추가 적립 안내

ㆍ 딥러닝의 기본 개념부터 최신 기술까지 그림으로 쉽게 이해할 수 있다.
ㆍ 딥러닝의 한계, 표현 학습, 알파스타, 모델 경량화 등의 테마를 집중 분석한다.
ㆍ 복잡해지는 딥러닝 기술과 심층 원리의 개념적 이해를 효율적으로 전달한다.

딥러닝은 세기의 대결로 기억될 알파고와 이세돌 9단의 대국으로 큰 조명을 받았습니다. 지난 60여 년간 부침의 역사를 겪은 인공지능은 이제 딥러닝의 성공에 힘입어 정말 사람과 같은 인공지능으로 발전하고 있습니다. 이 책에서는 학계에서 많이 인용되거나 학회에서 수상한 논문 위주로 최신(응용) 기술을 선별하여 다양한 개념을 그림과 함께 설명하고 있습니다. 또한, 현재 딥러닝의 기술이 어디까지 왔는지, 그리고 어디를 향해 가고 있는지를 트렌드별로 이해할 수 있도록 풍부한 일러스트로 정리하였습니다.

이영한(박사, 전자부품연구원 지능형영상처리연구센터)
이 책에서 가장 인상 깊은 점을 꼽자면 자세히 설명하면 무한정 길어질 내용을 한 페이지로 구성한 점인데 어떠한 기본 내용도, 최신 기술도 한 장으로 일목요연하게 표현한 저자의 노력과 지식이 놀라웠습니다. 각종 기술이 융합하여 발전하고 있는 최신 인공지능 연구를 위해서는 다양한 기술 개념을 이해해야 하는데, 이 책은 이러한 상황 속에서 많은 사람들의 갈증을 풀어줄 수 있을 것입니다. 물론, 이 책만으로 인공지능 기술을 완벽히 이해하는 것은 제한적이지만 그 기술이 가지고 있는 기본 개념을 살펴보고 시작함으로써 해당 기술을 빠르게 이해하는데 길잡이 역할을 할 수 있다는 점에서 이 책의 가치는 충분할 것입니다.

류현곤(NVIDIA AI Technology Center Korea
센터장)
최근 인공지능에 대한 관심이 많아지면서 관련 직종의 많은 분들이 내가 연구하는 분야, 내가 작업하는 업무에 어떻게 인공지능을 도입하고 적용해야 할지 궁금해 하는 경우가 많습니다. 그런 의미에서 이 책은 인공지능의 다양한 개념을 단순한 인용 형태가 아닌 하나하나의 다이어그램으로 설명하고 있는 점이 포인트입니다. 여기에 관련된 예시도 최대한 이해하기 쉽도록 풀어서 설명하였기 때문에 이공계 전공자가 아닌 분들도 이 책을 통해서 인공지능의 기본 개념을 쉽게 이해하고, 최신 트렌드를 폭넓게 파악할 수 있을 것으로 생각됩니다.

황순욱(한국과학기술정보연구원 국가슈퍼컴퓨팅본부
본부장)
알파고와 이세돌간 세기의 바둑 대결 이후 〈인공지능의 핵심 인프라-고성능 컴퓨팅 환경의 중요성〉이라는 추형석 박사님의 이슈리포트를 읽고 계산 과학자로서 알파고에 대한 통찰력 있는 분석에 깊은 인상을 받았습니다. 그때의 여운을 간직하면서 읽었던 이번 저자의 책은 딥러닝의 근간인 인공신경망에 대한 기본 원리부터 점점 복잡해지는 딥러닝의 한계를 극복하고 효율화하는 다양한 최신 기술을 이해하기 쉽고 명쾌하게 설명하고 있는 점이 돋보입니다. 특히 딥러닝의 원리, 기술, 핵심 용어 등을 그림으로 설명하고 있어 기초부터 심층 원리까지 이해하는데 많은 도움이 될 것으로 기대됩니다.

