추가 적립 안내

〈한 권으로 끝내는 파이썬 인공지능 입문+실전(종합편)〉 책을 통해 파이썬, 넘파이, 텐서플로우를 이용하여 인공지능 일고리즘을 구현해 보면서 인공지능의 원리를 이해할 수 있도록 다음과 구성했습니다.

ㆍ 1단계 : 인공지능 딥러닝 이해
ㆍ 2단계 : 파이썬으로 딥러닝 알고리즘 구현
ㆍ 3단계 : 넘파이로 행렬기반 딥러닝 알고리즘 구현
ㆍ 4단계 : 직접 구현으로 텐서플로우 내부 동작 이해
ㆍ 5단계 : CNN 알고리즘 이해와 직접 구현
ㆍ 6단계 : 넘파이 기반 CNN 구현과 활용

※ 이 책의 예제 소스파일 다운로드 방법은 5페이지를 참조하고, 책을 보면서 궁금한 사항의 질의응답 방법은 4페이지를 참조합니다.

〈한 권으로 끝내는 파이썬 인공지능 입문+실전(종합편)〉 책은 파이썬, 넘파이, 텐서플로우를 이용하여 인공지능 일고리즘을 구현해 보면서 인공지능의 원리를 이해할 수 있도록 다음과 같이 구성되어 있습니다.

1장에서는 인공지능의 딥러닝을 이해해 봅니다.
첫 번째, 딥러닝의 핵심인 인공 신경망이 무엇인지 알아보고, 딥러닝에 대해 어떤 학습 방법이 있는지 살펴보고, 생물학적 신경과 비교해 보며 딥러닝의 인공 신경망을 이해해 봅니다. 두 번째 딥러닝에 대한 기본 예제를 구글의 코랩과 Keras 라이브러리를 이용해 수행해 보면서 딥러닝을 접해봅니다. 세 번째 중고등학교 때 배웠던 기본적인 함수를 딥러닝의 인공 신경망으로 구현해 보면서 딥러닝의 인공 신경망과 함수의 관계를 이해해 봅니다``. 마지막으로 손글씨 데이터, 패션 데이터를 이용하여 실제 활용되는 딥러닝을 살펴봅니다.

2장에서는 파이썬을 이용하여 기초적인 딥러닝 알고리즘을 살펴보고 구현해 봅니다.
첫 번째, 딥러닝의 단일 인공 신경 알고리즘을 살펴보고 구현해 봅니다. 이 과정에서 순전파, 목표 값, 평균값 오차, 역전파 오차, 오차 역전파, 학습률, 경사 하강법, 인공 신경망 학습 등에 대한 용어를 정리하고 구현에 적용해 봅니다. 두 번째, 2입력 1출력 인공 신경, 2입력 2출력 인공 신경망, 3입력 3출력 인공 신경망, 2입력 2은닉 2출력 인공 신경망에 딥러닝 알고리즘을 적용해 봅니다. 세 번째, 딥러닝에서 주로 사용되는 활성화 함수인 sigmoid, tanh, ReLU, softmax를 살펴보고 적용해 봅니다. 또 softmax와 관련된 cross entropy 오차 함수에 대해서도 정리해 봅니다.

3장에서는 NumPy 라이브러리를 이용하여 행렬 기반으로 딥러닝 알고리즘을 구현해 봅니다.
행렬을 이용하면 딥러닝 알고리즘을 일반화하여 자유자재로 인공 신경망을 확장할 수 있습니다. 첫 번째, NumPy를 이용하여 2입력 2출력 인공 신경망, 3입력 3출력 인공 신경망, 2입력 1출력 인공 신경, 1입력 1출력 인공 신경, 2입력 2은닉 2출력 인공 신경망을 구현해 봅니다. 이 과정에서 딥러닝 학습에 필요한 행렬 계산식을 유도하고 일반화합니다. 두 번째, 직접 구현한 NumPy DNN 라이브러리를 이용하여 손글씨 MNIST, FASHION MNIST 파일을 읽어서 학습해 봅니다. 이 과정에서 Tensorflow로 수행했던 예제의 결과와 비교해 봅니다.

4장에서는 딥러닝 인공 신경망을 NumPy 예제와 Tensorflow 예제로 구현해 보면서 Tensorflow의 내부 동작을 이해해 봅니다.
이 과정에서 Tensorflow의 내부 동작을 정확히 이해하고 활용 능력을 극대화합니다. 또 최적화 함수인 경사 하강법에 대해 구체적으로 살펴봅니다. SGD, Momentum, AdaGrad, RMSProp, Adam의 최적화 함수 알고리즘을 살펴보고 구현을 통해 그 동작을 구체적으로 이해해 봅니다.

