추가 적립 안내

예전에는 소수의 전문가만 이해하고 사용할 수 있었던 딥러닝 모델을 이제는 누구나 쉽게 만들고 활용할 수 있다. 초보자에게 쉽게 따라 할 수 있는 여러 예제를 통해 머신러닝의 개념과 실생활 문제를 해결하는 데 케라스를 활용하는 방법을 보여준다. 머신러닝을 이미 접해본 사람에게는 딥러닝의 기본 수학 개념과 필요에 따라 케라스를 응용할 수 있는 가이드라인을 제공한다.

★ 이 책에서 다루는 내용 ★

■ 파이썬에서 데이터 전처리와 데이터 정형
■ 신경망 이해
■ 머신러닝과 딥러닝의 차이 설명
■ 케라스를 활용한 논리 회귀 모델, 단일-레이어 신경망과 같은 간단한 모델 구축
■ 케라스를 활용한 다중-레이어 신경망, 딥 CNN, 딥 RNN과 같은 복잡한 모델 구축
■ 머신러닝으로 환자 질병 정보에 사용 가능한 모델 구성과 질병 예측
■ 모델을 평가해 모델이 가진 정확성을 이해하고, 정확성을 높이기 위한 튜닝 진행
■ 정확성이 항상 제일 좋은 지표는 아니라는 것을 이해하고 더 좋은 평가를 얻을 수 있는 대안 학습

★ 이 책의 대상 독자 ★

데이터 과학과 머신러닝에 관한 기초 지식을 배운 상태에서 인공신경망과 딥러닝을 배우고자 한다면 많은 도움이 될 것이다. 파이썬 프로그래밍이나 통계학, 논리적 회귀에 대한 경험이 있으면 이 책을 최대한 활용할 수 있다. 사이킷런 라이브러리에 대한 경험도 이 책을 보는 데 도움될 수 있다.

★ 이 책의 구성 ★

이 책을 통해 다음을 목표를 달성할 수 있다.
■ 단일-레이어 신경망과 다중-레이어 신경망의 차이 이해
■ 케라스를 사용한 간단한 논리 회귀 모델, 딥 신경망, 순환 신경망, 합성곱 신경망 구축
■ L1, L2, 드롭아웃 정규화 기법 적용을 통한 모델 정확성 향상
■ 케라스 래퍼와 사이킷런을 활용한 교차 검증 시행
■ 모델 정확성의 한계 이해

★ 옮긴이의 말 ★

1950년대에 인공지능이라는 용어가 처음 소개됐을 때까지만 해도, 인공지능은 소수의 전문가가 복잡한 수식과 많은 연산 자원을 갖고 연구하던 영역이었습니다. 하지만 최근 관련 하드웨어의 발전과 여러 기업이나 단체에서 제공하는 오픈소스 도구를 활용해 누구라도 필요한 도구를 간단하게 설치하고 딥러닝을 직접 경험해볼 수 있습니다. 라테쉬 바그와트, 말라 압둘라네자드, 매튜 무캄이 쓴 이 책에서는 딥러닝의 기본 개념을 설명하고 많은 사람이 활용하는 케라스를 기반으로 누구나 쉽게 따라 할 수 있는 많은 예제를 살펴봄으로써, 딥러닝을 처음 접하는 독자뿐만 아니라 어느 정도 경험이 있으며 여러 적용 사례를 경험하고 싶은 사람들도 쉽게 이해할 수 있는 책입니다.
오늘날 딥러닝 관련 기술은 매우 빠르게 발전하고 있습니다. 하루만 지나도 새로운 기술이 개발되고, 현재의 기법이나 도구가 1년 뒤에도 여전히 쓰일지 알 수 없습니다. 하지만 딥러닝이 기본적으로 어떻게 구현되는지 이해하고, 실습을 통해 근간을 이루는 수학 개념에 익숙해지면 차후 새로워진 기법과 도구를 더욱 쉽게 활용할 수 있습니다.
책 속 예제들은 실생활 데이터를 기반으로 진행됩니다. 그래서 책 속 사례 외에도 데이터를 직접 바꿔 가면서 딥러닝 모델을 훈련할 때 각 특성이 어떤 영향을 주는지, 또 특성을 추가하거나 제외하는 것이 성능에 어떤 영향을 주는지 알아볼 수 있습니다.
머신러닝, 딥러닝 분야는 대부분의 용어가 영어입니다. 국내에서도 활발하게 사용되기 시작한 지 어느 정도 시간이 지났기 때문에 용어를 원문 그대로 사용하는 것이 편한 사람이 많습니다. 이 책을 옮기는 과정 중에도 원문의 의미를 해치지 않는 범위 내에서 업계에서 흔히 사용하는 용어를 선택하고자 노력했습니다.

