련을 설명한다. tf.keras와 추정기 사이의 간략한 비교와 함께 tf.keras와 케라스를 비교 설명한다.
    3장, '회귀'에서는 가장 인기 있는 머신러닝 기술인 회귀에 초점을 맞춘다. 텐서플로 2.0 추정기를 사용해 단순 및 다중 회귀 모형을 작성하는 방법을 배운다.
    4장, '컨볼루션 신경망'에서는 컨볼루션 신경망(CNN, Convolutional Neural Networks) 및 이미지 처리의 응용을 소개한다. 텐서플로 2.0을 사용해 MNIST 데이터셋에서 필기체 문자를 인식하는 간단한 CNN을 작성하는 방법과 CIFAR 이미지를 분류하는 방법을 알아본다. 또한 VG6과 인셉션(Inception) 같은 사전 훈련된 신경망을 사용하는 방법을 살펴본다.
    5장, '고급 컨볼루션 신경망'에서는 CNN을 이미지, 비디오, 오디오, 텍스트 처리에 적용하는 고급 응용 기법을 알아본다. 이미지 처리(전이학습(Transfer Learning), DeepDream), 음성 처리(WaveNet)와 텍스트 처리(감정 분석, 질문&답변(Q&A))를 예로 자세히 설명한다.
    6장, '생성적 적대 신경망'에서는 최근에 발견된 생성적 적대 신경망(GAN, Generative Adversarial Networks)에 중점을 둔다. 먼저 최초로 제안된 GAN 모델을 살펴보고 MNIST 숫자를 만드는 데 사용한다. 심층 컨볼루션 GAN을 사용해 연예인 이미지를 만든다. 또한 SRGAN, InfoGAN, CycleGAN과 같은 다양한 GAN 아키텍처를 설명하고 GAN의 여러 응용 방법을 설명한다. 마지막으로 겨울-여름 이미지를 변환하고자 텐서플로 2.0에 구현된 CycleGAN을 사용하는 방법을 알아본다.
    7장, '단어 임베딩'에서는 Word2vec과 GloVe라는 널리 알려진 두 가지 임베딩으로 워드 임베딩을 설명한다. 두 가지 임베딩의 핵심 아이디어와 이를 자신의 말뭉치(corpus)에서 생성하는 방법, 자연어 처리(NLP, Natural Language Processing)를 응용하고자 자신의 신경망에서 사용하는 방법을 다룬다. 그런 다음 단어 대신 문자 트라이그램(trigram)(fastText) 사용, 정적 임베딩을 신경망으로 대체해 단어 내용 유지(ELMO, Google Universal Sentence Encoder), 문장 임베딩(InferSent, SkipThoughts), 임베딩에 사전 훈련된 언어 모델 사용(ULMFit, BERT)과 같은 기본 임베딩 방법의 다양한 확장을 다룬다.
    8장, '순환 신경망'에서는 순환 신경망(RNN, Recurrent Neural Networks)의 기본 아키텍처와 NLP 등에 있는 시퀀스 학습 작업에 어떻게 적합하게 사용되는지 설명한다. 여기에는 다양한 유형의 RNN, LSTM, 게이트 순환 신경망(GRU, Gated Recurrent Unit), GRU 핍홀(Peephole) LSTM과 양방향 LSTM 등이 있다. RNN을 언어 모델로 사용하는 방법은 좀 더 자세히 설명한다. 그런 다음 컴퓨터 변환에 처음 사용된 RNN 기반의 인코더-디코더 아키텍처의 일종인 seq2seq 모델을 다룬다. 그 후 어텐션(attention) 기법을 통해 seq2seq 아키텍처의 성능을 강화시키는 방법을 설명하고, 마지막으로 <주의력이 전부다(Attention is all you need)>라는 논문에 기반을 둔 변환기(Transformer) 아키텍처(BERT, GPT-2)를 설명한다.
