±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.
Á¤°¡ |
42,000¿ø |
---|
42,000¿ø
420P (1%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
ÃÖ±Ù 4Â÷ »ê¾÷Çõ¸í ½Ã´ë¸¦ ¸ÂÀÌÇÏ¿© ÀΰøÁö´ÉÀ» Æ÷ÇÔÇÑ ºòµ¥ÀÌÅÍ, ·Îº¿, ÀÚÀ²ÁÖÇàÀÚµ¿Â÷,
µå·Ð, 5G µîÀÇ ±â¼ú ¹ßÀü¿¡¼ ¼ÒÇÁÆ®¿þ¾î¿¡ ´ëÇÑ Á߿伺ÀÌ Á¡Á¡ ´õ ³ô¾ÆÁö°í ÀÖ´Ù. ƯÈ÷ ¼ÒÇÁÆ®¿þ¾î¸¦ ÀÌ¿ëÇÑ ÀΰøÁö´É(AI) ºÐ¾ß¿¡ ´ëÇÑ Àû¿ë ¹× È°¿ë ±â¼úÀÇ °³¹ßÀÌ È°¹ßÇÏ°Ô ÀÌ·ç¾îÁö°í ÀÖ´Ù. µû¶ó¼ ÀΰøÁö´É, ±â°è ÇнÀ, ½ÉÃþ ÇнÀ, °È ÇнÀ ºÐ¾ßÀÇ ±â¼ú °³¹ßÀ» À§ÇØ ÆÄÀ̽㠵î°ú °°Àº ´Ù¾çÇÑ ÇÁ·Î±×·¥ ¾ð¾îµéÀÌ °³¹ßµÇ¾î »ç¿ëµÇ°í Àִµ¥, ±×Áß¿¡¼ ½ÉÃþ ÇнÀÀº ÄÄÇ»ÅÍ ºñÀü, À½¼º ÀνÄ, ÀÚ¿¬¾î ó¸® ¹× ÀÌÇØ ºÐ¾ß¿¡¼ ³î¶ö¸¸ÇÑ ¹ßÀüÀ» °ÅµìÇØ ¿Ô´Ù.
¾ÕÀ¸·Îµµ ½ÉÃþ ÇнÀÀº ºñÀü ±â¹ÝÀÇ °¨Áö ¹× ÀνÄ, ÀÚÀ² ÁÖÇà, ¿¡³ÊÁö Àý¾à, ½Å¾à °³¹ß, ±ÝÀ¶ ¹× ¸¶ÄÉÆà ºÐ¾ßÀÇ ¾ÖÇø®ÄÉÀ̼ǿ¡¼ ½ÉÃþ ÇнÀ ¾Ë°í¸®ÁòÀÌ ¸¹ÀÌ Àû¿ëµÉ °ÍÀ¸·Î ¿¹»óÇÏ°í ÀÖ´Ù. µû¶ó¼, Tensorflow¿Í Keras¸¦ ÀÌ¿ëÇÑ °í±Þ ½ÉÃþ ÇнÀ ÇÁ·Î±×·¡¹ÖÀ» ÀÍÈ÷°íÀÚ ÇÏ´Â ±¹³» °³¹ßÀڵ鿡°Ô ¸¹Àº µµ¿òÀÌ µÉ ÁÁÀº Ã¥À̶ó »ý°¢µÇ¾î ¹ø¿ªÇÏ°Ô µÇ¾ú´Ù.
ÀÌ Ã¥À» ÅëÇØ Tensorflow 2¿¡¼ Keras API¸¦ ÀÌ¿ëÇÏ¿© ±¸ÇöÇÑ Äڵ带 »ùÇÃÀ» Â÷·Ê´ë·Î ¹è¿ì°Ô µÇ¸é °³¹ßÀÚ°¡ ±¸ÇöÇÏ°íÀÚ ÇÏ´Â ¾ÖÇø®ÄÉÀÌ¼Ç °³¹ß¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Â ´É·ÂÀ» Å°¿ï ¼ö ÀÖÀ» °ÍÀ¸·Î ÆǴܵȴÙ. ÀÌ Ã¥¿¡´Â ´ÙÀ½°ú °°Àº ³»¿ëÀÌ Â÷·Ê´ë·Î ¼³¸íµÇ¾î ÀÖ´Ù.