1장. 케라스를 활용한 머신러닝 입문
__서론
__데이터 묘사
____데이터 테이블
____데이터 로딩
____실습 1: UCI 머신러닝 저장소 데이터 세트 로딩
__데이터 전처리
____실습 2: 데이터 정리
____데이터의 적절한 표현
____실습 3: 데이터의 적절한 표현
____모델 생성 수명 주기
__머신러닝 라이브러리
__사이킷런
__케라스
____케라스의 장점
____케라스의 단점
____모델 구축을 넘어서
__모델 학습
____분류 및 회귀 모델
____분류 과업
____회귀 과업
____학습 및 테스트 데이터 세트
____모델 평가 측정 항목
____실습 4: 간단한 모델 구축
__모델 튜닝
____기준 모델
____실습 5: 기준 모델 선정
____정규화
____교차 - 검증
____활동 1: 모델에 정규화를 더하기
__요약


2장. 머신러닝 대 딥러닝
__서론
____ANN이 전통적인 머신러닝 알고리즘보다 좋은 점
____전통적인 머신러닝 알고리즘이 ANN보다 좋은 점
____계층형 데이터 묘사
__선형 변환
____스칼라, 벡터, 행렬, 텐서
____텐서 덧셈
____실습 6: 스칼라, 행렬, 텐서를 가지고 다양한 연산 해보기
____정형
____행렬 전치
____실습 7: 행렬 정형 및 전치
____행렬 곱셈
____실습 8: 행렬 곱셈
____실습 9: 텐서 곱셈
__케라스 소개
____레이어 유형
____활성화 함수
____모델 피팅
____활동 2: 케라스를 사용해 논리 회귀 모델 생성
__요약


3장. 케라스를 활용한 딥러닝
__서론
__첫 번째 신경망 구축
____논리 회귀에서 딥 신경망으로
____활성화 함수
____예측을 위한 순전파
____손실 함수
____손실 함수의 미분계수 계산을 위한 역전파
____매개변수 학습을 위한 경사 하강법
____실습 10: 케라스를 활용한 신경망 구현
____활동 3: 이진 분류를 하는 단일-레이어 신경망 구축 분류 과업
__모델 평가
____케라스에서 훈련된 모델 평가
____데이터를 학습 세트와 테스트 세트로 분리
____과소적합과 과적합
____조기 중단
____활동 4: 신경망을 활용한 당뇨병 진단
__요약


4장. 케라스 래퍼를 활용한 모델 교차 검증
__서론
__교차-검증
____데이터 세트를 한 번만 나눴을 때의 단점
____예제
____K-폴드 교차 검증
____리브-원-아웃 교차 검증
____K-폴드와 LOO 접근법 비교
__딥러닝 모델의 교차 검증
____케라스 래퍼와 사이킷런
____실습 11: 사이킷런을 활용해 회귀 문제를 위한 케라스 래퍼 구축
____사이킷런을 통한 교차 검증
____사이킷런의 교차 검증 반복자
____실습 12: 교차 검증을 통한 딥 신경망 평가
____활동 5: 교차 검증을 활용한 당뇨병 진단 분류 모델 평가
__교차 검증을 통한 모델 선택
____모델 평가를 위한 교차 검증과 모델 선택
____실습 13: 교차 검증을 통한 딥러닝 모델 구성을 위한 사용자 정의 함수 작성
____활동 6: 교차 검증을 통한 당뇨병 진단 분류 모델 선택
____활동 7: 교차 검증을 활용해 보스턴 주택 가격 데이터 세트에 적합한 모델 선택
__요약