    9장, '오토인코더'에서는 입력을 목표로 재생성하려는 신경망 부류인 오토인코더를 설명한다. 희소(sparse) 오토인코더, 컨볼루션 오토인코더, 노이즈 제거 오토인코더와 같은 다양한 종류의 오토인코더를 다룬다. 노이즈 제거 오토인코더를 훈련시켜 입력 이미지에서 노이즈를 제거한다. 오토인코더를 사용해 MNIST 숫자를 만드는 방법도 보여준다. 마지막으로 문장 벡터를 생성하고자 LSTM 오토인코더를 구축하는 단계도 다룬다.
    10장, '비지도학습'에서는 비지도학습 모델을 알아본다. PCA, k-평균과 자체 구성(self-organized) 맵과 같은 군집화와 차원 축소에 필요한 기술을 소개한다. 텐서플로를 사용해 볼츠만 머신(Boltzmann Machines)의 세부 사항과 구현을 알아본다. 여기서 설명한 개념은 제한된 볼츠만 머신(RBM, Restricted Boltzmann Machine)을 구축하고자 확장된다.
    11장, '강화학습'에서는 강화학습에 초점을 맞춘다. 먼저 Q 러닝 알고리즘으로 시작한다. 벨만포드(Bellman Ford) 방정식으로 시작해 할인 보상, 탐색과 개발, 할인 요인과 같은 개념을 설명한다. 또한 정책 기반과 모델 기반의 강화학습을 설명한다. 마지막으로 아타리(Atari) 게임에서 심층 Q 러닝(Q-learning) 신경망(DQN, Deep Q-learning Network)을 구축한다.
    12장, '텐서플로와 클라우드'에서는 클라우드 환경과 이를 활용해 모델을 교육하고 배포하는 방법을 설명한다. 딥러닝용 AWS(Amazon Web Services)를 설정하는 데 필요한 단계도 알아본다. 또한 딥러닝 애플리케이션용 구글 클라우드 플랫폼을 설정하는 데 필요한 단계를 다루고, 딥러닝 애플리케이션을 위해 마이크로소프트 애저(Azure)를 설정하는 방법도 설명한다. 클라우드에서 주피터 노트북(Jupyter Notebook)을 직접 실행할 수 있는 다양한 클라우드 서비스도 설명한다. 마지막으로 텐서플로 익스텐디드(Extended)를 소개하며 마무리한다.
    13장, '모바일, IoT, 텐서플로.js용 텐서플로'에서는 모바일 장비와 IoT에서 텐서플로 라이트(Lite)를 사용하는 방법과 안드로이드 장비에서 실제로 애플리케이션을 배치하는 방법을 다룬다. 또한 수천 개의 모바일 장비에서 분산 학습하는 연합학습(federated learning)도 알아본다.
    14장, 'AutoML'에서는 흥미로운 AutoML 분야를 소개한다. 자동 데이터 준비, 자동 특징 엔지니어링, 자동 모델 생성을 설명한다. 또한 테이블, 비전, 텍스트, 번역, 비디오 처리용 다양한 솔루션을 갖춘 AutoKeras와 구글 클라우드 플랫폼 AutoML을 소개한다.
    15장, '딥러닝 배경 수학'에서는 딥러닝의 기초 수학을 설명한다. 딥러닝을 수행할 때 내부에서는 어떤 일이 벌어지고 있는지 살펴본다. 먼저 딥러닝 프로그래밍과 역전파의 기원에 관한 간략한 역사로 시작한다. 다음으로 개념 이해에 도움이 될 수학적 도구와 미분을 소개한다. 나머지 부분은 역전파와 CNN, RNN 내의 일부 애플리케이션을 자세히 설명한다.
    16장, TPU에서는 신경망 수학 연산의 초고속 실행을 위해 구글에서 개발한 특수 칩인 TPU(Tensor Processing Unit)를 소개한다. CPU와 GPU를 3세대 TPU와 에지(Edge) TPU와 비교한다. 또한 TPU 사용에 대한 코드 예를 보여준다.

