°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (32,490¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (23,940¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄÅ©Ä«µå 20% (27,360¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

¼Ò¹®³­ ¸í°­ÀÇ ±è±âÇöÀÇ µö·¯´× ºÎƮķÇÁ with ÆÄÀÌÅäÄ¡ : ±âÃʺÎÅÍ ¼ö½Ä, ½Ç½À±îÁö ´ãÀº ¿ÃÀοø µö·¯´× ÀÔ¹® ±³°ú¼­

¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

ÆǸÅÁö¼ö 89
?
ÆǸÅÁö¼ö¶õ?
»çÀÌÆ®ÀÇ ÆǸŷ®¿¡ ±â¹ÝÇÏ¿© ÆǸŷ® ÃßÀ̸¦ ¹Ý¿µÇÑ ÀÎÅÍÆÄÅ© µµ¼­¿¡¼­ÀÇ µ¶¸³ÀûÀÎ ÆǸŠÁö¼öÀÔ´Ï´Ù. ÇöÀç °¡Àå Àß Æȸ®´Â »óÇ°¿¡ °¡ÁßÄ¡¸¦ µÎ¾ú±â ¶§¹®¿¡ ½ÇÁ¦ ´©Àû ÆǸŷ®°ú´Â ´Ù¼Ò Â÷ÀÌ°¡ ÀÖÀ» ¼ö ÀÖ½À´Ï´Ù. ÆǸŷ® ¿Ü¿¡µµ ´Ù¾çÇÑ °¡ÁßÄ¡·Î ±¸¼ºµÇ¾î ÃÖ±ÙÀÇ À̽´µµ¼­ È®Àνà À¯¿ëÇÒ ¼ö ÀÖ½À´Ï´Ù. ÇØ´ç Áö¼ö´Â ¸ÅÀÏ °»½ÅµË´Ï´Ù.
Close
°øÀ¯Çϱâ
Á¤°¡

38,000¿ø

  • 34,200¿ø (10%ÇÒÀÎ)

    1,900P (5%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • S-Point Àû¸³Àº ¸¶ÀÌÆäÀÌÁö¿¡¼­ Á÷Á¢ ±¸¸ÅÈ®Á¤ÇϽŠ°æ¿ì¸¸ Àû¸³ µË´Ï´Ù.
Ãß°¡ÇýÅÃ
¹è¼ÛÁ¤º¸
  • 3/29(±Ý) À̳» ¹ß¼Û ¿¹Á¤  (¼­¿ï½Ã °­³²±¸ »ï¼º·Î 512)
  • ¹«·á¹è¼Û
ÁÖ¹®¼ö·®
°¨¼Ò Áõ°¡

Ã¥¼Ò°³

µö·¯´× ±âÃÊ °³³ä + ¼ö½Ä Á¤¸® + ÄÚµù ½Ç½À + ½Ç¹« ȯ°æ ÇÁ·ÎÁ§Æ® ¿¬½À

ÀÌ Ã¥Àº µö·¯´×ÀÇ ±âÃÊ ³»¿ë°ú ÀÀ¿ë Áö½ÄÀ» ü°èÀûÀ¸·Î Àü´ÞÇϱâ À§ÇØ À̷аú ¼ö½Ä, ½Ç½ÀÀ» ºÐ¸®ÇÏ¿© ¼³¸íÇÑ´Ù. µö·¯´× ±âÃÊ °³³äºÎÅÍ »óÀ§ °³³ä±îÁö Á¡ÁøÀûÀ¸·Î ¹è¿ï ¼ö ÀÖµµ·Ï Ä¿¸®Å§·³À» ±¸¼ºÇß°í, ÀÌ ³»¿ëÀ» ¼ö½ÄÀ¸·Î ´Ù½Ã Çѹø Á¤¸®ÇÏ¿© µö·¯´×ÀÇ ±¸Á¶¿Í ¿ø¸®¿¡ ´ëÇØ ÀÍÈù´Ù. ¶ÇÇÑ ½ÇÁ¦ ¸Ó½Å·¯´× ÇÁ·ÎÁ§Æ®¸¦ ÁøÇàÇϵí ÆÄÀÏÀ» ±¸¼ºÇÏ°í CLI ȯ°æ¿¡¼­ ½Ç½ÀÀ» ÁøÇàÇϸ鼭 ½ÇÀü °¨°¢À» Å°¿î´Ù.

