★ 이 책에서 다루는 내용 ★ ◎ 파이썬 기초, 웹스크레이핑, 정규표현식 ◎ 기본 수학: 선형대수, 확률, MLE, EM 알고리즘, 베이지안 추론 등 ◎ 텍스트 전처리와 텍스트 네트워크 분석 ◎ 기계학습 알고리즘을 활용한 텍스트 분석: K-평균, 위계적 군집 분석, DBSCAN, GMM, 차원◎ 축소, 로지스틱 회귀 모형, 나이브 베이즈, 결정 트리, 앙상블 알고리즘, SVM, 토픽 모델링 ◎ 딥러닝 알고리즘을 활용한 텍스트 분석: FNN, CNN, RNN, LSTM, GRU, seq2seq, Transformer, BERT와 BERT 기반 알고리즘, GPT 모형, 비전 트랜스포머, 오토인코더

[3부] 딥러닝을 이용한 텍스트 분석 ▣ 13장: 딥러닝 소개 13.1 신경망 ___13.1.1 신경망 소개 ___13.1.2 신경망의 작동 원리 13.2 활성화 함수 ___13.2.1 시그모이드 함수 ___13.2.2 하이퍼볼릭 탄젠트 함수 ___13.2.3 ReLU 함수 ___13.2.4 Leaky ReLU 함수 ___13.2.5 ELU 함수 ___13.2.6 소프트플러스 함수 ___13.2.7 GELU 함수 13.3 경사하강법 ___13.3.1 사용되는 관측치의 수에 따른 경사하강법 구분 ___13.3.2 신경망에서의 경사하강법 작동 원리 ___13.3.3 오차 역전파 ___13.3.4 경사 소실 문제 ___13.3.5 경사 폭발 문제 ___13.3.6 옵티마이저의 종류 ___13.3.7 가중치 감쇠와 학습률 감쇠 13.4 가중치 초기화 ___13.4.1 Xavier 초기화 방법 ___13.4.2 He 초기화 방법 13.5 예제: 도시의 평균 집값 예측하기 ___13.5.1 SGD 옵티마이저의 사용 예 ___13.5.2 RMSprop 옵티마이저 사용의 예 ___13.5.3 Adam 옵티마이저의 사용 예 13.6 신경망에서의 과적합 해결 방법 ___13.6.1 L1/L2 규제화 ___13.6.2 드롭아웃 ___13.6.3 조기 종료 ___13.6.4 배치 정규화 ___13.6.5 계층 정규화 ▣ 14장: FNN을 이용한 텍스트 분석과 단어 및 문서 임베딩 14.1 FNN을 이용한 텍스트 분석 14.2 단어 임베딩 ___14.2.1 원-핫 벡터와 단어 임베딩 ___14.2.2 Word2vec ___14.2.3 FastText 14.3 문서 임베딩 ___14.3.1 Doc2vec ▣ 15장: CNN을 이용한 텍스트 분석 15.1 CNN ___15.1.1 CNN 소개 ___15.1.2 파이썬 코딩하기 15.2 CNN을 이용한 텍스트 분석 ___15.2.1 CNN에서의 문서 표현 ___15.2.2 파이썬 코딩하기 ▣ 16장: 순환신경망 기반 알고리즘을 이용한 텍스트 분석 16.1 RNN ___16.1.1 RNN 소개 ___16.1.2 RNN을 이용한 감성분석 ___16.1.3 각 단어의 은닉 상태 벡터를 모두 사용하기 ___16.1.4 여러 개의 RNN 층 사용하기 16.2 LSTM ___16.2.1 LSTM 소개 ___16.2.2 LSTM을 이용한 감성분석 ___16.2.3 양방향 LSTM ___16.2.4 양방향 LSTM을 사용한 감성분석 16.3 seq2seq ▣ 17장: 트랜스포머 17.1 어텐션 알고리즘 17.2 셀프 어텐션 17.3 트랜스포머에서의 어텐션 17.4 트랜스포머 소개 ___17.4.1 트랜스포머의 구조 ___17.4.2 인코더 부분 ___17.4.3 디코더 부분 ___17.4.4 트랜스포머의 인코더 블록을 이용한 감성분석 ▣ 18장: BERT 18.1 BERT의 구조 ___18.1.1 BERT 내부 구조 ___18.1.2 BERT 학습 ___18.1.3 BERT 논문에서 사용된 다운스트림 작업 ___18.1.4 BERT를 이용한 각 단어의 벡터 추출하기 18.2 파이썬 코딩하기 ___18.2.1 BERT를 사용한 단어와 문장/문서의 벡터 추출하기 ___18.2.2 영어 텍스트 감성분석 ___18.2.3 한글 텍스트 감성분석 ▣ 19장: BERT 기반 방법들 19.1 ALBERT ___19.1.1 ALBERT 소개 ___19.1.2 파이썬 코딩하기 19.2 RoBERTa ___19.2.1 RoBERTa 소개 ___19.2.2 파이썬 코딩하기 19.3 ELECTRA ___19.3.1 ELECTRA 소개 ___19.3.2 파이썬 코딩하기 19.4 지식 증류 기반 방법들 ___19.4.1 지식 증류 ___19.4.2 DistilBERT ___19.4.3 TinyBERT 19.5 BERTopic ___19.5.1 문서 임베딩 ___19.5.2 문서 군집화 ___19.5.3 각 군집(토픽)을 나타내는 단어 찾기 ___19.5.4 파이썬 코딩하기 ▣ 20장: GPT 모형들 20.1 GPT-1 ___20.1.1 GPT-1에서의 학습 20.2 GPT-2 ___20.2.1 학습 데이터 ___20.2.2 모형의 구조 ___20.2.3 모형의 성능 ___20.2.4 파이썬 코딩하기 20.3 GPT-3 ___20.3.1 제로샷, 원샷, 퓨샷 ___20.3.2 학습 데이터 ___20.3.3 모형의 구조 ___20.3.4 모형의 성능 ___20.3.5 GPT-3 미세조정하기 20.4 InstructGPT ___20.4.1 InstructGPT에서의 미세 조정 ___20.4.2 모형의 성능 20.5 ChatGPT ▣ 21장: 비전 트랜스포머를 이용한 텍스트 분석 21.1 ViT 소개 21.2 ViT를 이용한 이미지 분류 21.3 ViT를 이용한 텍스트 분류 ___21.3.1 방법 1: N×D 문서에서 직접 패치를 추출 ___21.3.2 방법 2: 문서를 패치로 분할하기 전에 Conv1D 필터 적용하기 ___21.3.3 방법 3: N×C 결과물에서 C×C 패치 추출하기 ▣ 22장: 오토인코더를 이용한 텍스트 분석 22.1 오토인코더 소개 22.2 오토인코더를 MNIST 데이터에 적용해 보기 22.3 오토인코더를 이용해 문서를 저차원 벡터로 표현하기 ___22.3.1 LSTM 기반 오토인코더 사용해 보기 ___22.3.2 CNN 기반 오토인코더 사용해 보기 ▣ 부록A: 경사하강법에서의 순전파와 역전파 A.1 예제 신경망 모형 A.2 순전파 A.3 역전파