    [지은이의 말]

    이 책은 지난 6년간 학습 기술의 진화에 대한 아주 상세한 파노라마를 보여준다. 케라스와 유사한(Keras-like) API 기반 모듈형 네트워크 라이브러리인 텐서플로 2.0을 사용해 파이썬으로 코딩된 수십 개의 심층 신경망을 제공한다.
    이 책에서는 단순 회귀, 전통적 다층 퍼셉트론과 같은 지도학습을 단계별로 알아보고, 좀 더 정교한 심층 컨볼루션(deep Convolution) 신경망, 생성적 적대 신경망(generative adversarial networks)도 소개한다. 또한 오토인코더(autoencoder), 생성적 신경망 등의 비지도학습도 다룬다. 순환 신경망과 LTSM(Long Short-Term Memory) 신경망도 자세히 설명한다. 심층 강화학습도 종합적으로 소개하는데, 딥러닝 가속기(GPU와 TPU), 클라우드 개발, 데스크톱, 클라우드, 모바일/IoT 기기, 브라우저 등에서 다중 환경을 설정하는 방법도 설명한다.
    실제 응용으로는 정해진 범주로 텍스트 분류하기, 구문 분석, 감정 분석, 텍스트 합성, 품사(POS, Parts-Of-Speech) 태깅을 다룬다. 이미지 처리도 알아보는데, 필기체 숫자 이미지, 이미지를 다른 범주로 분류하기, 연관 이미지 주석달기를 사용한 고급 객체 인식 등을 다룬다.
    음성 분석으로는 다중 화자로부터의 이산 음성 인식을 알아본다. 오토인코더와 GAN을 통한 이미지 생성도 다룬다. 강화학습을 사용해 비지도학습이 가능한 Q 학습 신경망을 구축해본다. 실습은 이 책의 핵심이다. 각 신경망은 각 입력 매개변수, 신경망의 형태, 손실 함수, 최적화 알고리즘을 변경함에 따라 학습 성능을 점진적으로 개선하는 다변량을 통해 강화된다. CPU, GPU, TPU 학습에 대한 몇 가지 비교도 다룬다. 딥러닝 모델을 효율적으로 자동으로 구축하는 방법에 딥러닝 모델을 사용하는 AutoML이라는 새로운 분야도 소개한다. 머신러닝의 배경이 되는 수학 공식을 설명하는 데 별도로 한 장을 할애했다.

    [옮긴이의 말]

    딥러닝의 기초부터 최신 기술 동향까지 한눈에 쉽게 파악할 수 있도록 구성돼 있다. 특히 케라스를 완전 통합한 텐서플로 2.0의 풍부한 예제와 함께 현재 활발히 연구가 진행중인 AutoML까지 다룬다. 딥러닝을 처음 시작하는 사람도 어렵지 않을 정도로 친절히 안내하면서도 딥러닝의 핵심인 역전파의 이면에서 벌어지고 있는 수학적 의미에 대한 해부에 한 장을 할애할 정도로 전문적인 설명도 빠트리지 않는다.
    책의 후반부에는 최신 트렌드인 에지에서의 연합학습을 포함해 분산 훈련에 관한 자세한 설명과 함께 TPU를 사용해 수행 속도를 향상시킬 수 있는 방법을 예제와 함께 제공한다.
    편안한 마음으로 책을 따라가다 보면 어느새 최신 기조인 텐서플로 2.0의 전문가가 돼 있을 것이다.