¤ý ½ÉÃþ ÇнÀÀÇ ±âº» °³¿ä·Î¼ ÃÖÀûÈ, Á¤±ÔÈ, ¼Õ½Ç ÇÔ¼ö, ·¹À̾î¿Í ³×Æ®¿öÅ©ÀÇ ÇÙ
½É °³³ä
¤ý ½ÉÃþ ½Å°æ¸Á ±¸Á¶ÀÎ Resnet¿Í DensNet, ÇÔ¼öÇü API
¤ý ÀÔ·Â µ¥ÀÌÅÍÀÇ ÀáÀç Ç¥ÇöÀ» ´Ù·ç´Â ¿ÀÅäÀÎÄÚ´õ ³×Æ®¿öÅ© ±¸Á¶
¤ý »ý¼ºÀû Àû´ë ½Å°æ¸Á(GAN)ÀÇ ±âº» °³³ä°ú DCGAN, CGAN
¤ý Çâ»óµÈ GAN¿¡¼ °³¼±µÈ ¾Ë°í¸®Áò°ú WGAN, LSGAN, ACGAN
¤ý Ç®¾îÁø GAN, ±³Â÷-µµ¸ÞÀÎ GAN
¤ý º¯ºÐ ¿ÀÅäÀÎÄÚ´õ¿¡ ´ëÇÑ ±âº» °³³ä°ú ¿Í CVAE, ¥â-VAE
¤ý ½ÉÃþ °È ÇнÀ°ú Q-learning ±âº» °³³ä
¤ý °È ÇнÀ¿¡¼ ÀÇ»ç°áÁ¤À» À§ÇØ Á¤Ã¥À» ÇнÀÇÏ´Â ½Å°æ¸Á
¤ý °´Ã¼ °¨Áö, ½Ã¸àƽ ºÐÇÒ, »óÈ£ Á¤º¸¸¦ ÀÌ¿ëÇÑ ºñÁöµµ ÇнÀ
À§ÀÇ ³»¿ëÀ» ÅÙ¼Ç÷οì 2ÀÇ kerasAPI ¶Ç´Â tf.keras·Î ±¸ÇöÇÑ Äڵ嵵 ÇÔ²² Á¦½ÃµÇ¾î ÀÖ´Ù.
µû¶ó¼ ±âº» °³³ä°ú ½ÇÁ¦ ÄÚµå ±¸ÇöÀ» ÅëÇÏ¿© ÇнÀÇÏ°Ô µÇ¸é ½ÇÁ¦ °³¹ßÀÚ°¡ ÇØ°áÇÏ°íÀÚ ÇÏ´Â ¹®Á¦µé¿¡ ´ëÇؼµµ Àû¿ëÀÌ °¡´ÉÇÒ °ÍÀ¸·Î »ý°¢µÈ´Ù. ³ª¸§Àº Àü¹® ¿ë¾îµéÀ» Ç¥ÁØ¿¡ ¸ÂÃß¾î ¹ø¿ªÇÏ·Á°í ³ë·ÂÇÏ¿´Áö¸¸ ºÎÁ·ÇÑ Á¡ÀÌ ¸¹À¸¸®¶ó »ý°¢µÈ´Ù. Ȥ ¹ÌÈíÇÑ ºÎºÐÀ» ÁöÀûÇØ ÁÖ½Ã¸é ´ÙÀ½ ±âȸ¿¡ ´õ ÁÁÀº ³»¿ëÀÌ µÇµµ·Ï ³ë·ÂÇÏ°Ú´Ù. ÀÌ Ã¥À» ÅëÇÏ¿© ±â°è ÇнÀ ¹× ½ÉÃþ ÇнÀÀ» ÀÌ¿ëÇÑ ¾ÖÇø®ÄÉÀÌ¼Ç ¾Ë°í¸®Áò °³¹ß¿¡ Á¶±ÝÀ̳ª¸¶ µµ¿òÀÌ µÇ¾úÀ¸¸é ÇÑ´Ù.
