추가 적립 안내

기본기에 충실한 딥러닝 입문서!
기초부터 CNN, RNN, 시계열 분석, 자연어 처리, 강화 학습, 생성 모델까지 텐서플로 2로 구현하며 배운다!

머신 러닝 핵심 알고리즘부터 합성곱 신경망, 설명 가능한 CNN, 순환 신경망, LSTM 같은 딥러닝 알고리즘 이론을 이해하는 데 집중하며, 각 알고리즘을 언제, 어떤 상황에서 사용하면 좋은지도 함께 살펴본다. 또한, 기본 알고리즘 외에 전이 학습, 자연어 처리, 시계열 분석, 강화 학습, GAN 등 꼭 알아둬야 할 개념도 빠트리지 않고 충분히 설명한다. 각 개념을 학습한 뒤에는 텐서플로 2로 직접 구현해 보면서 딥러닝의 개념, 구현 방법, 적용 범위 등을 확실하게 이해할 수 있다.

기초부터 CNN, RNN, 시계열 분석, 자연어 처리, 강화 학습, 생성 모델까지
텐서플로 2로 배우는 딥러닝 핵심 원리!

머신 러닝, 딥러닝 핵심 알고리즘을 배우자
딥러닝 학습의 핵심은 알고리즘이다. 이 책은 K-최근접 이웃, 서포트 벡터 머신, 결정 트리, K-평균 군집화와 같은 머신 러닝 핵심 알고리즘부터 합성곱 신경망, 전이 학습, 설명 가능한 CNN, LSTM과 같은 딥러닝 알고리즘 이론을 이해하는 데 집중한다. 또한, 각 알고리즘을 언제, 어떤 상황에서 사용하면 좋은지도 함께 살펴본다.

텐서플로 2로 시작하자
텐서플로 2는 불필요한 API를 삭제하고 즉시 실행이 가능하게 해 1 버전보다 사용자의 생산성이 많이 향상되었으며, 진입 문턱도 낮아졌다. 이러한 텐서플로 2를 이용해 개념을 이해할 수 있는 많은 예제와 실습으로 알고리즘 구현 방법을 배운다. 책의 전반부에서 후반부까지 코드가 갑자기 어려워지지 않도록 난이도를 조절했으며, 이 예제들을 구현해 보면서 딥러닝의 개념, 구현 방법, 적용 범위 등을 확실하게 이해할 수 있다.

전이 학습, 자연어 처리, 강화 학습, 생성 모델 등 최신 기술도 함께 익히자
기본적인 알고리즘 외에도 각광받고 있는 많은 이론이 있다. 책에서는 머신 러닝, 딥러닝 핵심 알고리즘 외에 전이 학습, 자연어 처리, 클러스터링, GAN, 강화 학습 등 꼭 알아둬야 할 개념도 빠트리지 않고 설명한다.

1장 머신 러닝과 딥러닝
1.1 인공지능, 머신 러닝과 딥러닝
1.2 머신 러닝이란
__1.2.1 머신 러닝 학습 과정
__1.2.2 머신 러닝 학습 알고리즘
1.3 딥러닝이란
__1.3.1 딥러닝 학습 과정
__1.3.2 딥러닝 학습 알고리즘

2장 실습 환경 설정과 텐서플로 기초
2.1 텐서플로 개요
__2.1.1 텐서플로 특징 및 장점
__2.1.2 텐서플로의 일반적인 아키텍처
2.2 텐서플로 2.x 기초 문법
__2.2.1 데이터 준비
__2.2.2 모델 정의
__2.2.3 모델 컴파일
__2.2.4 모델 훈련
__2.2.5 모델 평가
__2.2.6 훈련 과정 모니터링
__2.2.7 모델 사용
2.3 실습 환경 설정
__2.3.1 아나콘다 설치
__2.3.2 가상 환경 생성 및 텐서플로 2 설치
2.4 텐서플로 2 코드 맛보기

3장 머신 러닝 핵심 알고리즘
3.1 지도 학습
__3.1.1 K-최근접 이웃
__3.1.2 서포트 벡터 머신
__3.1.3 결정 트리
__3.1.4 로지스틱 회귀와 선형 회귀
3.2 비지도 학습
__3.2.1 K-평균 군집화
__3.2.2 밀도 기반 군집 분석
__3.2.3 주성분 분석(PCA)

4장 딥러닝 시작
4.1 인공 신경망의 한계와 딥러닝 출현
4.2 딥러닝 구조
__4.2.1 딥러닝 용어
__4.2.2 딥러닝 학습
__4.2.3 딥러닝의 문제점과 해결 방안
__4.2.4 딥러닝을 사용할 때 이점
4.3 딥러닝 알고리즘
__4.3.1 심층 신경망
__4.3.2 합성곱 신경망
__4.3.3 순환 신경망
__4.3.4 제한된 볼츠만 머신
__4.3.5 심층 신뢰 신경망
4.4 우리는 무엇을 배워야 할까?