    목차

    1장. 텐서플로 2.0으로 신경망 구현
    __텐서플로(TF)란?
    __케라스란?
    __텐서플로 2.0의 가장 중요한 변화
    __신경망 소개
    __퍼셉트론
    ____텐서플로 2.0 코드 첫 번째 예제
    __다층 퍼셉트론: 신경망 첫 번째 예제
    ____퍼셉트론 훈련의 문제점과 해결책
    ____활성화 함수: 시그모이드
    ____활성화 함수: tanh
    ____활성화 함수: ReLU
    ____추가적인 두 개의 활성화 함수: ELU와 LeakyReLU
    ____활성화 함수
    ____간단히 말해: 결국 신경망이란?
    __실제 예제: 필기체 숫자 인식
    ____원핫 인코딩(OHE)
    ____텐서플로 2.0으로 단순 신경망 정의
    ____단순 텐서플로 2.0 신경망 실행과 베이스라인 구축
    ____텐서플로 2.0의 단순 신경망을 은닉층으로 개선
    ____텐서플로에서 드롭아웃으로 단순망 개선
    ____텐서플로 2.0에서 여러 최적화기 테스트
    ____에폭 수 증가시키기
    ____최적화기 학습률 조절
    ____내부 은닉층 개수 증가
    ____배치 계산 크기 증가
    ____필기체 인식 실행 차트 요약
    __정규화
    ____과적합을 피하기 위한 정규화 적용
    ____배치 정규화의 이해
    __구글 Colab 사용: CPU, GPU, TPU
    __감정 분석
    __초매개변수 튜닝과 AutoML
    __출력 예측
    __역전파에 대한 실용적 개괄
    __정리
    __딥러닝 접근법을 향해
    __참고 자료

    2장. 텐서플로 1.x와 2.x
    __텐서플로 1.x의 이해
    ____텐서플로 1.x 계산 그래프 구조
    ____상수, 변수, 플레이스홀더와 작업
    ____연산의 예시
    ____텐서플로 2.x에서의 텐서플로 1.x 예제
    __텐서플로 2.x의 이해
    ____즉시 실행
    ____오토그래프
    ____케라스 API: 3가지 프로그래밍 모델
    ____콜백
    ____모델과 가중치 저장
    ____tf.data.datasets으로 훈련
    ____tf.keras 또는 추정기?
    ____비정형 텐서
    ____맞춤형 훈련
    ____텐서플로 2.x에서 분산 훈련
    ____네임스페이스의 변화
    ____1.x에서 2.x로 변환
    ____텐서플로 2.x의 효율적인 사용
    __텐서플로 2.x 생태계
    ____언어 바인딩
    __케라스 또는 tf.keras 중 어떤 것?
    __요약

    3장. 회귀
    __회귀란?
    __선형 회귀를 사용한 예측
    ____단순 선형 회귀
    ____다중 선형 회귀
    ____다변량 선형 회귀
    __텐서플로 추정기
    ____특징 열
    ____입력 함수
    ____텐서플로 추정기 API를 사용한 MNIST
    __선형 회귀를 사용한 주택 가격 예측
    __분류 과제와 결정 경계
    ____로지스틱 회귀
    ____MNIST 데이터셋에 로지스틱 회귀 적용
    __요약
    __참고 자료

    4장. 컨볼루션 신경망
    __심층 컨볼루션 신경망(DCNN)
    ____로컬 수용 필드
    ____가중치 공유와 향
    ____수학적 예제
    ____텐서플로 2.x의 ConvNets
    ____풀링 계층
    __DCNN의 예: LeNet
    ____텐서플로 2.0에서 LeNet 코드
    ____딥러닝의 위력 이해
    __딥러닝으로 CIFAR-10 이미지 인식
    ____심층 신경망으로 CIFAR-10 성능 향상
    ____데이터 보강으로 CIFAR-10 성능 개선
    ____CIFAR-10으로 예측
    __대규모 이미지 인식을 위한 고심층 컨볼루션 신경망
    ____VGG16 신경망으로 고양이 인식
    ____VGG16망 내장 tf.keras 활용
    ____특징 추출을 위해 사전 구축된 딥러닝 모델 재활용
    __요약
    __참고 자료

