<처음 배우는 인공지능>
머신러닝과 딥러닝 시대에 맞는 인공지능 개론

빅데이터가 축적되면서 머신러닝과 딥러닝 기술이 발전했고 개발자가 실제로 구현할 수 있는 프레임워크나 라이브러리가 등장했다. 전 세계 일류 IT 기업은 이러한 기술을 접목해 인공지능 서비스를 발표하고 있으며 앞으로는 더욱 향상된 인공지능 서비스가 등장할 것이다.

『처음 배우는 인공지능』은 ‘넓게, 하지만 절대 얕지는 않게’ 개발자에게 꼭 필요한 인공지능의 기초 이론을 알려주는 개론서다. 통계 이론, 머신러닝, 딥러닝, 신경망, 강화 학습, 자연어 처리 등 오늘날 인공지능 서비스 구축에 필요한 핵심 이론과 알고리즘을 설명한다. 또한 분산 컴퓨팅과 사물인터넷 등 인공지능에 필요한 인프라 기초도 다루므로 분야 전체의 개념을 이해하고 싶은 사람에게 도움이 될 것이다.

<처음 배우는 머신러닝>
머신러닝 기초 이론, 실전 예제, 문제 해결까지 한번에

이 책은 구글과 라쿠텐 머신러닝 개발자가 초보자 눈높이에서 머신러닝의 핵심 이론과 실용적인 예제를 제시합니다. 머신러닝 입문자가 이론을 바탕으로 강력한 성능을 내는 머신러닝 시스템을 구현하고 사용할 수 있도록 하는 것이 이 책의 목표입니다.
1부에서는 ‘머신러닝 기초 지식’, 2부에서는 ‘머신러닝 주요 모델’, 3부에서는 ‘머신러닝 시스템 구현’을 알려줍니다. 이론과 실무 예제와 해결 방법까지 모두 담고 있어 입문자뿐 아니라 이미 머신러닝을 현업에서 다루면서 체계적으로 실력을 다잡고자 하는 중고수에게도 최고의 선택이 될 겁니다.

<처음 배우는 인공지능 목차>
Chapter 1 인공지능의 과거, 현재, 미래
__01 인공지능이란
__02 인공지능의 여명기
__03 인공지능의 발전 흐름

Chapter 2 규칙 기반 모델의 발전
__01 규칙 기반 모델
__02 지식 기반 모델
__03 전문가 시스템
__04 추천 엔진

Chapter 3 오토마톤과 인공 생명 프로그램
__01 인공 생명 시뮬레이션
__02 유한 오토마톤
__03 마르코프 모델
__04 상태 기반 에이전트

Chapter 4 가중치와 최적해 탐색
__01 선형 문제와 비선형 문제
__02 회귀분석
__03 가중 회귀분석
__04 유사도
__05 텐서플로를 이용한 선형 회귀 예제

Chapter 5 가중치와 최적화 프로그램
__01 그래프 이론
__02 그래프 탐색과 최적화
__03 유전 알고리즘
__04 신경망
__05 텐서플로를 이용한 신경망 만들기 예제

Chapter 6 통계 기반 머신러닝 1 - 확률분포와 모델링
__01 통계 모델과 확률분포
__02 베이즈 통계학과 베이즈 추론
__03 마르코프 연쇄 몬테카를로 방법
__04 은닉 마르코프 모델과 베이즈 네트워크

Chapter 7 통계 기반 머신러닝 2 - 자율 학습과 지도 학습
__01 자율 학습
__02 지도 학습
__03 텐서플로를 이용한 K-평균 예제

Chapter 8 강화 학습과 분산 인공지능
__01 앙상블 학습
__02 강화 학습
__03 전이 학습
__04 분산 인공지능

Chapter 9 딥러닝
__01 신경망의 다층화
__02 제한 볼츠만 머신
__03 심층 신경망
__04 합성곱 신경망(CNN)
__05 순환 신경망(RNN)
__06 텐서플로를 이용한 오토인코더 예제
__07 텐서플로를 이용한 합성곱 신경망 예제

Chapter 10 이미지와 음성 패턴 인식
__01 패턴 인식
__02 특징 추출 방법
__03 이미지 인식
__04 음성 인식
__05 텐서플로를 이용한 GAN 구현하기

