|
|
|
|
|
|
|
Ã¥³»¿ë |
|
| 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 |
|
|
|
ÀúÀÚ
|
|
·ÎÀ£ ¾ÆƼ¿£ÀÚ
Çʸ®ÇÉ µô¸®¸¸ÀÇ Çʸ®ÇÉ´ëÇб³ Àü±âÀüÀÚ°øÇкΠºÎ±³¼ö´Ù. Dado and Maria Banatato ¿¬±¸¼Ò ÀΰøÁö´É ºÐ¾ßÀÇ ±³¼öÀåÀ̱⵵ ÇÏ´Ù. ·ÎÀ£Àº Çʸ®ÇÉ´ëÇб³¸¦ Á¹¾÷ÇÑ ÈÄ·Î Áö´ÉÇü ·Îº¿¿¡ ¸Å·áµÆ´Ù. AI°¡ žÀçµÈ ³× ¹ß ´Þ¸° ·Îº¿À» ¸¸µé¾î ½Ì°¡Æ÷¸£ ±¹¸³´ëÇб³¿¡¼ °øÇÐ ¼®»ç ÇÐÀ§¸¦ ¹Þ¾Ò´Ù. ¿À½ºÆ®·¹Àϸ®¾Æ ±¹¸³´ëÇб³¿¡¼ Àΰ£°ú ·Îº¿ÀÇ »óÈ£ÀÛ¿ëÀ» À§ÇÑ ½Ã¼± À§Ä¡ ÃßÀû ±â¼úÀ» ¿¬±¸ÇØ ¹Ú»ç ÇÐÀ§¸¦ ¸¶ÃÆ´Ù. ÇöÀç´Â AI¿Í ÄÄÇ»ÅÍ ºñÀüÀ» ¿¬±¸ÇÏ°í ÀÖ´Ù. ±×ÀÇ ²ÞÀº Áö°¢ÇÏ°í ÀÌÇØÇÏ°í Ãß·ÐÇÒ ¼ö ÀÖ´Â À¯¿ëÇÑ ±â°è¸¦ ¸¸µå´Â °ÍÀÌ´Ù. Çʸ®ÇÉ °úÇбâ¼úºÎ(DOST), Çʸ®ÇÉ »ï¼º ¿¬±¸¼Ò, °íµî ±³À° À§¿øȸ »êÇÏ Çʸ®ÇÉ-Ķ¸®Æ÷´Ï¾Æ °íµî ¿¬±¸¼Ò(CHED-PCARI)·ÎºÎÅÍ Áö¿øÀ» ¹Þ¾Æ ±× ²ÞÀ» ÀÌ·ç·Á°í ³ë·Â ÁßÀÌ´Ù.
|
Äɶ󽺷Π±¸ÇöÇÏ´Â °í±Þ µö·¯´× ¾Ë°í¸®Áò | ·ÎÀ£ ¾ÆƼ¿£ÀÚ | À§Å°ºÏ½º
Advanced Deep Learning with TensorFlow 2 and Keras | ·ÎÀ£ ¾ÆƼ¿£ÀÚ | Packt Publishing
|
|
Rowel Atienza
|
|
¿ªÀÚ
|
|
ÀÌÀ籤
Çѳ²´ëÇб³ ÄÄÇ»ÅÍ°øÇаú ±³¼ö
|
|
|
¹æ¿µ±Ô
°¿ø´ëÇб³ ÀüÀÚ°øÇаú ¼®»ç Çö Àç À½¼ºÀÎ½Ä °ü·Ã ¾÷ü¿¡¼ ½º¸¶Æ® tv, °¡»ó ºñ¼ ¹× ´Ù¼öÀÇ ÇÁ·ÎÁ§Æ® Âü¿© Áß
|
|
|
ÀÌÀ籤, ¹æ¿µ±Ô
|
|
|
|
|
ÀÌ ÃâÆÇ»çÀÇ °ü·Ã»óÇ° |
|
|
ÇÚÁî¿Â ÆÄÀ̽ãÀ» ÀÌ¿ëÇÑ ¼³¸í°¡´ÉÇÑ AI(XAI) | Denis Rothman,°íº´Ã¶,¹æ¿µ±Ô | DK·ÎµåºÏ½º |
|
ÀÚ¿¬¾î 󸮸¦ À§ÇÑ Æ®·£½ºÆ÷¸Ó | Denis Rothman,À¯ÇöÁß | DK·ÎµåºÏ½º |
|
AWS ¸Ó½Å·¯´× ¸¶½ºÅÍÇϱâ | Saket S. R. Mengle,À¯ÇöÁß | DK·ÎµåºÏ½º |
|
ÆÄÀÌÅäÄ¡ 1.X·Î ½ÃÀÛÇÏ´Â µö·¯´× | ºñ½´´© ¼öºê¶ó¸¶´Ï¾È,ÀÌÀ籤, ¹æ¿µ±Ô,·Î¶ó ¹Ìÿ, ½º¸®. ¿äÄɽà K.,ÀÌÀ籤, ¹æ¿µ±Ô | DK·ÎµåºÏ½º |
|
Ŭ¶ó¿ìµå ¸ð¹ÙÀÏ ¹× ¿¡Áö ±â¹ÝÀÇ µö·¯´× ½Ç¿ë°¡À̵å | Siddha Ganju, Meher Kasam,½ÉÀçâ, ÀÌ¿µÇÐ, ÀÌÁ¤È¯, Á¤À±ÁÖ | DK·ÎµåºÏ½º |
ÀÌ ºÐ¾ß ½Å°£ °ü·Ã»óÇ° |
|
|
¿ÀÅäijµå(Auto Cad) ±âÃʺÎÅÍ È°¿ë±îÁö | ¸¶Áö¿ø |
|
¸¸µé¸é¼ ¹è¿ì´Â ¾ÆµÎÀ̳ë IoT »ç¹°ÀÎÅͳݰú 40°³ÀÇ ÀÛÇ°µé | À幮ö | ¾Ø½áºÏ |
|
Tkinter¸¦ »ç¿ëÇÑ ÆÄÀ̽ã GUI ÇÁ·Î±×·¡¹Ö | Moore, Alan D.,ÀÌÅ»ó | ¿¡ÀÌÄÜÃâÆÇ |
|
¸®¾×Æ®¿Í ÇÔ²² ÇÏ´Â À¥ µðÀÚÀÎ | ¼Õ½ÂÀÏ | 21¼¼±â»ç |
|