    5장. 고급 컨볼루션 신경망
    __컴퓨터 비전
    ____복잡한 과제를 위한 CNN 구성
    ____tf.keras 추정기 모델로 패션 MNIST 분류
    ____패션 MNIST tf.keras 추정기 모델을 GPU에서 실행
    ____전이학습용 심층 인셉션-V3 망
    ____말과 사람을 구분하기 위한 전이학습
    ____tf.keras와 텐서플로 Hub를 사용한 응용 집합소
    ____기타 CNN 아키텍처
    ____이미지에 대한 질문의 대답(VQA)
    ____스타일 변환
    ____DeepDream 망 생성
    ____망이 학습한 것을 조사
    __비디오
    ____사전 훈련된 망으로 비디오를 분류하는 6가지 방법
    __텍스트 문서
    ____CNN을 사용한 감정 분석
    __오디오와 음악
    ____확장 ConvNets, WaveNet, NSynth
    __컨볼루션 연산 요약
    ____기본 컨볼루션 신경망(CNN 또는 ConvNet)
    ____확장 컨볼루션
    ____분리 가능 컨볼루션
    ____깊이별 컨볼루션
    ____깊이별 분리 가능 컨볼루션
    __캡슐 망
    ____그렇다면 CNN의 문제점은 무엇인가?
    ____캡슐 망이 새로운 점은 무엇인가?
    __요약
    __참고 자료

    6장. 생성적 적대 신경망
    __GAN이란?
    ____텐서플로에서 GAN을 사용한 MNIST
    __심층 컨볼루션 GAN(DCGAN)
    ____MNIST 숫자를 위한 DCGAN
    __몇 가지 흥미로운 GAN 아키텍처
    ____SRGAN
    ____CycleGAN
    ____InfoGAN
    __GAN의 흥미로운 응용
    __텐서플로 2.0로 CycleGAN 구현
    __요약
    __참고 자료

    7장. 단어 임베딩
    __단어 임베딩: 시작과 기초
    __분산 표현
    __정적 임베딩
    ____Word2Vec
    ____GloVe
    __gensim을 사용해 자신만이 임베딩 생성
    __gensim을 사용한 임베딩 공간 탐색
    __워드 임베딩을 사용한 스팸 탐지
    ____데이터 구하기
    ____데이터를 사용 준비
    ____임베딩 행렬 구축
    ____스팸 분류기 정의
    ____모델의 훈련과 평가
    ____스팸 탐지기 실행
    __신경망 임베딩: 단어 이외의 용도
    ____Item2Vec
    ____node2vec
    __문자와 부분 단어 임베딩
    __동적 임베딩
    __문장과 문단 임베딩
    __언어 모델 기반 임베딩
    ____BERT를 특징 추출기로 사용
    ____BERT 미세 조정
    ____BERT를 사용한 분류: 커맨드라인
    ____BERT를 자신의 신경망 일부로 사용
    __요약
    __참고 자료

    8장. 순환 신경망
    __기본 RNN 셀
    ____BPTT
    ____사라지고 폭발하는 그래디언트
    __RNN 셀 변형
    ____LSTM
    ____GRU
    ____핍홀 LSTM
    __RNN 변형
    ____양방향 RNN
    ____상태 저장 RNN
    __RNN 위상
    ____예제: 일대다 텍스트 생성을 학습
    ____예제: 다대일 감정 분석
    ____예제: 다대다 POS 태깅
    __인코더-디코더 아키텍처: seq2seq
    ____예제: 기계 번역용 어텐션 없는 seq2seq
    __어텐션 메커니즘
    ____예제: 기계 번역용 어텐션이 있는 seq2seq
    __변환기 아키텍처
    __요약
    __참고 자료