ÃâÆÇ»ç ¼­Æò

¾î¶»°Ô µö·¯´× ÇнÀÀ» ½ÃÀÛÇØ¾ß ÇÒÁö ¸ð¸£´Â µö¸°À̸¦ À§ÇÑ ÀÔ¹® ±³°ú¼­
ÀÌ Ã¥Àº °³³ä, ¼ö½Ä, ½Ç½ÀÀ¸·Î À̾îÁö´Â ÃÖÀûÀÇ µö·¯´× ÇнÀ Ä¿¸®Å§·³À» ÅëÇØ µö·¯´×¿¡ ´ëÇÑ ±âº»±â¸¦ źźÇÏ°Ô Å°¿öÁÝ´Ï´Ù.

¡Ú ÀÌ Ã¥¿¡¼­ ¹è¿ì´Â ³»¿ë
¡æ °³¹ß ȯ°æ
¡æ µö·¯´×ÀÇ °³³ä
¡æ ÆÄÀÌÅäÄ¡ Æ©Å丮¾ó
¡æ ¼±Çü °èÃþ
¡æ ¼Õ½Ç ÇÔ¼ö
¡æ °æ»çÇÏ°­¹ý
¡æ ¼±Çü ȸ±Í
¡æ ·ÎÁö½ºÆ½ ȸ±Í
¡æ ½ÉÃþ½Å°æ¸Á
¡æ È®·üÀû °æ»çÇÏ°­¹ý
¡æ ÃÖÀûÈ­
¡æ ¿À¹öÇÇÆà ¹æÁö
¡æ ½ÉÃþ½Å°æ¸ÁÀ¸·Î ºÐ·ù ¹®Á¦ ÇØ°á
¡æ Á¤±ÔÈ­
¡æ Ç¥Çö ÇнÀ
¡æ È®·ü·ÐÀû °üÁ¡
¡æ CNN(ÇÕ¼º°ö½Å°æ¸Á)
¡æ RNN(¼øȯ½Å°æ¸Á)

¡Ú ÀÌ Ã¥ÀÇ ±¸¼º
µö·¯´× °³³ä ¹× ÀÌ·Ð ¼³¸í
µö·¯´×ÀÇ ±âÃÊ °³³äÀ» ÃÖ´ëÇÑ ½±°Ô ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï ¼öÇÐÀû Ç¥ÇöÀ» ÃÖ¼ÒÈ­ÇÏ°í ±×¸² ¶Ç´Â ½Ã°¢È­¸¦ È°¿ëÇÏ¿© ¼³¸íÇÕ´Ï´Ù. ±âÃʺÎÅÍ ½ÉÈ­ ´Ü°è±îÁö Â÷±ÙÂ÷±Ù Á¢±ÙÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇßÀ¸¸ç µö·¯´×ÀÇ ¿©·¯ ÁøÇà ¹æ½Ä¿¡ ´ëÇØ ¿ø¸®¿Í ±¸Á¶¸¦ Á¶±Ý ´õ ½±°Ô üµæÇÒ ¼ö ÀÖ½À´Ï´Ù.

¼ö½Ä Á¤¸®
µö·¯´×À» Á¦´ë·Î °øºÎÇϱâ À§Çؼ­ ¼öÇÐÀû ¹è°æÁö½ÄÀº ¹Ýµå½Ã ÇÊ¿äÇÕ´Ï´Ù. µö·¯´×ÀÇ ±âÃÊ °³³ä ¹× ÀÌ·ÐÀ» ¼ö½ÄÀ» ÅëÇØ ´Ù½Ã Çѹø Á¤¸®ÇÕ´Ï´Ù.