ÃâÆÇ»ç ¼Æò
| ÀÌ Ã¥ÀÇ ´ë»ó |
ÀÌ Ã¥Àº ½ÉÃþ ÇнÀÀÇ °í±Þ ÁÖÁ¦µéÀ» ´õ ±íÀÌ ÀÌÇØÇÏ±æ ¿øÇÏ´Â ±â°è ÇнÀ ¿£Áö´Ï¾îµé°ú ÇлýµéÀ» ´ë»óÀ¸·Î ÇÑ´Ù. Keras·Î ±¸ÇöÇÑ ÄÚµå·Î °¢ ¼³¸íÀ» º¸ÃæÇÏ¿´´Ù. ƯÈ÷, ÅÙ¼Ç÷οì 2ÀÇ Keras API ¶Ç´Â tf.keras¸¦ ÀÌ¿ëÇÏ¿´´Ù. ÀÌ Ã¥Àº ÀÌ·ÐÀ» Keras ÄÚµå·Î ±¸ÇöÇÏ´Â ¹æ¹ý¿¡ ´ëÇØ ÀÌÇØÇÏ±æ ¿øÇÏ´Â µ¶ÀÚµéÀ» À§ÇÑ °ÍÀÌ´Ù. ÀÌ·ÐÀ» ÀÌÇØÇÏ´Â °Í ¿Ü¿¡µµ, ÄÚµå ±¸ÇöÀº ±â°è ÇнÀÀ» ½ÇÁ¦ÀÇ ¹®Á¦µé¿¡ Àû¿ëÇÔ¿¡ ÀÖ¾î ¾î·Á¿î ÀÛ¾÷ Áß ÇϳªÀÌ´Ù.
¡áÀÌ Ã¥ÀÇ Æ¯Â¡
1Àå. ¡°Keras¿Í ÇÔ²² °í±Þ ½ÉÃþ ÇнÀ ¼Ò°³¡±¿¡¼´Â ÃÖÀûÈ, Á¤±ÔÈ, ¼Õ½Ç ÇÔ¼ö, ±âº»ÀûÀÎ ·¹À̾îµé ¹× ³×Æ®¿öÅ©ÀÇ ÇÙ½É °³³ä°ú tf.keras·Î ÀÌ¿¡ ´ëÇÑ ±¸ÇöÀ» ´Ù·é´Ù. ÀÌ ÀåÀº ½ÉÃþ ÇнÀ°ú ¼øÂ÷Çü API¸¦ ÀÌ¿ëÇÏ´Â tf.keras¿¡ °üÇÑ ¸®ºä¸¦ Á¦°øÇÑ´Ù.
2Àå. ¡°½ÉÃþ ½Å°æ¸Á¡±¿¡¼´Â tf.kerasÀÇ ÇÔ¼öÇü API¸¦ ´Ù·é´Ù. ³Î¸® »ç¿ëµÇ´Â µÎ °³ÀÇ ½ÉÃþ ½Å°æ¸Á ¾ÆÅ°ÅØóÀÎ ResNet°ú DensNetÀ» ¼³¸íÇÏ°í ÇÔ¼öÇü API¸¦ ÀÌ¿ëÇÏ¿© tf.keras·Î ±¸ÇöÇÑ´Ù.
3Àå. ¡°¿ÀÅäÀÎÄÚ´õ¡±¿¡¼´Â ÀÔ·Â µ¥ÀÌÅÍÀÇ ÀáÀç Ç¥ÇöÀ» ´Ù·ç´Âµ¥ ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â ¿ÀÅäÀÎÄÚ´õ(autoencoder)¶ó°í ÇÏ´Â ³×Æ®¿öÅ©ÀÇ ±¸Á¶¸¦ ´Ù·é´Ù. ¿ÀÅäÀÎÄÚ´õÀÇ µÎ °¡Áö ¿¹Á¦ ¾îÇø®ÄÉÀ̼ÇÀÎ ³ëÀÌÁî Á¦°Å¿Í ä»öÀ» ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
4Àå. ¡°»ý¼ºÀû Àû´ë ½Å°æ¸Á(GAN)¡±¿¡¼´Â ÃÖ±Ù ½ÉÃþ ÇнÀÀÇ ¹ßÀüµÈ Áß¿äÇÑ ±â¹ý Áß ÇϳªÀÌ´Ù.