5장 합성곱 신경망 I
5.1 합성곱 신경망
__5.1.1 합성곱층의 필요성
__5.1.2 합성곱 신경망 구조
__5.1.3 1D, 2D, 3D 합성곱
5.2 합성곱 신경망 맛보기
5.3 전이 학습
__5.3.1 특성 추출 기법
__5.3.2 미세 조정 기법
5.4 설명 가능한 CNN
__5.4.1 특성 맵 시각화
5.5 그래프 합성곱 네트워크
__5.5.1 그래프란
__5.5.2 그래프 신경망
__5.5.3 그래프 합성곱 네트워크

6장 합성곱 신경망 II
6.1 이미지 분류를 위한 신경망
__6.1.1 LeNet-5
__6.1.2 AlexNet
__6.1.3 VGGNet
__6.1.4 GoogLeNet
__6.1.5 ResNet
6.2 객체 인식을 위한 신경망
__6.2.1 R-CNN
__6.2.2 공간 피라미드 풀링
__6.2.3 Fast R-CNN
__6.2.4 Faster R-CNN
6.3 이미지 분할을 위한 신경망
__6.3.1 완전 합성곱 네트워크
__6.3.2 합성곱 & 역합성곱 네트워크
__6.3.3 U-Net
__6.3.4 PSPNet
__6.3.5 DeepLabv3/DeepLabv3+

7장 시계열 분석
7.1 시계열 문제
7.2 AR, MA, ARMA, ARIMA
__7.2.1 AR 모델
__7.2.2 MA 모델
__7.2.3 ARMA 모델
__7.2.4 ARIMA 모델
7.3 순환 신경망(RNN)
__7.3.1 RNN 계층과 셀
7.4 RNN 구조
__7.4.1 RNN 셀 구현
__7.4.2 RNN 계층 구현
7.5 LSTM
__7.5.1 LSTM 구조
__7.5.2 LSTM 셀 구현
__7.5.3 LSTM 계층 구현
7.6 게이트 순환 신경망(GRU)
__7.6.1 GRU 구조
__7.6.2 GRU 셀 구현
__7.6.3 GRU 계층 구현
7.7 RNN, LSTM, GRU 성능 비교
7.8 양방향 RNN
__7.8.1 양방향 RNN 구조
__7.8.2 양방향 RNN 구현

8장 성능 최적화
8.1 성능 최적화
__8.1.1 데이터를 사용한 성능 최적화
__8.1.2 알고리즘을 이용한 성능 최적화
__8.1.3 알고리즘 튜닝을 위한 성능 최적화
__8.1.4 앙상블을 이용한 성능 최적화
8.2 하드웨어를 이용한 성능 최적화
__8.2.1 CPU와 GPU 사용의 차이
__8.2.2 GPU를 이용한 성능 최적화
8.3 하이퍼파라미터를 이용한 성능 최적화
__8.3.1 배치 정규화를 이용한 성능 최적화
__8.3.2 드롭아웃을 이용한 성능 최적화
__8.3.3 조기 종료를 이용한 성능 최적화

9장 자연어 전처리
9.1 자연어 처리란
__9.1.1 자연어 처리 용어 및 과정
__9.1.2 자연어 처리를 위한 라이브러리
9.2 전처리
__9.2.1 결측치 확인
__9.2.2 토큰화
__9.2.3 불용어 제거
__9.2.4 어간 추출
__9.2.5 정규화

10장 자연어 처리를 위한 임베딩
10.1 임베딩
__10.1.1 희소 표현 기반 임베딩
__10.1.2 횟수 기반 임베딩
__10.1.3 예측 기반 임베딩
__10.1.4 횟수/예측 기반 임베딩
10.2 트랜스포머 어텐션
__10.2.1 seq2seq
__10.2.2 버트
__10.2.3 엘모
10.3 한국어 임베딩

11장 클러스터링
11.1 클러스터링이란
11.2 클러스터링 알고리즘 유형
__11.2.1 K-평균 군집화
__11.2.2 가우시안 혼합 모델
__11.2.3 자기 조직화 지도