½Ç½À ÄÚµå
¾Õ¿¡¼­ ¹è¿î À̷аú ¼ö½ÄÀ» ÆÄÀÌÅäÄ¡·Î ¾î¶»°Ô ±¸ÇöÇÏ´ÂÁö¿¡ ´ëÇØ ÀÍÈú ¼ö ÀÖ½À´Ï´Ù. ÀÌ Ã¥ÀÇ ½Ç½ÀÀº GPU ¾øÀÌ ½ÇÇàÀÌ °¡´ÉÇÕ´Ï´Ù. GPU°¡ ÀÖ´Ù¸é ÈξÀ ´õ ºü¸£°Ô ½ÇÇàÇÒ ¼ö ÀÖÁö¸¸, GPU ¾øÀ̵µ ÃÖ´ë ¸î½Ê ºÐ À̳»·Î ½ÇÇàÀÌ ¿Ï·áµÇµµ·Ï ±¸¼ºµÇ¾î ÀÖ½À´Ï´Ù.

½Ç¹« ȯ°æ¿¡¼­ÀÇ ½ÇÀü °°Àº ÇÁ·ÎÁ§Æ® ¿¬½À
´Ü¼øÈ÷ ÁÖÇÇÅÍ ³ëÆ®ºÏÀ¸·Î ÇÏ´Â ½Ç½ÀÀÌ ¾Æ´Ñ ½ÇÁ¦ ¸Ó½Å·¯´× ÇÁ·ÎÁ§Æ®¸¦ ÁøÇàÇϵíÀÌ ÆÄÀÏÀ» ±¸¼ºÇÏ°í CLI ȯ°æ¿¡¼­ÀÇ ½Ç½ÀÀ» ÁøÇàÇÕ´Ï´Ù. ´Ü¼øÈ÷ MNIST ºÐ·ù±â¸¦ ¸¸µé°í ³¡³»´Â °ÍÀÌ ¾Æ´Ï¶ó ½ÇÀüó·³ MNIST ºÐ·ù±â ¼º´ÉÀ» ²ø¾î ¿Ã¸®´Â ¹æ¹ý°ú À̸¦ À§ÇÑ ½ÇÇè ȯ°æ ±¸Ãà ¹æ¹ý¿¡ ´ëÇØ ¾Ë¾Æº¾´Ï´Ù.

¡Ú ´ë»ó µ¶ÀÚ
ÀÌ Ã¥Àº µö·¯´×À» óÀ½ Á¢ÇÏ´Â µ¶ÀÚ ¶Ç´Â µö·¯´×À» ¾î´À Á¤µµ ¾Ë°í ÀÖÁö¸¸ ±âÃÊ°¡ ºÎÁ·ÇÑ µ¶ÀÚ¸¦ ´ë»óÀ¸·Î ÇÕ´Ï´Ù.

¡Ú ¿¹Á¦ ¼Ò½º
https://github.com/kh-kim/deep_learning_book_exercise

̵̧ȍ

±èÇüÁØ(NAVER Clova ¸Ó½Å·¯´× ¿£Áö´Ï¾î)
ÀÌ Ã¥Àº ÀúÀÚÀÇ Àü¹® Áö½Ä°ú ½Ç¹« ³ëÇϿ츦 ¹ÙÅÁÀ¸·Î ¿¬±¸/°³¹ß »óȲÀ» °¡Á¤ÇÑ ½ÇÀü ¿¹Á¦¸¦ ÅëÇØ ±âÃʸ¦ źźÈ÷ ÇÏ°í ÀÀ¿ëÇÒ ¼ö ÀÖµµ·Ï µµ¿òÀ» ÁÝ´Ï´Ù. Â÷±ÙÂ÷±Ù ±âº»±â¸¦ ´ÙÁú ¼ö ÀÖµµ·Ï ¼ö½Ä Ç¥ÇöÀ» ¼³¸íÇÏ´Â °úÁ¤¿¡µµ ÀúÀÚÀÇ ¼¼½ÉÇÑ ¹è·Á°¡ µ¸º¸ÀÔ´Ï´Ù. ¶ÇÇÑ ÀÔ¹®ÀÚ¸¦ À§ÇØ À̷аú ¼ö½ÄÀ» ºÐ¸®ÇÏ¿© ¼³¸íÇÏ°í ÀÖ½À´Ï´Ù. ÀΰøÁö´É °ü·Ã ½Ç¹«ÀÚºÎÅÍ ÀÌÁ¦ ¸· µö·¯´×¿¡ °ü½ÉÀÌ »ý±ä ÀÔ¹®ÀÚ±îÁö ÀÚ½ÅÀÇ ½Ç·ÂÀ» Çâ»ó ½Ãų ¼ö ÀÖ´Â ÁÁÀº Ã¥ÀÔ´Ï´Ù.