    9장. 오토인코더
    __오토인코더 소개
    __바닐라 오토인코더
    ____텐서플로 케라스 Layers: 맞춤형 계층 정의
    ____오토인코더를 사용해 필기체 숫자 재구성
    __희소 오토인코더
    __디노이징 오토인코더
    ____디노이징 오토인코더를 이용한 이미지 정리
    __스택된 오토인코더
    ____이미지의 노이즈 제거를 위한 컨볼루션 오토인코더
    ____케라스 오토인코더 예제: 문장 벡터
    __요약
    __참고 자료

    10장. 비지도학습
    __주성분 분석
    ____MNIST 데이터셋에서 PCA
    ____텐서플로 임베딩 API
    ____K-평균 군집화
    ____텐서플로 2.0에서의 K-평균
    ____k-평균 변형
    __자체 구성 맵
    ____SOM을 사용한 컬러 매핑
    __제한된 볼츠만 머신
    ____RBM을 사용한 이미지 재구성
    ____심층 신뢰 신경망
    __가변 오토인코더
    __요약
    __참고 자료

    11장. 강화학습
    __소개
    ____RL 용어
    ____심층 강화학습 알고리즘
    ____최근 몇 년간의 강화학습 성공
    __OpenAI Gym 소개
    ____Breakout 게임을 하는 랜덤 에이전트
    __심층 Q 신경망
    ____카트폴용 DQN
    ____아타리 게임용 DQN
    ____DQN 변종
    __심층 확정적 정책 그래디언트
    __요약
    __참고 자료

    12장. 텐서플로와 클라우드
    __클라우드에서의 딥러닝
    ____마이크로소프트 애저
    ____아마존 웹 서비스(AWS)
    ____구글 클라우드 플랫폼(GCP)
    ____IBM 클라우드
    __클라우드의 가상머신
    ____아마존의 EC2
    ____GCP의 컴퓨트 인스턴스
    ____마이크로소프트 애저의 가상머신
    __클라우드의 주피터 노트북
    ____SageMaker
    ____구글 Colaboratory
    ____마이크로소프트 애저 노트북
    __생산을 위한 텐서플로 익스텐디드
    ____TFX 파이프라인
    ____TFX 파이프라인 구성 요소
    ____TFX 라이브러리
    __텐서플로 엔터프라이즈
    __요약
    __참고 자료

    13장. 모바일, IoT, 텐서플로.js용 텐서플로
    __텐서플로 모바일
    __텐서플로 라이트
    ____양자화
    ____플랫버퍼`
    ____모바일 변환기
    ____모바일 최적화 인터프리터
    ____지원 플랫폼
    ____아키텍처
    ____텐서플로 라이트 사용
    ____일반적 응용 사례
    ____GPU와 가속기 사용
    ____응용 예제
    __텐서플로 라이트에서 사전 훈련된 모델
    ____이미지 분류
    ____객체 탐지
    ____자세 추정
    ____스마트 회신
    ____세그먼테이션
    ____스타일 전이
    ____텍스트 분류
    ____질문과 답변
    ____모바일 GPU 사용의 참고 사항
    __에지에서의 연합학습 개요
    ____텐서플로 FL API
    __텐서플로.js
    ____바닐라 텐서플로.js
    ____모델 변환
    ____사전 훈련된 모델
    ____Node.js
    __요약
    __참고 자료

    14장. AutoML 소개
    __AutoML이란?
    __AutoML 성취
    __자동 데이터 준비
    __자동 특징 엔지니어링
    __자동 모델 생성
    __AutoKeras
    __구글 클라우드 AutoML
    ____클라우드 AutoML 사용: 테이블 솔루션
    ____클라우드 AutoML 사용: 비전 솔루션
    ____클라우드 AutoML 사용: 텍스트 분류 솔루션
    ____클라우드 AutoML 사용: 번역 솔루션
    ____클라우드 AutoML 사용: 비디오 인텔리전스 분류 솔루션
    ____비용
    __구글 AutoML을 캐글로 가져가기
    __요약
    __참고 자료