Chapter 11 자연어 처리와 머신러닝
__01 문장 구조 이해
__02 지식 습득과 통계 의미론
__03 구조 분석
__04 텍스트 생성

Chapter 12 지식 표현과 데이터 구조
__01 데이터베이스
__02 검색
__03 의미 네트워크와 시맨틱 웹

Chapter 13 분산 컴퓨팅
__01 분산 컴퓨팅과 병렬 컴퓨팅
__02 분산 컴퓨팅 하드웨어 환경
__03 분산 컴퓨팅 소프트웨어 환경
__04 머신러닝과 딥러닝 개발 환경

Chapter 14 빅데이터와 사물인터넷의 관계
__01 빅데이터
__02 사물인터넷과 분산 인공지능
__03 뇌 기능과 로봇
__04 메타 인지
__05 일본 인공지능 기술 동향

<처음 배우는 머신러닝 목차>
[Part 1 머신러닝 기초 지식]
1장. 머신러닝 시작하기
__1.1 머신러닝 소개
__1.2 머신러닝을 이해하는 데 필요한 배경 지식
__1.3 머신러닝 발전사
__1.4 머신러닝의 분류
__1.5 마치며

2장. 머신러닝의 주요 개념
__2.1 모델 : 문제를 바라보는 관점
__2.2 손실함수
__2.3 최적화 : 실제로 문제를 푸는 방법
__2.4 모델 평가 : 실제 활용에서 성능을 평가하는 방법
__2.5 마치며

[Part 2 머신러닝 주요 모델]
3장. 데이터와 문제
__3.1 데이터형
__3.2 데이터양과 품질
__3.3 데이터 표준화
__3.4 문제 유형
__3.5 마치며

4장. 구매 이력 데이터를 이용한 사용자 그룹 만들기
__4.1 군집화
__4.2 K-중심 군집화
__4.3 계층적 군집화
__4.4 밀도 기반 군집화
__4.5 유사도 계산
__4.6 마치며

5장. 문서 분석 시스템 만들기
__5.1 문서 분류 시스템 만들기
__5.2 토픽 모델링
__5.3 문법 분석
__5.4 단어 임베딩 학습 - word2vec
__5.5 마치며

6장. 영화 추천 시스템 만들기
__6.1 영화 추천 시스템
__6.2 유사도 계산
__6.3 내용 기반 추천 시스템
__6.4 협업 필터링
__6.5 표준화
__6.6 마치며

7장. 이미지 인식 시스템 만들기
__7.1 이미지 처리의 기본 개념
__7.2 이미지 인식
__7.3 이미지 인식에 사용하는 피처
__7.4 딥러닝을 이용한 이미지 인식
__7.5 마치며

8장. 머신러닝의 다양한 문제점 해결하기
__8.1 모델 문제
__8.2 데이터 문제
__8.3 속도 문제
__8.4 마치며

[Part 3 머신러닝 시스템 구현]
9장. 머신러닝 소프트웨어 소개
__9.1 파이썬 설치와 라이브러리
__9.2 유명 라이브러리 소개
__9.3 이 책에서 사용하는 툴킷
__9.4 마치며

10장. 구매 이력 데이터를 이용한 사용자 그룹 만들기 - 실전
__10.1 데이터셋
__10.2 데이터 전처리
__10.3 K-평균 군집화
__10.4 올바른 클러스터 수 K 정하기
__10.5 계층적 군집화
__10.6 마치며

11장. 문서 분석 시스템 만들기 - 실전
__11.1 스팸 문자 필터 만들기(문서 분류)
__11.2 토픽 모델 시스템 만들기
__11.3 품사 분석 시스템 만들기
__11.4 고유명사 태깅 시스템 만들기
__11.5 한국어 위키백과를 이용한 word2vec 만들기
__11.6 마치며

12장. 영화 추천 시스템 만들기 - 실전
__12.1 데이터셋 구하기
__12.2 데이터 전처리
__12.3 내용 기반 영화 추천 시스템 만들기
__12.4 협업 필터링 기반 영화 추천 시스템 만들기
__12.5 마치며

13장. 이미지 인식 시스템 만들기 - 실전
__13.1 이미지 데이터를 이용한 K-평균 군집화
__13.2 주성분 분석을 이용한 사람 얼굴 인식
__13.3 CNN을 이용한 손글씨 숫자 분류
__13.4 마치며

부록 : 용어표