장바구니 담기 close

장바구니에 상품을 담았습니다.

장바구니로 계속쇼핑하기
딥러닝 개념과 활용
미리보기

딥러닝 개념과 활용

  • 김의중
  • |
  • 미리어드스페이스
  • |
  • 2021-04-16 출간
  • |
  • 577페이지
  • |
  • 196 X 248 X 37 mm / 1456g
  • |
  • ISBN 9791197420603
판매가

35,000원

즉시할인가

33,950 원

배송비

무료배송

(제주/도서산간 배송 추가비용:3,000원)

추가상품
상품선택
독서대 7,900원 독서대 선택안함 0원
수량
+ -
총주문금액
33,950원
장바구니 구매하기

※ 스프링제본 상품은 반품/교환/환불이 불가능하므로 신중하게 선택하여 주시기 바랍니다.

북스크린영상으로 만나보는 한 권의 책 이야기

출판사서평




딥러닝의 개념과 수학적 배경을 이해하고 실전에 적용하게 해주는 알기 쉬운 교본!

저자 김의중 박사는 앞서 출판된 〈알고리즘으로 배우는 인공지능, 머신러닝, 딥러닝 입문〉이라는 책을 통해 인공지능이라는 다루기 어려운 기술분야를 이해하기 쉽게 풀어내어 다양한 독자들에게 전달해준 적이 있다. 이번에 출간하는 〈딥러닝 개념과 활용〉도 같은 의도로 기획되었다. 저자는 딥러닝 기술을 인공지능의 핵심이라고 정의하면서 지금까지 발표된 거의 모든 분야의 딥러닝 모델과 여기에 적용된 개념들을 알기 쉽게 설명하려고 한다. 몇 가지 딥러닝 모델에 대해서는 간단한 예제 코드를 첨부하여 앞서 설명된 이론들이 실제로 구현되는 과정을 확인해 볼 수 있도록 하여 그 개념을 이해하는데 도움을 준다. 여러가지 딥러닝 모델과 그 각각의 개념을 설명하기 위해 저자가 대부분 직접 작성한 도표들은 딥러닝의 개념을 직관적으로 이해하는데 효과적인 역할을 하고 있다. 이 책 〈딥러닝 개념과 활용〉의 마지막 장인 ‘AGI로 가는 길’에서는 국내에서 크게 다루지 않고 있는 AGI에 대한 담론과 최근 AGI에 대한 초기 시도들로서 많은 관심을 가지고 있는 메타학습과 AutoML 그리고 신경망 기반 추론 모델 등은 매우 생소한 주제이지만 저자는 역시 다소 어려운 내용을 진지하게 접근하면서도 매우 흥미롭게 그리고 재미있고 쉽게 풀어내고 있다.


목차


01장 인공지능과 머신러닝
1.1 인공지능
-----1.1.1 지능 (Natural Intelligence)
-----1.1.2 인공지능 (Artificial Intelligence)
-----1.1.3 ‘인공지능’이란 용어의 등장
-----1.1.4 인공지능 분야
1.2 머신러닝
-----1.2.1 인공지능을 떠받치는 머신러닝
-----1.2.2 머신러닝의 정의
-----1.2.3 머신러닝에서 자주 사용되는 핵심용어 정리
-----1.2.4 머신러닝의 분류
1.3 지도학습 Supervised Learning
-----1.3.1 지도학습: 예측 (Prediction), 회귀 (Regression)
-----1.3.2 지도학습: 분류 (Classification)
1.4 비지도학습 Unsupervised Learning
-----1.4.1 비지도학습: 군집 (Clustering)
-----1.4.2 비지도학습: 차원축소 (Dimensionality Reduction)
-----1.4.3 비지도학습: 생성모델 (Generative Model)
1.5 강화학습 Reinforcement Learning

02장 인공지능의 중심 딥러닝
2.1 딥러닝 개요
-----2.1.1 인공신경망 (Artificial Neural Network)
-----2.1.2 헵스 법칙: 신경망의 학습
-----2.1.3 최초의 딥러닝 모델: 퍼셉트론 (Perceptron)
2.2 단층 퍼셉트론 Single Layer Perceptron (SLP)
2.3 다층 퍼셉트론 Multi Layer Perceptron (MLP)
-----2.3.1 단층 퍼셉트론의 한계
-----2.3.2 다층 퍼셉트론 (MLP: Multi Layer Perceptron)
2.4 에러의 역전파 Backpropagation of Error
-----2.4.1 에러의 역전파 이론의 배경
-----2.4.2 에러의 역전파 동작 개념
2.5 딥러닝 Deep Learning
-----2.5.1 왜 딥러닝이 머신러닝의 핵심인가?
-----2.5.2 다양한 딥러닝 모델
2.6 딥러닝 프레임워크 Deep Learning Frameworks
-----2.6.1 다양한 딥러닝 프레임워크
-----2.6.2 파이토치 프레임워크를 이용한 딥러닝 모델 구현 방법
-----2.6.3 텐서플로우 프레임워크를 이용한 딥러닝 모델 구현 방법