GANÀº ½ÇÁ¦Ã³·³ º¸ÀÌ´Â ÇÕ¼ºµÈ µ¥ÀÌÅ͸¦ »ý¼ºÇϴµ¥ »ç¿ëµÈ´Ù. ÀÌ ÀåÀº GANÀÇ ±âº» °³³äÀ» ¼³¸íÇÑ´Ù. GANÀÇ µÎ °¡Áö ¿¹Á¦ÀÎ DCGAN°ú CGANÀ» ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
5Àå. ¡°Çâ»óµÈ GAN¡±¿¡¼´Â ±âº» GANÀ» °³¼±ÇÑ ¾Ë°í¸®ÁòÀ» ´Ù·é´Ù. ÀÌ ¾Ë°í¸®ÁòÀº GANÈÆ·ÃÀÇ ¾î·Á¿î Á¡À» ÇØ°áÇÏ°í ÇÕ¼º µ¥ÀÌÅÍÀÇ Ç°ÁúÀ» °³¼±ÇÑ´Ù. WGAN, LSGAN ¹×AC GANÀ» ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
6Àå. ¡°Ç®¾îÁø Ç¥Çö GAN¡±¿¡¼´Â GANÀ¸·Î »ý¼ºµÈ ÇÕ¼º µ¥ÀÌÅÍÀÇ ¼Ó¼ºÀ» Á¦¾îÇÏ´Â ¹æ¹ý¿¡ ´ëÇØ ¼³¸íÇÏ´Ù. ÀáÀç Ç¥ÇöÀ» Ç®¸é ¼Ó¼ºÀ» Á¦¾îÇÒ ¼ö ÀÖ´Ù. Ç¥ÇöÀ» Ǫ´Â µÎ ±â¹ýÀÎ InfoGAN°ú StackedGANÀ» ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
7Àå. ¡°±³Â÷-µµ¸ÞÀÎ GAN¡±¿¡¼´Â ÀϹÝÀûÀ¸·Î ±³Â÷-µµ¸ÞÀÎ º¯È¯À̶ó°í ¾Ë·ÁÁø, ÇϳªÀÇ µµ¸ÞÀο¡¼ ´Ù¸¥ µµ¸ÞÀÎÀ¸·Î À̹ÌÁö¸¦ º¯È¯ÇÏ´Â GANÀÇ ½ÇÁ¦ÀûÀÎ ¾îÇø®ÄÉÀ̼ÇÀ» ´Ù·é´Ù.
±³Â÷-µµ¸ÞÀÎ GANÀ¸·Î ³Î¸® »ç¿ëµÇ´Â CycleGANÀ» ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
ÀÌ ÀåÀº ä»ö ¹× ½ºÅ¸ÀÏ º¯È¯À» ¼öÇàÇÏ´Â CycleGANÀ» ¼³¸íÇÑ´Ù.
8Àå. ¡°º¯ºÐ ¿ÀÅäÀÎÄÚ´õ(VAE)¡±¿¡¼´Â DL¿¡¼ ¶Ç ÇϳªÀÇ Áß¿äÇÑ ÁÖÁ¦¸¦ ¼³¸íÇÑ´Ù. GAN°ú À¯»çÇÑ VAE´Â ÇÕ¼º µ¥ÀÌÅ͸¦ »ý¼ºÇϴµ¥ »ç¿ëµÇ´Â »ý¼º ¸ðµ¨ÀÌ´Ù. GAN°ú´Â ´Þ¸®, VAE´Â º¯ºÐ Ã߷п¡ ÀûÇÕÇÑ µðÄÚµùÀÌ °¡´ÉÇÑ ¿¬¼ÓÀÇ ÀáÀç °ø°£¿¡ ÁßÁ¡À» µÐ´Ù. VAE¿Í ÀÌ°ÍÀÇ º¯ÇüÀÎ CVAE ¹× ¥â-VAE¸¦ ¼³¸íÇÏ°í tf.keras·Î ±¸ÇöÇÑ´Ù.
9Àå. ¡°½ÉÃþ °È ÇнÀ¡±¿¡¼´Â °È ÇнÀ°ú Q-learningÀÇ ±âº» °³³äÀ» ¼³¸íÇÑ´Ù. ÀÌ»ê Çൿ °ø°£¿¡ ´ëÇÑ Q-learningÀ» ±¸ÇöÇÏ´Â µÎ °¡Áö ±â¹ýÀÎ Q-table ¾÷µ¥ÀÌÆ®¿Í Deep Q-Networks (DQN)¸¦ ¼³¸íÇÑ´Ù. OpenAI Gym ȯ°æ¿¡¼ ÆÄÀ̽ãÀ» ÀÌ¿ëÇÑ Q-learning°ú tf.kerasÀÇ DQNÀÇ ±¸ÇöÀ» º¸¿©ÁØ´Ù.