5장에서는 CNN 알고리즘을 이해해보고 직접 구현해 봅니다.
CNN은 영상 인식과 관련된 인공 신경망으로 특히 활용이 많이 되는 인공 신경망입니다. 첫 번째, CNN의 순전파 과정을 살펴보고 구현해 봅니다. 이 과정에서 convolution, filter, stride, padding, pooling 등에 대한 용어를 정리하고 구현에 적용해 봅니다. 두 번째, 손글씨 데이터, 패션 데이터를 이용하여 실제 활용되는 CNN 기반 딥러닝을 살펴봅니다. 세 번째, CNN의 역전파 과정을 살펴보고 구현해 봅니다.

6장에서는 NumPy 기반으로 CNN 라이브러리를 구현하고 활용해 봅니다.
첫 번째, NumPy 기반으로 실제 활용할 수 있는 CNN 프레임워크를 구현해 봅니다. 그 과정에서 CNN의 세부적인 동작을 이해하고 Tensorflow와 같은 프레임워크의 활용 능력을 키웁니다. 두 번째, 직접 구현한 NumPy CNN 라이브러리를 이용하여 손글씨 MNIST, FASHION MNIST 파일을 읽어서 학습해 봅니다. 이 과정에서 Tensorflow로 수행했던 예제의 결과와 비교해 봅니다.

부록에서는 편미분과 연쇄법칙을 통한 역전파 수식 유도 과정을 자세히 소개합니다.

Chapter 01. 인공지능 딥러닝의 이해
01 _ 인공 신경망의 이해
인공 신경망이란?
- 인공 신경망으로 할 수 있는 일들
- 인공 신경망의 구조
인공 신경망의 학습 방법
- 지도 학습
- 비지도 학습
- 강화 학습
인공 신경 살펴보기
- 인공 신경과 생물학적 신경
- 인공 신경 내부 살펴보기
- 인공 신경 함수 수식

02 _ 딥러닝 맛보기
Hello 딥러닝
머신러닝은 무엇일까요?
구글 코랩 개발 환경 구성하기
기본 방식의 함수 정의와 사용
- 함수 정의하고 사용해 보기
머신러닝 방식의 신경망 함수 생성과 사용
축하합니다!

03 _ 인공 신경망과 근사 함수
2차 함수 근사해 보기
- 2차 함수 그리기
- 실제 데이터 생성하기
- 훈련, 실험 데이터 분리하기
- 인공 신경망 구성하기
- 인공 신경망 학습시키기
5차 함수 근사해 보기
다양한 함수 근사해 보기
- 분수 함수 근사해 보기
- sin 함수 근사해 보기
- tanh 함수 근사해 보기
- e지수함수 근사해 보기
- sigmoid 함수 근사해 보기
- 로그 함수 근사해 보기
- 제곱근 함수 근사해 보기
- relu 함수 근사해 보기
- leaky relu 함수 근사해 보기
인공 신경망 소스 살펴보기

04 _ 딥러닝 활용 맛보기
딥러닝 활용 예제 살펴보기
손 글씨 숫자 인식 예제 살펴보기
- 데이터 모양 살펴보기
- 학습 데이터 그림 그려보기 1
- 그림 픽셀 값 출력해 보기
- 학습 데이터 그림 그려보기 2
- 인공 신경망 학습시키기
- 학습된 인공 신경망 시험하기
- 예측 값과 실제 값 출력해 보기
- 시험 데이터 그림 그려보기
- 시험 데이터 그림 그려보기 2
- 잘못된 예측 출력 해보기
- 잘못 예측한 그림 살펴 보기
패션 MNIST 데이터 셋 인식시켜보기

Chapter 02. 인공지능의 딥러닝 알고리즘
01 _ PyClarm 개발 환경 구성하기
파이참 설치하기
파이썬 실습 환경 설정하기
- 파이참 실행하기
- 파이썬 프로젝트 생성하기
- 파이썬 파일 생성하기
- 파이썬 프로그램 작성하기
- 파이썬 프로그램 실행하기
- 파이썬 프로그램 종료하기
딥러닝 실습 환경 설정하기
- 텐서플로우(tensorflow) 라이브러리 설치하기
- matpiotlib 라이브러리 설치하기
- opencv 라이브러리 설치하기