À̱ââ(NAVER Language RepresentatioÆÀ ¸®´õ)
¡º±è±âÇöÀÇ µö·¯´× ºÎƮķÇÁ¡»´Â ±âº»À» ´ÙÁö´Â µ¥ ÇÊ¿äÇÑ ¹ÙÀÌºí °°Àº Ã¥À̶ó°í »ý°¢ÇÕ´Ï´Ù. ÀÌ Ã¥Àº ±º´õ´õ±â °°Àº ³»¿ëÀº °ú°¨È÷ »©°í ²À »ìÆìºÁ¾ß ÇÏ´Â ¼öÇÐ/Åë°è ÀÌ·ÐÀ» ²Ä²ÄÇÏ°Ô ´Ù·ç°í ÀÖ½À´Ï´Ù. ÀúÀÚÀÇ ÆÁÀÌ °¡µæÇÑ ÆÄÀÌÅäÄ¡ ½Ç½ÀÀ» ÅëÇØ ¿©·¯ºÐµµ °¢ÀÚÀÇ µ¥ÀÌÅͳª ÇØ°áÇØ¾ß ÇÏ´Â ¹®Á¦ µî¿¡ ¹Ù·Î ÀÀ¿ëÇÒ ¼ö ÀÖ´Â ÀλçÀÌÆ®¸¦ ¾òÀ» ¼ö ÀÖÀ» °ÍÀÔ´Ï´Ù.

ÁÖÀç°É(KAIST ±èÀçöAI´ëÇпø ±³¼ö)
ÀΰøÁö´É ºÐ¾ßÀÇ ÇÙ½ÉÀÎ µö·¯´× ±â¼úÀ» ºñÀü°øÀÚµµ ½±°Ô Á¢±ÙÇÏ°í ÀÌÇØÇÒ ¼ö Àִ åÀÔ´Ï´Ù. ´Ü¼øÇÑ °³³ä ¼³¸íÀ» ³Ñ¾î ÃʽÉÀÚµµ ½±°Ô µû¶ó°¥ ¼ö ÀÖµµ·Ï ü°èÀûÀ¸·Î ±¸¼ºµÇ¾î ÀÖ½À´Ï´Ù. ¶ÇÇÑ ±¸Ã¼ÀûÀÎ ½Ç½À ÀڷḦ Á¦°øÇÏ°í ÀÖÀ¸¸ç ÇÙ½É ¼ö½Ä ¶ÇÇÑ Â÷±ÙÂ÷±Ù ÀÌÇØÇϱ⠽±°Ô ¼³¸íÇÏ°í ÀÖ½À´Ï´Ù. ÀÌ Ã¥Àº ¾î·Æ°Ô¸¸ ´À²¸Áö´ø ÀΰøÁö´É ±â¼ú ÇнÀ¿¡ ÀÖ¾î ÁøÀÔ À庮À» ȹ±âÀûÀ¸·Î ³·Ãç ÁÖ´Â ¿ªÇÒÀ» ÇÒ °ÍÀÔ´Ï´Ù.

ÃÖ¼ºÁØ(°í·Á´ëÇб³ ÀΰøÁö´ÉÇаú Á¶±³¼ö)
µö·¯´×À» ´Ù·é Ã¥ÀÌ ¸¹ÀÌ Áõ°¡Çß½À´Ï´Ù. ÀÌ·¯ÇÑ ¼ö¸¹Àº Ã¥ Áß¿¡¼­ ÀÌ Ã¥ÀÌ °¡Áö°í ÀÖ´Â ¸íÈ®ÇÑ °­Á¡ÀÌ ÀÖ½À´Ï´Ù. ÀÌ Ã¥Àº ÀúÀÚÀÇ ¿À·£ ½Ç¹« °æÇèÀÌ °í½º¶õÈ÷ ´ã°Ü ÀÖ´Â ½Ç½À °úÁ¤À» ´ã°í ÀÖ´Ù´Â °ÍÀÔ´Ï´Ù. ½Ç¹«¿¡ ¹Ù·Î Àû¿ëÇÒ ¼öÁØÀÇ ÄÚµå¿Í ÇÁ·ÎÁ§Æ® ÆÄÀÏ ±¸Á¶¸¦ ´Ù·ç°í ÀÖ¾î ÀÔ¹®ÀÚ´Â ¹°·Ð Çö¾÷¿¡ Á¾»çÇÏ°í ÀÖ´Â µ¶ÀÚ¿¡°Ôµµ À¯¿ëÇÑ Áöħ¼­°¡ µÉ °ÍÀÔ´Ï´Ù.