10Àå. ¡°Á¤Ã¥ °æ»ç ¹æ¹ý¡±¿¡¼´Â °È ÇнÀ¿¡¼ ÀÇ»ç °áÁ¤À» À§ÇØ Á¤Ã¥À» ÇнÀÇÏ´Â ½Å°æ¸ÁÀ» »ç¿ëÇÏ´Â ¹æ¹ý¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. ³× °¡Áö ¹æ¹ýÀÎ REINFORCE, ±âÁØÄ¡¸¦ °®´Â REINFORCE, Actor-Critic ¹× Advantage Actor-CriticÀ» ¼³¸íÇÏ°í tf.keras¿Í OpenAI Gym ȯ°æ¿¡¼ ±¸ÇöÇÑ´Ù. ÀÌ Àå¿¡¼ º¸¿©ÁÖ´Â ¿¹Á¦´Â ¿¬¼ÓÀÇ Çൿ °ø°£¿¡ ´ëÇÑ Á¤Ã¥ °æ»ç ¹æ¹ýÀ» ¼³¸íÇÑ´Ù.
11Àå. ¡°°´Ã¼ °¨Áö¡±¿¡¼´Â ÄÄÇ»ÅÍ ºñÀü, °´Ã¼ °¨Áö ¶Ç´Â ½Äº° ±×¸®°í À̹ÌÁöÀÇ À§Ä¡ Æľǿ¡ ´ëÇÑ °¡Àå ÀϹÝÀûÀÎ ¾îÇø®ÄÉÀÌ¼Ç Áß Çϳª¸¦ ¼³¸íÇÑ´Ù. SSD¶ó°í ÇÏ´Â ¸ÖƼ-½ºÄÉÀÏ °´Ã¼ °¨Áö ¾Ë°í¸®ÁòÀÇ ÇÙ½É °³³äÀ» ¼³¸íÇÏ°í tf.keras¸¦ ÀÌ¿ëÇÏ¿© ´Ü°èº°·Î ±¸ÇöÇÑ´Ù.
µ¥ÀÌÅͼ ¼öÁý°ú ·¹ÀÌºí¸µ¿¡ ´ëÇÑ ±â¹ýÀ» ¿¹¸¦ µé¾î ¼³¸íÇÑ´Ù. ±× ÈÄ, µ¥ÀÌÅͼÂÀ» ÀÌ¿ëÇÏ¿© tf.keras·Î SSDÀÇ ÈƷðú Æò°¡¸¦ ±¸ÇöÇÑ´Ù.
12Àå. ¡°½Ã¸àƽ ºÐÇÒ¡±¿¡¼´Â ÄÄÇ»ÅÍ ºñÀü, ½Ã¸àƽ ºÐÇÒ ¶Ç´Â À̹ÌÁö¿¡¼ °¢ Çȼ¿¿¡ ´ëÇØ °´Ã¼
Ŭ·¡½º¸¦ ½Äº°ÇÏ´Â °Í¿¡ °üÇÑ ¶Ç ´Ù¸¥ ÀϹÝÀûÀÎ ¾îÇø®ÄÉÀ̼ÇÀ» ¼³¸íÇÑ´Ù. ºÐÇÒÀÇ ±âº» °³³äÀ» ¼³¸íÇÑ´Ù. ±× ´ÙÀ½¿¡, Á» ´õ ÀÚ¼¼È÷ ½Ã¸àƽ ºÐÇÒÀ» ¼³¸íÇÑ´Ù. FCNÀ̶ó°í ÇÏ´Â ½Ã¸àƽ ºÐÇÒ ¾Ë°í¸®ÁòÀÇ ±¸Çö ¿¹Á¦¸¦ tf.keras¸¦ ÀÌ¿ëÇÏ¿© ±¸ÃàÇÏ°í Æò°¡ÇÑ´Ù. ÀÌÀü Àå¿¡¼ ¼öÁýµÈ µ¿ÀÏÇÑ µ¥ÀÌÅͼÂÀ» ÀÌ¿ëÇÏÁö¸¸ ½Ã¸àƽ ºÐÇÒÀ» À§ÇØ ´Ù½Ã ·¹ÀÌºí¸µ ÇÑ´Ù.