    15장. 딥러닝 배경 수학
    __역사
    __몇 가지 수학 도구
    ____미분과 그래디언트
    ____그래디언트 하강
    ____연쇄법칙
    ____몇 가지 미분 규칙
    ____행렬 연산
    __활성화 함수
    ____시그모이드의 도함수
    ____tanh의 도함수
    ____ReLU의 도함수
    __역전파
    ____전방향 단계
    ____역단계
    ____역전파의 한계
    ____교차 엔트로피와 도함수
    ____배치 그래디언트 하강, 확률적 그래디언트 하강, 미니 배치
    __역전파와 컨볼루션 신경망
    __역전파와 RNN
    __텐서플로 참고 사항과 자동 미분
    __요약
    __참고 자료

    16장. TPU
    __C/G/T 프로세스 유닛
    ____CPU와 GPU
    ____TPU
    __3세대의 TPU와 에지 TPU
    ____1세대 TPU
    ____2세대 TPU
    ____3세대 TPU
    ____에지 TPU
    __TPU 성능
    __Colab에서 TPU를 사용하는 방법
    ____TPU를 쓸 수 있는지 확인
    ____tf.data로 데이터 로드
    ____모델 구축과 TPU로 로드
    __사전 훈련된 TPU 모델 사용
    __텐서플로 2.1 사용과 야간 빌드
    __요약
    __참고 자료

    관련이미지

    저자소개

    안토니오 걸리(Antonio Gulli) [저] 신작알림 SMS신청 작가DB보기
    생년월일 -
    출생지 -
    출간도서 1종
    판매수 129권

    글로벌 기술 인재, 혁신, 실행을 계획하고 관리하는 데 열정을 가진 소프트웨어 임원이자 비즈니스 리더다. 검색 엔진, 온안토니오 걸리(Antonio Gulli)
    혁신과 실행에 있어 전체적 기술과 관리를 구축하는 데 열정이 있다. 전문 분야는 클라우드 컴퓨팅, 딥러닝, 검색 엔진이다. 현재 구글 CTO 사무소에서 엔지니어링 이사로 재직 중이다. 이전에 구글 바르샤바(Warsaw) 사이트에서 리더로 근무하며 엔지니어링 사이트를 두 배로 늘렸다.
    지금까지 운 좋게 유럽 4개국에서 전문적인 경험을 쌓을 수 있었고, EMEA의 6개국과 미국에서 팀을 관리했다. 암스테르담의 주요 과학

    펼쳐보기
    아미타 카푸어 [저] 신작알림 SMS신청 작가DB보기
    생년월일 -
    출생지 -
    출간도서 2종
    판매수 39권

    아미타 카푸어는 델리 대학교 SRCASW의 전자공학 부교수로 지난 20년간 신경망 및 인공지능을 적극적으로 가르쳤다. 1996년에 전자공학 석사 학위를 받았고 2011년에 박사 학위를 받았다. 박사 과정을 거치는 동안 독일의 카를스루에 소재의 카를스루에 공과 대학에서 연구의 일환으로 DAAD 펠로우십을 수상했다. 포토닉스 2008이라는 국제 콘퍼런스에서 최우수 발표상을 수상했다. ACM, AAAI, IEEE 및 INNS의 정회원이다. 두 권의 책을 공동으로 저술했다. 국제 저널 및 콘퍼런스에서 40권이 넘는 출판물을 펴냈다. 현재는 머신러닝, 인공지능, 심층강화학습 및 로봇공

    펼쳐보기
    수짓 팔(Sujit Pal) [저] 신작알림 SMS신청 작가DB보기
    생년월일 -
    출생지 -
    출간도서 1종
    판매수 129권

    엘스비어 랩(Elsevier Labs)의 기술 리서치 디렉터로, 연구 내용과 메타데이터를 중심으로 지능형 시스템을 구축하고 있다. 주요 관심사는 정보 검색, 온톨로지, 자연어 처리, 머신 러닝, 분산 처리다. 현재 딥러닝 모델을 사용해 이미지 분류와 유사성을 연구하고 있다. 엘스비어 랩(Elsevier Labs)의 기술 리서치 디렉터로, 연구 내용과 메타데이터를 중심으로 지능형 시스템을 구축하고 있다. 주요 관심사는 정보 검색, 온톨로지, 자연어 처리, 머신 러닝, 분산 처리다. 현재 딥러닝 모델을 사용해 이미지 분류와 유사성을 연구하고 있다.