ÇÏÁ¤¿ì(NAVER AI Lab ¼ÒÀå)
Çö¾÷ Àϼ±¿¡¼­ µö·¯´×°ú °ü·ÃÇÑ ÃÊ°Å´ë ¾ð¾î ¸ðµ¨ ¿¬±¸ °³¹ß ±×¸®°í ¼­ºñ½ºÈ­±îÁö À̲ø°í ÀÖ´Â ÀúÀÚÀÇ ³»°øÀÌ ¹¯¾î ³ª¿À´Â Ã¥ÀÔ´Ï´Ù. µö·¯´×ÀÇ ±âº» °³³ä°ú ÀÌ·ÐÀû ¼³¸í, ÄÚµå ·¹º§ÀÇ ÇÚÁî¿Â ÀÚ·á¿Í ´Ù¾çÇÑ ½Ç½À ¿¹Á¦´Â ¹°·Ð ½ÇÀü °°Àº ÇÁ·ÎÁ§Æ® ¿¬½À°ú ¹èÆ÷ °úÁ¤±îÁö ´ã¾Æ µö·¯´×À» ÇнÀÇÏ°íÀÚ ÇÏ´Â µ¶ÀÚ Æ¯È÷ µö·¯´× ¿ª·® °­È­¸¦ ¿øÇÏ´Â ¼ÒÇÁÆ®¿þ¾î °³¹ßÀÚ¿¡°Ô ¸¹Àº µµ¿òÀÌ µÉ °ÍÀÔ´Ï´Ù.

¸ñÂ÷

1Àå °³¹ß ȯ°æ ±¸ÃàÇϱâ
1.1 ¾Æ³ªÄÜ´Ù ¼³Ä¡Çϱâ
1.2 VS Code ¼³Ä¡ ¹× ȯ°æ ¼³Á¤
1.3 ¸¶Ä¡¸ç

2Àå µö·¯´× ¼Ò°³
2.1 µö·¯´×À̶õ?
2.2 ÁÁÀº ÀΰøÁö´ÉÀ̶õ?
2.3 ¸Ó½Å·¯´× ÇÁ·ÎÁ§Æ® ¿öÅ©Ç÷Î
2.4 ¼öÇÐ ¿ë¾î ¼³¸í
2.5 ¸¶Ä¡¸ç

3Àå ÆÄÀÌÅäÄ¡ Æ©Å丮¾ó
3.1 ¿Ö ÆÄÀÌÅäÄ¡Àΰ¡?
3.2 (½Ç½À) ÆÄÀÌÅäÄ¡ ¼³Ä¡
3.3 ÅÙ¼­¶õ?
3.4 (½Ç½À) ±âº» ¿¬»ê
3.5 (½Ç½À) ÅÙ¼­ ÇüÅ º¯È¯
3.6 (½Ç½À) ÅÙ¼­ ÀÚ¸£±â & ºÙÀ̱â
3.7 (½Ç½À) À¯¿ëÇÑ ÇÔ¼öµé

4Àå ¼±Çü °èÃþ
4.1 Çà·Ä °ö
4.2 (½Ç½À) Çà·Ä °ö
4.3 ¼±Çü °èÃþ
4.4 (½Ç½À) ¼±Çü °èÃþ
4.5 (½Ç½À) GPU »ç¿ëÇϱâ
4.6 ¸¶Ä¡¸ç