5장, 모델 정확성 개선
__서론
__정규화
____정규화의 필요성
____정규화를 통한 과적합 줄이기
__L1과 L2 정규화
____L1과 L2 정규화 공식
____케라스에서 L1과 L2 정규화 적용
____활동 8: 당뇨병 진단 분류 모델의 가중치 정규화
__드롭아웃 정규화
____드롭아웃 정규화 원리
____드롭아웃을 통한 과적합 줄이기
____실습 14: 케라스에서 드롭아웃 구현
____활동 9: 보스턴 주택 데이터 세트를 가지고 하는 드롭아웃 정규화
__기타 정규화 기법
____조기 중단
____실습 15: 케라스에서 조기 중단 구현
____데이터 부풀리기
____노이즈 추가
__사이킷런을 활용한 초매개변수 튜닝
____사이킷런 그리드 탐색
____사이킷런 랜덤 탐색
____활동 10: 당뇨병 진단 분류 모델의 초매개변수 튜닝
__요약


6장. 모델 평가
__서론
__정확성
____실습 16: 가상 의료 데이터 세트의 널 정확성 계산
____정확성의 정점과 한계
__불균형 데이터 세트
____불균형 데이터 세트로 작업하기
__혼동행렬
____혼동행렬을 바탕으로 계산되는 측정 지표
____실습 17: 의료 데이터를 가지고 정확성과 널 정확성 계산하기
____데이터 전처리 및 탐색적 데이터 분석
____널 정확성 계산
____활동 11: 학습/테스트 분할을 바꿨을 때 정확성과 널 정확성 계산하기
____활동 12: 혼동행렬을 가지고 측정 지표 도출 및 계산하기
____실습 18: ROC와 AUC 곡선 계산
__요약


7장. 합성곱 신경망을 활용한 컴퓨터 비전
__서론
__컴퓨터 비전
__합성곱 신경망
__CNN 아키텍처
____입력 이미지
____합성곱 레이어
____풀링 레이어
____플래트닝
__이미지 어그멘테이션
____이미지 어그멘테이션의 장점
____실습 19: CNN을 구축해 고양이와 개 이미지 분류
____활동 13: 복수 레이어 모델로 변경 및 소프트맥스 활용
____실습 20: 시그모이드 활성화 함수로 환원해 모델 변경
____실습 21: 최적화를 아담에서 SGD로 변경
____실습 22: 신규 이미지 분류
____활동 14: 신규 이미지 분류
__요약


8장. 학습 이관과 사전 훈련 모델
__서론
__사전 훈련 세트와 학습 이관
____특성 추출
__사전 훈련망 미세 튜닝
____이미지넷 데이터 세트
____케라스가 지원하는 사전 훈련망 몇 가지
____실습 23: VGG16 망을 활용한 이미지 식별
____활동 15: VGG16 망을 활용해 이미지 식별을 하는 딥러닝 신경망 훈련
____실습 24: 이미지넷 데이터베이스에 없는 이미지 분류
____실습 25: VGG16 모델 미세 튜닝
____실습 26: ResNet을 활용한 이미지 분류
____활동 16: ResNet을 사용한 이미지 분류
__요약


9장. 순환 신경망을 활용한 순차 모델링
__서론
__순차 메모리와 순차 모델링
__순환 신경망
____소멸하는 기울기 문제
____폭발하는 기울기 문제 소개
__장단기 메모리
____실습 27: 유닛(뉴런) 50개 LSTM을 활용해 애플 주가 추세 예측
____활동 17: 유닛(뉴런) 50개 LSTM을 활용해 마이크로소프트 주가 추세 예측
____실습 28: 유닛 100개 LSTM을 활용해 애플 주가 추세 예측
____활동 18: 정규화를 추가해 마이크로소프트 주가 예측
____활동 19: 더 많은 뉴런(100개 유닛)을 가진
____LSTM을 활용해 마이크로소프트 주가 추세 예측
__요약


부록