13Àå. ¡°»óÈ£ Á¤º¸¸¦ ÀÌ¿ëÇÑ ºñÁöµµ ÇнÀ¡±¿¡¼´Â DLÀÌ Àΰ£ÀÇ ·¹ÀÌºí¸µ¿¡ ±íÀÌ ÀÇÁ¸ÇÑ´Ù¸é, ¿Ö ¹ßÀüÇÏÁö ¸øÇÏ´ÂÁö »ìÆ캻´Ù. ºñÁöµµ ÇнÀÀº Àΰ£ÀÇ ·¹ÀÌºí¸µÀ» ÇÊ¿ä·Î ÇÏÁö ¾Ê´Â ¾Ë°í¸®Áò¿¡ ÁßÁ¡À» µÐ´Ù. ºñÁöµµ ÇнÀÀ» ÀÌ·ç±â À§ÇÑ È¿°úÀûÀÎ ±â¹ý Áß Çϳª´Â »óÈ£ Á¤º¸(MI, Mutual Information)ÀÇ °³³ä¿¡ ´ëÇÑ ÀÌÁ¡À» È°¿ëÇÏ´Â °ÍÀÌ´Ù. MI¸¦ ÃÖ´ëÈ Çϵµ·Ï, tf.keras¸¦ ÀÌ¿ëÇÏ¿© ºñÁöµµ Ŭ·¯½ºÅ͸µ/ºÐ·ù¸¦ ±¸ÇöÇÏ°í Æò°¡ÇÑ´Ù.
¸ñÂ÷
1Àå Keras¸¦ ÀÌ¿ëÇÑ °í±Þ ½ÉÃþ ÇнÀ ¼Ò°³
1. ¿Ö Keras°¡ ¿Ïº®ÇÑ ½ÉÃþÇнÀ ¶óÀ̺귯¸® Àΰ¡? 4
Keras¿Í ÅÙ¼ÇÃ·Î¿ì ¼³Ä¡Çϱâ 5
2. MLP, CNN, RNN 8
MLP, CNN, ±×¸®°í RNNÀÇ Â÷ÀÌÁ¡ 8
3. ¸ÖƼ·¹À̾î ÆÛ¼ÁÆ®·Ð(MLP) 9
MNIST µ¥ÀÌÅͼ 10
MNIST ¼ýÀÚ ºÐ·ù±â ¸ðµ¨ 13
MLP¿Í Keras¸¦ ÀÌ¿ëÇÏ¿© ¸ðµ¨ ±¸ÃàÇϱâ 17
Á¤±ÔÈ 20
Ãâ·Â È°¼ºÈ ¹× ¼Õ½Ç ÇÔ¼ö 21
ÃÖÀûÈ 24
¼º´É Æò°¡ 29
¸ðµ¨ ¿ä¾à 30
4. ÇÕ¼º°ö ½Å°æ¸Á(CNN) 33
ÇÕ¼º°ö 35
Ç®¸µ(Pooling) ¿¬»ê 37
¼º´É Æò°¡ ¹× ¸ðµ¨ ¿ä¾à 38
5. ¼øȯ ½Å°æ¸Á(RNN) 40
6. ¿äÁ¡ Á¤¸® 46
7. Âü°íÀÚ·á 47
2Àå ½ÉÃþ ½Å°æ¸Á
1. ÇÔ¼öÇü API 52
µÎ °³ÀÇ ÀԷ°ú ÇϳªÀÇ Ãâ·ÂÀ» °®´Â ¸ðµ¨ »ý¼ºÇϱâ 55
2. ½ÉÃþ ÀÜÂ÷ ³×Æ®¿öÅ©(ResNet) 62
3. ResNet v2 73
4. Á¶¹ÐÇÏ°Ô ¿¬°áµÈ ÇÕ¼º°ö ³×Æ®¿öÅ©(DenseNet) 77
CIFAR10À¸·Î 100-·¹À̾î DenseNet-BC ±¸ÃàÇϱâ 81
5. ¿äÁ¡ Á¤¸® 84
6. Âü°íÀÚ·á 85
3Àå ¿ÀÅäÀÎÄÚ´õ
1. ¿ÀÅäÀÎÄÚ´õÀÇ ¿ø¸® 90
2. Keras¸¦ ÀÌ¿ëÇÑ ¿ÀÅäÀÎÄÚ´õ ±¸ÃàÇϱâ 93
3. ³ëÀÌÁî Á¦°Å ¿ÀÅäÀÎÄÚ´õ(DAE) 104
4. ÀÚµ¿ ä»ö ¿ÀÅäÀÎÄÚ´õ 110
5. ¿äÁ¡ Á¤¸® 118
6. Âü°íÀÚ·á 119
4Àå »ý¼ºÀû Àû´ë ½Å°æ¸Á(GAN)
1. GANÀÇ °³¿ä 123