5Àå ¼Õ½Ç ÇÔ¼ö
5.1 Æò±Õ Á¦°ö ¿ÀÂ÷
5.2 (½Ç½À) MSE Loss
5.3 ¸¶Ä¡¸ç

6Àå °æ»çÇÏ°­¹ý
6.1 ¹ÌºÐÀ̶õ?
6.2 Æí¹ÌºÐ
6.3 °æ»çÇÏ°­¹ý
6.4 ÇнÀ·ü¿¡ µû¸¥ ¼ºÁú
6.5 (½Ç½À) °æ»çÇÏ°­¹ý ±¸Çö
6.6 (½Ç½À) ÆÄÀÌÅäÄ¡ ¿ÀÅä±×·¡µå ¼Ò°³
6.7 ¸¶Ä¡¸ç

7Àå ¼±Çü ȸ±Í
7.1 ¼±Çü ȸ±Í¶õ?
7.2 ¼±Çü ȸ±ÍÀÇ ¼ö½Ä
7.3 (½Ç½À) ¼±Çü ȸ±Í
7.4 ¸¶Ä¡¸ç

8Àå ·ÎÁö½ºÆ½ ȸ±Í
8.1 È°¼º ÇÔ¼ö
8.2 ·ÎÁö½ºÆ½ ȸ±Í¶õ?
8.3 ·ÎÁö½ºÆ½ ȸ±ÍÀÇ ¼Õ½ÇÇÔ¼ö
8.4 ·ÎÁö½ºÆ½ ȸ±ÍÀÇ ¼ö½Ä
8.5 (½Ç½À) ·ÎÁö½ºÆ½ ȸ±Í
8.6 ¸¶Ä¡¸ç

9Àå ½ÉÃþ½Å°æ¸Á I
9.1 ½ÉÃþ½Å°æ¸Á
9.2 ½ÉÃþ½Å°æ¸ÁÀÇ ÇнÀ
9.3 ¿ªÀüÆÄ ¾Ë°í¸®ÁòÀÇ ¼ö½Ä
9.4 ±×·¡µð¾ðÆ® ¼Ò½Ç ¹®Á¦
9.5 ·¼·ç
9.6 (½Ç½À) Deep Regression
9.7 ¸¶Ä¡¸ç

10Àå È®·üÀû °æ»çÇÏ°­¹ý
10.1 È®·üÀû °æ»çÇÏ°­¹ýÀ̶õ?
10.2 SGDÀÇ Á÷°üÀû ÀÌÇØ
10.3 ¹Ì´Ï¹èÄ¡ Å©±â¿¡ µû¸¥ SGD
10.4 (½Ç½À) SGD Àû¿ëÇϱâ
10.5 ¸¶Ä¡¸ç

11Àå ÃÖÀûÈ­
11.1 ÇÏÀÌÆÛÆĶó¹ÌÅͶõ?
11.2 ÆÁ : È¿À²ÀûÀÎ ¿¬±¸/°³¹ß ÁøÇà ¹æ¹ý
11.3 ÀûÀÀÇü ÇнÀ·ü
11.4 ÀûÀÀÇü ÇнÀ·üÀÇ ¼ö½Ä
11.5 (½Ç½À) ¾Æ´ã ¿ÉƼ¸¶ÀÌÀú Àû¿ëÇϱâ
11.6 ¸¶Ä¡¸ç

12Àå ¿À¹öÇÇÆÃÀ» ¹æÁöÇÏ´Â ¹æ¹ý
12.1 ¸ðµ¨ Æò°¡Çϱâ
12.2 ¿À¹öÇÇÆÃÀ̶õ?
12.3 Å×½ºÆ®¼Â ±¸¼ºÇϱâ
12.4 (½Ç½À) µ¥ÀÌÅÍ ³ª´©±â
12.5 ¸¶Ä¡¸ç

13Àå ½ÉÃþ½Å°æ¸Á II
13.1 ÀÌÁø ºÐ·ù
13.2 Æò°¡ ÁöÇ¥
13.3 (½Ç½À) Deep Binary Classification
13.4 ½ÉÃþ½Å°æ¸ÁÀ» È°¿ëÇÑ ºÐ·ù
13.5 ¼ÒÇÁÆ®¸Æ½º ÇÔ¼ö¿Í ±³Â÷ ¿£Æ®·ÎÇÇ ¼Õ½Ç ÇÔ¼ö
13.6 ´ÙÁß Å¬·¡½º ºÐ·ù °á°ú ºÐ¼®Çϱâ
13.7 (½Ç½À) Deep Classification
13.8 ¸¶Ä¡¸ç