    생년월일 -
    출생지 -
    출간도서 0종
    판매수 0권

    머신 러닝을 기반으로 다양한 연구를 수행하고 있으며 특히 금융 분석과 핀테크에 중점을 두고 있다. 카이스트(KAIST) 전산학과 계산 이론 연구실 출신의 이병욱 대표가 이끌고 있으며 그가 에이콘출판사에서 출간한 『비트코인과 블록체인, 탐욕이 삼켜버린 기술』(2018), 『블록체인 해설서』(2019)는 블록체인 분야의 베스트셀러로, 블록체인의 기술적·경제적 관점의 교과서로 인식되고 있다. 현재 기업 컨설팅과 맞춤형 기업 강연 프로그램도 운영하고 있다.

    이 상품의 시리즈

    데이터 과학 시리즈(총 42권 / 현재구매 가능도서 42권)

    펼쳐보기

    이 책과 내용이 비슷한 책 ? 내용 유사도란? 이 도서가 가진 내용을 분석하여 기준 도서와 얼마나 많이 유사한 콘텐츠를 많이 가지고 있는가에 대한 비율입니다.

      리뷰

      0.0 (총 0건)

      구매 후 리뷰 작성 시, 북피니언 지수 최대 600점

      리뷰쓰기

      기대평

      작성시 유의사항

      평점
      0/200자
      등록하기

      기대평

      0.0

      교환/환불

      교환/환불 방법

      ‘마이페이지 > 취소/반품/교환/환불’ 에서 신청함, 1:1 문의 게시판 또는 고객센터(1577-2555) 이용 가능

      교환/환불 가능 기간

      고객변심은 출고완료 다음날부터 14일 까지만 교환/환불이 가능함

      교환/환불 비용

      고객변심 또는 구매착오의 경우에만 2,500원 택배비를 고객님이 부담함

      교환/환불 불가사유

      반품접수 없이 반송하거나, 우편으로 보낼 경우 상품 확인이 어려워 환불이 불가할 수 있음
      배송된 상품의 분실, 상품포장이 훼손된 경우, 비닐랩핑된 상품의 비닐 개봉시 교환/반품이 불가능함

      소비자 피해보상

      소비자 피해보상의 분쟁처리 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 따라 비해 보상 받을 수 있음
      교환/반품/보증조건 및 품질보증 기준은 소비자기본법에 따른 소비자 분쟁 해결 기준에 따라 피해를 보상 받을 수 있음

      기타

      도매상 및 제작사 사정에 따라 품절/절판 등의 사유로 주문이 취소될 수 있음(이 경우 인터파크도서에서 고객님께 별도로 연락하여 고지함)

      배송안내

      • 인터파크 도서 상품은 택배로 배송되며, 출고완료 1~2일내 상품을 받아 보실 수 있습니다

      • 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 상품을 기준으로 배송됩니다.

      • 군부대, 교도소 등 특정기관은 우체국 택배만 배송가능하여, 인터파크 외 타업체 배송상품인 경우 발송되지 않을 수 있습니다.

      • 배송비

      도서(중고도서 포함) 구매

      2,000원 (1만원이상 구매 시 무료배송)

      음반/DVD/잡지/만화 구매

      2,000원 (2만원이상 구매 시 무료배송)

      도서와 음반/DVD/잡지/만화/
      중고직배송상품을 함께 구매

      2,000원 (1만원이상 구매 시 무료배송)

      업체직접배송상품 구매

      업체별 상이한 배송비 적용