02 _ 딥러닝 동작 원리 이해하기
기본 인공 신경 동작 살펴보기
- 순전파
- 목표 값과 역전파 오차
- 오차 역전파
- 순전파 정리하기
- 역전파 정리하기
- 최적화하기
- 학습률
- 경사 하강법과 인공 신경망 학습
기본 인경 신경 동작 구현해 보기
- 반복 학습 2회 수행하기
- 반복 학습 20회 수행하기
- 반복 학습 200회 수행하기
- 오차 값 계산하기
- 학습률 변경하기
y=3×x+1 학습시켜 보기
- 전체 입력 데이터 학습 수행하기
- 가중치, 편향 학습과정 살펴보기
- 반복 학습 2회 수행하기
- 반복 학습 20회 수행하기
- 반복 학습 200회 수행하기
- 반복 학습 2000회 수행하기
- 가중치, 편향 바꿔보기 1
- 가중치, 편향 바꿔보기 2

03 _ 다양한 인공 신경망 구현해 보기
2입력 1출력 인공 신경 구현하기
2입력 2출력 인공 신경망 구현하기
3입력 3출력 인공 신경망 구현하기
2입력 2은닉 2출력 인공 신경망 구현하기

04 _ 활성화 함수 추가하기
활성화 함수 살펴보기
- sigmoid 함수
- tanh 함수
- ReLU 함수
활성화 함수의 필요성
- 활성화 함수는 무엇인가요?
- 활성화 함수는 왜 필요한가요?
- 어떤 활성화 함수가 있나요?
활성화 함수의 순전파와 역전파
- sigmoid 함수 적용해 보기
- tanh 함수 적용해 보기
- ReLU 함수 적용해 보기
출력 층에 softmax 함수 적용해 보기
- softmax와 cross entropy
- 출력 층에 softmax 함수 적용해 보기
- tanh와 softmax
- ReLU와 softmax

Chapter 03. 넘파이(NumPy) DNN 구현과 활용
01 _ 넘파이(NumPy) DNN 구현하기
2입력 2출력 인공 신경망 구현하기
- 행렬 계산식 유도하기
- 순전파
- 입력 역전파
- 가중치 역전파
- 인공 신경망 행렬 계산식 정리하기
- NumPy로 인공 신경망 구현하기
3입력 3출력 인공 신경망 구현하기
- 행렬 계산식 유도하기
- 인공 신경망 행렬 계산식 정리하기
- NumPy로 인경 신경망 구현하기
2입력 1출력 인공 신경 구현하기
- 행렬 계산식 유도하기
- 인공 신경망 행렬 계산식 정리하기
- NumPy로 인공 신경망 구현하기
1입력 1출력 인공 신경 구현하기
- 행렬 계산식 유도하기
- 인공 신경망 행렬 계산식 정리하기
- NumPy로 인공 신경망 구현하기
행렬 계산식과 1입력 1출력 수식 비교하기
2입력 2은닉 2출력 인공 신경망 구현하기
- 행렬 계산식 유도하기
- 인공 신경망 행렬 계산식 정리하기
- NumPy로 인공 신경망 구현하기
활성화 함수 적용하기
- sigmoid 함수 적용해 보기
- tanh 함수 적용해 보기
- ReLU 함수 적용해 보기
출력 층에 softmax 함수 적용해 보기
- sigmoid와 softmax
- tanh와 softmax
- ReLU와 softmax
인공 신경망 행렬 계산식
가중치 초기화하기
- ReLU-sigmoid-mse 신경망
- ReLU-softmax-cee 신경망
- ReLU와 He 초기화
- sigmoid, softmax와 Lecun 초기화
- He와 Lecun 그려보기
- He와 Lecun 가중치 초기화하기

02 _ NumPy DNN 활용하기
7세그먼트 입력 2 진수 출력 인공 신경망 1
- NumPy 행렬 모양 살펴보기
7세그먼트 입력 2 진수 출력 인공 신경망 2
입력 데이터 임의로 섞기
데이터 늘려보기
MNIST 파일 읽어서 학습해 보기
- softmax, cross entropy error 함수 사용하기
- FASHION MNIST 데이터 테스트

Chapter 04. 텐서플로우(Tensorflow) 내부 동작 이해하기
01 _ NumPy로 Tensorflow 내부 동작 이해하기
2입력 2출력 인공 신경망 구현하기
- NumPy로 구현하기
- Tensorflow로 구현하기
- 반복 학습 20회 수행하기
- 반복 학습 200회 수행하기
3입력 3출력 인공 신경망 구현하기
- NumPy로 구현하기
- Tensorflow로 구현하기
2입력 1출력 인공 신경 구현하기
- NumPy로 구현하기
- Tensorflow로 구현하기
1입력 1출력 인공 신경 구현하기
- NumPy로 구현하기
- Tensorflow로 구현하기
2입력 2은닉 2출력 인공 신경망 구현하기
- NumPy로 구현하기
- Tensorflow로 구현하기
- 반복 학습 20회 수행하기
- 반복 학습 200회 수행하기
활성화 함수 적용 하기
- sigmoid 함수 적용해 보기
- tanh 함수 적용해 보기
- ReLU 함수 적용해 보기
출력 층에 softmax 함수 적용해 보기
- sigmoid와 softmax
- tanh와 softmax
- ReLU와 softmax
GradientTape 사용해 보기
- 역전파 오차 살펴보기