14Àå Á¤±ÔÈ­
14.1 Á¤±ÔÈ­ÀÇ °³¿ä
14.2 °¡ÁßÄ¡ °¨¼è
14.3 µ¥ÀÌÅÍ Áõ°­
14.4 µå·Ó¾Æ¿ô
14.5 ¹èÄ¡Á¤±ÔÈ­
14.6 (½Ç½À) Á¤±ÔÈ­
14.7 ¸¶Ä¡¸ç

15Àå ½Ç¹« ȯ°æ¿¡¼­ÀÇ ÇÁ·ÎÁ§Æ® ¿¬½À
15.1 ½Ç¹«¸¦ ÁøÇàÇÏµí ½Ç½ÀÇϱâ
15.2 ¿öÅ©Ç÷Π¸®ºä
15.3 ½Ç½À ¼Ò°³
15.4 (½Ç½À) ºÐ·ù±â ¸ðµ¨ ±¸ÇöÇϱâ
15.5 (½Ç½À) µ¥ÀÌÅÍ ·Îµù ±¸ÇöÇϱâ
15.6 (½Ç½À) Æ®·¹ÀÌ³Ê Å¬·¡½º ±¸ÇöÇϱâ
15.7 (½Ç½À) train.py ±¸ÇöÇϱâ
15.8 (½Ç½À) predict.ipynb ±¸ÇöÇϱâ
15.9 ¸¶Ä¡¸ç

16Àå Ç¥Çö ÇнÀ
16.1 Ư¡(feature)À̶õ?
16.2 ¿ø ÇÖ ÀÎÄÚµù
16.3 Â÷¿ø Ãà¼Ò
16.4 ¿ÀÅäÀÎÄÚ´õ
16.5 ¸¶Ä¡¸ç

17Àå È®·ü·ÐÀû °üÁ¡
17.1 µé¾î°¡¸ç
17.2 ±âº» È®·ü Åë°è
17.3 MLE(Maximum Likelihood Estimation)
17.4 ½Å°æ¸Á°ú MLE
17.5 ¼ö½Ä: MLE
17.6 MSE ¼Õ½Ç ÇÔ¼ö¿Í MLE

18Àå CNN(ÇÕ¼º°ö½Å°æ¸Á)
18.1 ÀüÅëÀûÀÎ ¹æ½Ä
18.2 ÇÕ¼º°ö ¿¬»ê
18.3 ÆÐÅÏ ÃßÃâÀÇ ¿ø¸®
18.4 ¸Æ½º Ç®¸µ°ú ½ºÆ®¶óÀÌµå ±â¹ý
18.5 ÇÕ¼º°ö½Å°æ¸Á ¼³°è ¿¹Á¦
18.6 (½Ç½À) CNNÀ¸·Î MNIST ºÐ·ù ±¸ÇöÇϱâ
18.7 ¸¶Ä¡¸ç

19Àå RNN(¼øȯ½Å°æ¸Á)
19.1 ¼øȯ½Å°æ¸Á ¼Ò°³
19.2 RNN ÇÑ °ÉÀ½¾¿ µé¿©´Ùº¸±â
19.3 ¼øȯ½Å°æ¸Á È°¿ë »ç·Ê
19.4 LSTM
19.5 ±×·¡µð¾ðÆ® Ŭ¸®ÇÎ
19.6 (½Ç½À) LSTMÀ¸·Î MNIST ºÐ·ù ±¸ÇöÇϱâ
19.7 ¸¶Ä¡¸ç