GANÀÇ ¿ø¸® 125
2. Keras·Î DCGAN ±¸ÇöÇϱâ 131
3. Á¶°ÇºÎ(conditional) GAN 142
4. ¿äÁ¡ Á¤¸® 153
5. Âü°íÀÚ·á 153
5Àå Çâ»óµÈ GAN
1. Wasserstein GAN 158
°Å¸® ÇÔ¼ö 158
GANÀÇ °Å¸® ÇÔ¼ö 161
Wasserstein ¼Õ½Ç »ç¿ëÇϱâ 164
Keras¸¦ ÀÌ¿ëÇÑ WGAN ±¸Çö 169
2. Least-squares GAN(LSGAN) 177
3. º¸Á¶ ºÐ·ù±â(Auxiliary Classifier) GAN(ACGAN) 182
4. ¿äÁ¡ Á¤¸® 196
5. Âü°íÀÚ·á 196
6Àå Ç®¾îÁø Ç¥Çö GAN
1. Ç®¾îÁø Ç¥Çö 200
InfoGAN 202
Keras·Î InfoGAN ±¸Çö 206
InfoGANÀÇ »ý¼ºÀÚ Ãâ·Â 218
2. StackedGAN 221
Keras·Î StackedGAN ±¸Çö 222
StackedGANÀÇ »ý¼ºÀÚ Ãâ·Â 240
3. ¿äÁ¡ Á¤¸® 244
4. Âü°íÀÚ·á 244
7Àå ±³Â÷-µµ¸ÞÀÎ GAN
1. CycleGANÀÇ ±âº» °³³ä 248
CycleGAN ¸ðµ¨ 251
Keras¸¦ ÀÌ¿ëÇÑ CycleGAN ±¸Çö 258
CycleGANÀÇ »ý¼ºÀÚ Ãâ·Â 276
MNISTÀÇ CycleGAN ¹× SVHN µ¥ÀÌÅͼ 279
2. ¿äÁ¡ Á¤¸® 286
3. Âü°íÀÚ·á 287
8Àå º¯ºÐ ¿ÀÅäÀÎÄÚ´õ(VAEs)
1. VAEÀÇ ±âº» °³³ä 292
º¯ºÐ Ãß·Ð 294
ÇÙ½É ¹æÁ¤½Ä 294
ÃÖÀûÈ 296
Àç¸Å°³º¯¼öÈ ±â¹ý 297
µðÄÚ´õ Å×½ºÆ® 298
KerasÀÇ VAE 298
CNNÀ» ÀÌ¿ëÇÑ AE 308
2. Á¶°ÇºÎ VAE (CVAE) 315
3. ? -VAE -Ç®¾îÁø ÀáÀç Ç¥ÇöÀ» °®´Â VAE 323
4. ¿äÁ¡ Á¤¸® 327
5. Âü°íÀÚ·á 327
9Àå ½ÉÃþ °È ÇнÀ
1. °È ÇнÀ(RL)ÀÇ ±âº» °³³ä 332
2. Q °ª 335
3. Q-learning ¿¹Á¦ 337
ÆÄÀ̽㿡 ÀÇÇÑ Q-Learning 343
4. ºñ°áÁ¤·ÐÀû ȯ°æ 351
5. ½Ã°£Â÷ ÇнÀ(Temporal-difference learning) 352
OpenAI Gym¿¡¼ Q-learning 352
6. ½ÉÃþ Q-Network(DQN) 359
Keras¿¡¼ DQN 363
Double Q-learning (DDQN) 371
7. ¿äÁ¡ Á¤¸® 375
8. Âü°íÀÚ·á 376