Chapter 01 딥러닝의 기본
01 퍼셉트론(Perceptron)과 엣지(Edge)
02 인공신경망(Artificial Neural Network)
03 손실 함수(Loss Function)
04 학습 과정
05 딥러닝의 부상
06 심층신경망(Deep Neural Network)
07 합성곱신경망(Convolutional Neural Network)
08 순환신경망(Recurrent Neural Network)
09 적대적생성신경망(Generative Adversarial Network)
10 강화 학습(Reinforcement Learning)
11 어텐션 메커니즘(Attention Mechanism)
[Plus Tip] 딥러닝의 3대 석학

Chapter 02 딥러닝의 한계
01 딥러닝과 데이터
02 데이터의 가치
03 데이터와 개인정보
04 데이터의 수집과 알고리즘의 편향
05 지속적인 학습에 대한 어려움
06 지식 전이와 전이 학습
07 딥러닝과 컴퓨팅 파워
08 인공신경망의 학습과 최적의 모델
09 인공신경망의 가중치와 설명 가능성
10 좁은 인공지능과 범용 인공지능
[Plus Tip] 범용 인공지능의 시대는 언제 올 것인가?

Chapter 03 딥러닝의 표현 학습
01 풀어진 표현(Disentangled Representation)
02 확률 분포와 함수
03 확률의 가능도와 딥러닝의 확률 분포
04 베이즈 정리와 추론
05 변분 오토인코더(VAE)
06 풀어진 표현 학습
07 풀어진 표현 학습의 방법론
08 풀어진 표현과 비지도 학습
09 풀어진 표현 학습의 활용
[Plus Tip] 비지도 학습의 맹점

Chapter 04 딥마인드의 알파스타
01 알파스타(AlphaStar)의 시작
02 알파스타와 알파고의 차이점
03 알파스타의 인공지능 알고리즘과 학습 방법
04 알파스타의 입력과 출력
05 알파스타의 지도 학습과 에이전트
06 알파스타의 강화 학습
07 알파스타의 리그 학습
08 알파스타의 지도 학습 알고리즘(트랜스포머)
09 알파스타의 지도 학습 알고리즘(포인터 네트워크)
10 알파스타의 강화 학습 알고리즘(정책과 가치)
11 알파스타의 강화 학습 알고리즘(정책 변화도)
12 알파스타의 강화 학습 알고리즘(액터-크리틱)
13 알파스타의 강화 학습 알고리즘(오프 폴리시 액터-크리틱)
14 알파스타의 강화 학습 알고리즘(경험 리플레이)
15 알파스타의 강화 학습 알고리즘(자가 모방 학습)
[Plus Tip] 게임 인공지능

Chapter 05 딥러닝의 한계를 뛰어넘는 최신 기술
01 메타 학습(Meta-Learning)
02 원샷 학습(One-Shot Learning)
03 지속적인 학습(Continual Learning)
04 신경망 구조 탐색(Neural Architecture Search)
05 스파이킹 신경망(Spiking Neural Network)
06 활성 학습(Active Learning)
07 그래프 신경망(Graph Neural Network)
08 메모리 네트워크(Memory Network)
09 뉴럴 튜링 머신(Neural Turing Machine)
10 BERT 모델
11 생성적 사전 학습 모델
12 캡슐 네트워크(Capsule Network)
[Plus Tip] 인공지능의 미중 기술 패권

Chapter 06 딥러닝의 효율을 향상시키는 다양한 기술
01 딥러닝의 학습용 하드웨어
02 딥러닝의 추론용 하드웨어
03 딥러닝의 계산 효율과 정밀도
04 모바일 네트워크(Mobile Network)
05 네트워크 프루닝(Network Pruning)
06 심층 압축(Deep Compression)
07 이진신경망(Binary Neural Network)
08 Once For All 신경망
09 인공신경망의 지식 증류
10 딥러닝 하드웨어의 성능 측정(MLPerf)
[Plus Tip] 딥러닝과 슈퍼 컴퓨터