°ü·ÃÀ̹ÌÁö

ÀúÀÚ¼Ò°³

±è±âÇö [Àú] ½ÅÀ۾˸² SMS½Åû
»ý³â¿ùÀÏ -

¹Ì±¹ ½ºÅä´Ïºê·è ´ëÇб³¿¡¼­ ÄÄÇ»ÅÍ°øÇÐ ÇÐ»ç ¹× ¼®»ç ÇÐÀ§¸¦ ¹Þ¾Ò´Ù. ÀÌÈÄ 2011³âºÎÅÍ Çѱ¹ÀüÀÚÅë½Å¿¬±¸¿ø¿¡¼­ ÀÚ¿¬¾î ó¸® ¿¬±¸ °³¹ßÀ» ½ÃÀÛÇß°í, ÇöÀç´Â SKÅÚ·¹ÄÞ¿¡¼­ ÃÊ°Å´ë ¾ð¾î ¸ðµ¨ GPT3¸¦ È°¿ëÇÑ °³ÀÎÈ­ 꺿°ú Áö½Ä ´ëÈ­ ¸ðµ¨¸µÀ» ¿¬±¸ °³¹ß ¹× »ó¿ëÈ­ÇÏ°í ÀÖ´Ù. ¶ÇÇÑ 2018³âºÎÅÍ ÆнºÆ®Ä·ÆÛ½º¿¡¼­ ÀÚ¿¬¾î ó¸® ¹× ÆÄÀÌÅäÄ¡ °­ÀǸ¦ ÇÏ°í ÀÖ´Ù. Àú¼­·Î ¡º¼Ò¹®³­ ¸í°­ÀÇ : ±è±âÇöÀÇ ÀÚ¿¬¾î ó¸® µö·¯Å· Ä·ÇÁ¡»(ÇѺû¹Ìµð¾î, 2019)°¡ ÀÖ´Ù.

ÀÌ »óÇ°ÀÇ ½Ã¸®Áî

(ÃÑ 8±Ç / ÇöÀ籸¸Å °¡´Éµµ¼­ 7±Ç)

¼±ÅÃÇÑ »óÇ° ºÏÄ«Æ®´ã±â
ÆîÃ帱â

Àü°øµµ¼­/´ëÇб³Àç ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

    ¸®ºä

    0.0 (ÃÑ 0°Ç)

    100ÀÚÆò

    ÀÛ¼º½Ã À¯ÀÇ»çÇ×

    ÆòÁ¡
    0/100ÀÚ
    µî·ÏÇϱâ

    100ÀÚÆò

    0.0
    (ÃÑ 0°Ç)

    ÆǸÅÀÚÁ¤º¸

    • ÀÎÅÍÆÄÅ©µµ¼­¿¡ µî·ÏµÈ ¿ÀǸ¶ÄÏ »óÇ°Àº ±× ³»¿ë°ú Ã¥ÀÓÀÌ ¸ðµÎ ÆǸÅÀÚ¿¡°Ô ÀÖÀ¸¸ç, ÀÎÅÍÆÄÅ©µµ¼­´Â ÇØ´ç »óÇ°°ú ³»¿ë¿¡ ´ëÇØ Ã¥ÀÓÁöÁö ¾Ê½À´Ï´Ù.

    »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
    ´Ü, »óÇ°ÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»

    ¹ÝÇ°/±³È¯ ºñ¿ë

    º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
    »óÇ°À̳ª ¼­ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯/¹ÝÇ°Àº ¹Ý¼Û·á ÆǸÅÀÚ ºÎ´ã

    ¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯

    ·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
    (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)

    ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
    ¿¹) È­ÀåÇ°, ½ÄÇ°, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî

    ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
    ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý

    ·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
    ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó

    ·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© 󸮵Ê

    ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ

    (ÁÖ)KGÀ̴Ͻýº °áÁ¦´ë±Ý¿¹Ä¡¾÷ µî·Ï¹øÈ£: 02-006-00013

    (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.
    µî·Ï ¿©ºÎ´Â e-±ÝÀ¶¹Î¿ø¼¾ÅÍ È¨ÆäÀÌÁö(www.fcsc.kr)ÀÇ µî·Ï¡¤½Å°í>ÀüÀÚ±ÝÀ¶¾÷µî·ÏÇöȲ ¸Þ´º¿¡¼­ È®ÀÎÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù. ¼­ºñ½º °¡ÀÔ»ç½Ç È®ÀÎ

    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.

    • - µµ¼­ ±¸¸Å ½Ã 15,000¿ø ÀÌ»ó ¹«·á¹è¼Û, 15,000¿ø ¹Ì¸¸ 2,500¿ø - »óÇ°º° ¹è¼Ûºñ°¡ ÀÖ´Â °æ¿ì, »óÇ°º° ¹è¼Ûºñ Á¤Ã¥ Àû¿ë