¹é°ßºÒ¿©ÀÏŸ ÀÌÁ¨ ÇÁ·ÎÁ§Æ®´Ù! ¸®¾×Æ® ¼îÇθô ÇÁ·ÎÁ§Æ® | È«ÁØÇõ | ·ÎµåºÏ |
|
|
|
|
|
Ãâ°í¾È³» |
|
|
Ãâ°í¶õ ÀÎÅÍÆÄÅ© ¹°·ùâ°í¿¡¼ µµ¼°¡ Æ÷ÀåµÇ¾î ³ª°¡´Â ½ÃÁ¡À» ¸»Çϸç, ½ÇÁ¦ °í°´´Ô²²¼ ¼ö·ÉÇϽô ½Ã°£Àº »óÇ°Áغñ¿Ï·áÇØ Ãâ°íÇÑ ³¯Â¥ + Åùè»ç ¹è¼ÛÀÏÀÔ´Ï´Ù. |
|
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°ÀÇ Àç°í°¡ ÃæÁ·ÇÒ ½Ã¿¡ ÀÏ°ý Ãâ°í¸¦ ÇÕ´Ï´Ù. |
|
ÀϺΠÀç°í¿¡ ´ëÇÑ Ãâ°í°¡ ÇÊ¿äÇÒ ½Ã¿¡´Â ´ã´çÀÚ¿¡°Ô Á÷Á¢ ¿¬¶ôÇϽðųª, °í°´¼¾ÅÍ(°í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ôÁֽñ⠹ٶø´Ï´Ù. |
|
¹è¼Ûºñ ¾È³» |
|
|
ÀÎÅÍÆÄÅ© µµ¼ ´ë·®±¸¸Å´Â ¹è¼Û·á°¡ ¹«·áÀÔ´Ï´Ù. |
|
´Ü, 1°³ÀÇ »óÇ°À» ´Ù¼öÀÇ ¹è¼ÛÁö·Î ÀÏ°ý ¹ß¼Û½Ã¿¡´Â 1°³ÀÇ ¹è¼ÛÁö´ç 2,000¿øÀÇ ¹è¼Ûºñ°¡ ºÎ°úµË´Ï´Ù. |
¾Ë¾ÆµÎ¼¼¿ä! |
|
|
°í°´´Ô²²¼ ÁÖ¹®ÇϽŠµµ¼¶óµµ µµ¸Å»ó ¹× ÃâÆÇ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù. |
|
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù.
(´Ü, Åä/ÀÏ¿äÀÏ Á¦¿Ü) |
|
|
|
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù.
±³È¯/¹ÝÇ°/º¸ÁõÁ¶°Ç ¹× Ç°Áúº¸Áõ ±âÁØÀº ¼ÒºñÀڱ⺻¹ý¿¡ µû¸¥ ¼ÒºñÀÚ ºÐÀï ÇØ°á ±âÁØ¿¡ µû¶ó ÇÇÇظ¦ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
Á¤È®ÇÑ È¯ºÒ ¹æ¹ý ¹× ȯºÒÀÌ Áö¿¬µÉ °æ¿ì 1:1¹®ÀÇ °Ô½ÃÆÇ ¶Ç´Â °í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ô Áֽñ⠹ٶø´Ï´Ù.
¼ÒºñÀÚ ÇÇÇغ¸»óÀÇ ºÐÀïó¸® µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á±âÁØ(°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ µû¶ó ºñÇØ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
|
|
»óÇ°À» °ø±Þ ¹ÞÀ¸½Å ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ùÀ̳», ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´ÉÇÕ´Ï´Ù.
|
|
|
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
|
|
|
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. (´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü) |
|
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
|
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù. |
|
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
|
|
|
|
|