10Àå Á¤Ã¥ °æ»ç ¹æ¹ý
1. Á¤Ã¥ °æ»ç Á¤¸® 380
2. ¸óÅ× Ä«¸¦·Î(Monte Carlo) Á¤Ã¥ °æ»ç(REINFORCE) ¹æ¹ý 383
3. ±âÁØÄ¡¸¦ °®´Â REINFORCE ¹æ¹ý 387
4. Actor-Critic ¹æ¹ý 393
5. Advantage Actor-Critic(A2C) ¹æ¹ý 397
6. Keras¸¦ ÀÌ¿ëÇÑ Á¤Ã¥ °æ»ç ¹æ¹ý 401
7. Á¤Ã¥ ±â¿ï±â ¹æ¹ýµéÀÇ ¼º´É Æò°¡ 420
8. ¿äÁ¡ Á¤¸® 427
9. Âü°íÀÚ·á 427
11Àå °´Ã¼ °¨Áö
1. °´Ã¼ °¨Áö 432
2. ¾ÞÄ¿ ¹Ú½º 435
3. Á¤´ä ¾ÞÄ¿ ¹Ú½º 442
4. ¼Õ½Ç ÇÔ¼ö 450
5. SSD ¸ðµ¨ ¾ÆÅ°ÅØó 454
6. Keras¿¡¼ SSD ¸ðµ¨ ¾ÆÅ°ÅØó 458
7. Keras¿¡¼ SSD °´Ã¼ 459
8. Keras¿¡¼ SSD ¸ðµ¨ 464
9. Keras¿¡¼ µ¥ÀÌÅÍ »ý¼º±â ¸ðµ¨ 468
10. ¿¹Á¦ µ¥ÀÌÅͼ 472
11. SSD ¸ðµ¨ ÈÆ·Ã 473
12. ºñ-ÃÖ´ë°ª ¾ïÁ¦(NMS) ¾Ë°í¸®Áò 475
13. SSD ¸ðµ¨ °ËÁõ 479
14. ¿äÁ¡ Á¤¸® 487
15. Âü°íÀÚ·á 487
12Àå ½Ã¸àƽ ºÐÇÒ
1. ºÐÇÒ 492
2. ½Ã¸àƽ ºÐÇÒ ³×Æ®¿öÅ© 495
3. KerasÀÇ ½Ã¸àƽ ºÐÇÒ ³×Æ®¿öÅ© 498
4. ¿¹Á¦ µ¥ÀÌÅͼ 505
5. ½Ã¸àƽ ºÐÇÒ °ËÁõ 507
6. ¿äÁ¡ Á¤¸® 511
7. Âü°íÀÚ·á 512
13Àå »óÈ£ Á¤º¸¸¦ ÀÌ¿ëÇÑ ºñÁöµµ ÇнÀ
1. »óÈ£ Á¤º¸ 516
2. »óÈ£ Á¤º¸¿Í ¿£Æ®·ÎÇÇ 518
3. ÀÌ»ê È®·ü º¯¼öÀÇ »óÈ£ Á¤º¸ ±Ø´ëÈ¿¡ ÀÇÇÑ ºñÁöµµ ÇнÀ 521
4. ºñÁöµµ Ŭ·¯½ºÅ͸µÀ» À§ÇÑ ÀÎÄÚ´õ ³×Æ®¿öÅ© 525
5. Keras¿¡¼ ºñÁöµµ Ŭ·¯½ºÅ͸µ ±¸Çö 529
6. MNIST¸¦ ÀÌ¿ëÇÑ °ËÁõ 542
7. ¿¬¼Ó È®·ü º¯¼öÀÇ »óÈ£ Á¤º¸ ÃÖ´ëÈ¿¡ ÀÇÇÑ ºñÁöµµ ÇнÀ 543
8. À̺¯·® °¡¿ì½Ã¾ÈÀÇ »óÈ£ Á¤º¸ ÃßÁ¤ 545
9. Keras¿¡¼ ¿¬¼Ó È®·ü º¯¼ö¸¦ ÀÌ¿ëÇÑ ºñÁöµµ Ŭ·Î½ºÅ͸µ 552
10. ¿äÁ¡ Á¤¸® 561
11. Âü°íÀÚ·á 562
°ü·ÃÀ̹ÌÁö
ÀúÀÚ¼Ò°³
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.