02 _ 경사 하강 법 이해하기
오차 함수 그래프 그려보기
왼쪽 이동 경사 하강 법
오른쪽 이동 경사 하강 법
오차 함수 기울기 구하기
- 최적화 함수 왼쪽 이동하기
- 최적화 함수 반복 적용해 보기
- 최적화 함수 오른쪽 이동하기

03 _ 확장 경사 하강 법
Momentum
AdaGrad
RMSProp
Adam

Chapter 05. CNN 알고리즘의 이해와 구현
01 _ CNN의 순전파 이해와 구현
CNN 신경망 살펴보기
3×3 입력 : filter size
4×4 입력 : stride
6×6 입력 : padding
4×4 합성 곱 : padding
6×6 입력 필터 늘리기
필터 역할 살펴보기
- 부드러운 이미지 추출하기
- 선명한 이미지 추출하기
- 경계선 추출하기
- 이미지 단순화
3×3×2 입력
6×6×2 입력
6×6×2 입력 필터 늘리기
6×6×3 입력
필터의 깊이와 개수

02 _ CNN 활용 맛보기
Conv2D-Conv2D-MaxPooling2D
Conv2D-MaxPooling2D
필터 개수 줄여보기

03 _ CNN의 역전파 이해와 구현
순전파 역전파 복습하기
합성 곱의 순전파 정리하기
합성 곱의 역전파 정리하기
- 입력 역전파
- 가중치 역전파
- 편향 역전파
3×3 순전파 역전파
- 합성 곱 순전파
- 가중치 역전파
- 편향 역전파
- 입력 역전파
4×4 순전파 역전파
- 합성 곱 순전파
- 가중치 역전파
- 편향 역전파
- 입력 역전파
6×6 순전파 역전파
- 합성 곱 순전파
- 가중치 역전파
- 편향 역전파
- 입력 역전파
4×4 max pooling 순전파 역전파
필터가 2개인 경우의 순전파 역전파
- 합성 곱 순전파
- 가중치 역전파
- 편향 역전파
- 입력 역전파
입력의 깊이가 2인 경우의 순전파 역전파
- 합성 곱 순전파
- 가중치 역전파
- 편향 역전파
- 입력 역전파

Chapter 06. 넘파이(NumPy) CNN 구현과 활용
01 _ NumPy CNN 구현하기
데이터 준비하기
- Tensorflow로 구현하기
- NumPy로 구현하기
zero padding 구현하기
- NumPy로 구현하기
합성 곱 층 추가하기
- Tensorflow로 구현하기
- NumPy로 구현하기
Max Pooling 층 추가하기
- Tensorflow로 구현하기
- NumPy로 구현하기
Flatten 층 추가하기
- Tensorflow로 구현하기
- NumPy로 구현하기
출력 층 추가하기
- Tensorflow로 구현하기
- NumPy로 구현하기
오차 계산하기
- Tensorflow로 구현하기
- NumPy로 구현하기
출력 층의 가중치와 편향 역전파 오차 구하기
- Tensorflow로 구현하기
- NumPy로 구현하기
Flatten 역전파 오차 구하기
- NumPy로 구현하기
Max Pooling 층 역전파 오차 구하기
- NumPy로 구현하기
합성 곱 층 역전파 오차 구하기
- NumPy로 구현하기
합성 곱 층의 가중치와 편향 역전파 오차 구하기
- NumPy로 구현하기
가중치와 편향 갱신하기
- Tensorflow로 구현하기
- NumPy로 구현하기

02 _ NumPy CNN 활용하기
3D 순전파 역전파 함수 구현하기
3D 순전파 역전파 함수 사용해 보기
2D 순전파 역전파 함수 구현하기
- 3D 입력 2D로 바꾸기
- 3D 가중치를 2D로 바꾸기
- I2D와 W2D의 행렬 곱 수행하기
- 2D 순전파 역전파 함수 구현하기
2D 순전파 역전파 함수 사용해 보기
NumPy CNN 확장하기
- Tensorflow로 구현하기
- NumPy로 구현하기
Fashion MNIST 파일 읽어보기
Fashion MNIST 학습시키기

부록. 편미분과 연쇄법칙을 통한 역전파 수식 유도
01 _ 기본 인공 신경
02 _ 편미분 정리하기
03 _ 2입력 1출력 인공 신경
04 _ 2입력 2출력 인공 신경
05 _ 2입력 2은닉 2출력 인공 신경