12장 강화 학습
12.1 강화 학습이란
12.2 마르코프 결정 과정
__12.2.1 마르코프 프로세스
__12.2.2 마르코프 보상 프로세스
__12.2.3 마르코프 결정 과정
12.3 MDP를 위한 벨만 방정식
__12.3.1 벨만 기대 방정식
__12.3.2 벨만 최적 방정식
__12.3.3 다이나믹 프로그래밍
12.4 큐-러닝
__12.4.1 큐-러닝
__12.4.2 딥 큐-러닝
12.5 몬테카를로 트리 탐색
__12.5.1 몬테카를로 트리 탐색 원리
__12.5.2 몬테카를로 트리 검색을 적용한 틱택토 게임 구현

13장 생성 모델
13.1 생성 모델이란
__13.1.1 생성 모델 개념
__13.1.2 생성 모델의 유형
13.2 변형 오토인코더
__13.2.1 오토인코더란
__13.2.2 변형 오토인코더
13.3 적대적 생성 신경망(GAN)이란
__13.3.1 GAN 동작 원리
__13.3.2 GAN 구현
13.4 GAN 파생 기술
__13.4.1 DCGAN
__13.4.2 cGAN
__13.4.3 CycleGAN

부록
A.1 코랩
__A.1.1 코랩이란
__A.1.2 코랩에서 예제 파일 실행
A.2 캐글
__A.2.1 캐글이란
__A.2.2 캐글 시작

이 책은 딥러닝에 대한 이론뿐만 아니라 텐서플로를 이용한 구현 방법도 함께 설명합니다. 따라서 순차적으로 매 장을 따라가면서 실습하다 보면 어렵지 않게 딥러닝과 텐서플로에 익숙해질 수 있습니다. 실습할 때는 예제 코드를 내려받아 실행하는 것보다는 직접 코드를 입력하고 실습해야 좀 더 실력이 빨리 향상됩니다.
딥러닝은 범위가 방대하고, 내용을 이해하는 것도 쉽지 않습니다. 따라서 입문하는 분들이 쉽게 접근할 수 있게 하는 데 중점을 두고 집필했습니다. 특히 딥러닝과 텐서플로를 처음 접하는 분들이 어려워서 포기하지 않도록 처음부터 끝까지 난이도를 조절하는 데 중점을 두었습니다.

1~4장은 머신 러닝과 딥러닝에 대한 기본적인 내용뿐만 아니라 텐서플로 실습을 위한 환경 설정 방법에 대해 다룹니다.
5~11장은 딥러닝의 핵심적인 신경망에 대해 배웁니다. 합성곱 신경망, 순환 신경망 및 자연어 처리와 관련된 다양한 신경망을 다룹니다. 또한, 모델의 성능을 향상시킬 수 있는 방법도 알아봅니다.
12~13장은 강화 학습과 생성 모델을 배웁니다.

책 한 권에 딥러닝 전체를 아우를 수 있는 내용을 담으려고 노력하다 보니 신경망별로 깊이 있는 내용은 부족합니다. 대략적인 개요를 익힌 후 개별적인 신경망에 대해 깊이 있게 학습하려면 많은 논문을 살펴보는 것이 좋습니다. 논문에서 딥러닝 관련 지식이나 신경망이 어떻게 발전되고 있는지 흐름을 살펴볼 수 있습니다. 특히 머신러닝국제학회(International Conference on Machine Learning, ICML)와 표현학습국제학회(International Conference on Learning Representations, ICLR)에서 발표되는 논문들을 눈여겨보면 좋습니다.
더불어 텐서플로에 대한 꾸준한 관심도 필요합니다. 이 책을 집필하는 동안에도 텐서플로 버전이 업그레이드되어 전체 코드를 수정했을 정도로 기술이 빠르게 변화하고 있습니다. 텐서플로의 새로운 버전 관련 내용은 https://www.tensorflow.org/tutorials/quickstart/beginner?hl=ko 웹 사이트에서 지속적으로 확인하면 좋습니다.
또한, 딥러닝을 실무에 적용해 보기 위해서는 논문의 내용을 텐서플로로 구현해 보는 연습을 해야 합니다. 물론 처음에는 어려울 수 있습니다. 하지만 책 내용을 완전히 숙지한 후 텐서플로 코드가 제공되는 논문들을 찾아서 연습하고 제공되지 않는 논문들은 직접 코드로 구현해 보는 단계적 노력이 필요합니다.
이 책이 여러분이 딥러닝 세계에 입문하는 데 도움이 되면 더 바랄 것이 없을 것 같습니다.

-지은이의 말 중에서-