03장 다양한 최적화 기법
3.1 경사하강법 개요
-----3.1.1 경사하강법 이해하기
-----3.1.2 경사하강법 적용 예제
-----3.1.3 딥러닝 프레임워크를 이용한 최적화
3.2 경사하강법 적용시 학습데이터 크기 결정
-----3.2.1 배치 경사하강법 (BGD: Batch Gradient Descent)
-----3.2.2 확률적 경사하강법 (SGD: Stochastic Gradient Descent)
-----3.2.3 미니배치 경사하강법 (MBGD: Mini Batch Gradient Descent)
3.3 기본 경사하강법 Basic Gradient Descent
3.4 관성을 이용한 경사하강법 Momentum Gradient Descent
-----3.4.1 모멘텀 경사하강법 (Momentum Gradient Descent)
-----3.4.2 NAG (Nesterov Accelerated Gradient)
3.5 적응형 경사하강법 Adaptive Gradient Descent
-----3.5.1 AdaGrad (Adaptive Gradient Descent)
-----3.5.2 RMSprop
-----3.5.3 AdaDelta (Adaptive Delta Gradient)
3.6 혼합형 경사하강법
-----3.6.1 ADAM (Adaptive Gradient and Momentum)
-----3.6.2 NADAM (Nesterov Adaptive Gradient and Momentum)
3.7 배치 정규화 Batch Normalization
3.8 파라메터 초기화 Parameters Initialization

04장 오버피팅 해결방안 - 규제화
4.1 언더피팅, 노멀피팅, 오버피팅
4.2 L2 규제화
4.3 L1 규제화
4.4 드롭아웃 Dropout과 드롭커넥트 Dropconnect
-----4.4.1 드롭아웃 (Dropout)
-----4.4.2 드롭커넥트 (Dropconnect)
4.5 조기 종료 Early Stopping

05장 벡터형 데이터 학습 모델 - MLP
5.1 벡터형 데이터 개요
-----5.1.1 학습 데이터 종류
-----5.1.2 벡터형 학습 데이터 정제하기
5.2 MLP를 이용한 벡터형 데이터 학습
-----5.2.1 MLP 모델
-----5.2.2 MLP 모델에서 행렬 및 텐서 연산: numpy, TensorFlow, PyTorch
-----5.2.3 스코어와 분류기 (Score & Classifier)
-----5.2.4 MLP 모델을 이용한 MNIST 분류
5.3 활성화 함수 Activation Function
-----5.3.1 활성화 함수의 필요성
-----5.3.2 활성화 함수의 종류
-----5.3.2 좋은 활성화 함수란

06장 이미지 데이터 학습 모델 - CNN
6.1 이미지 데이터 분석
-----6.1.1 이미지 데이터 처리
-----6.1.2 컨볼루션 신경망의 시작
-----6.1.3 컨볼루션 (Convolution)
-----6.1.4 풀링 (Pooling)
-----6.1.5 평탄화 (Flattening)
-----6.1.6 목적함수와 학습 (Objective Function & Training)
6.2 CNN 모델의 발전
-----6.2.1 LeNet-5, AlexNet, VGGNet
-----6.2.2 GoogLeNet (Inception-V1)
-----6.2.3 ResNet
-----6.2.4 Xception
-----6.2.5 CNN 모델 비교
6.3 이미지 분류
-----6.3.1 이미지 분류를 위한 데이터셋
-----6.3.2 분류기와 목적함수
-----6.3.2 MNIST 필기체 숫자 분류 예제
6.4 이미지 객체 추출
-----6.4.1 SIFT (Scale Invariant Feature Transform)
-----6.4.2 HOG (Histogram of Oriented Gradient)
-----6.4.3 SURF (Speeded-Up Robust Features)
-----6.4.4 CNN 기반의 이미지 객체 추출
-----6.4.5 R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN 알고리즘
-----6.4.6 YOLO 알고리즘 (You Only Look Once)
-----6.4.7 SSD 알고리즘 (Single Shot MultiBox Detection)
6.5 이미지 분할 Image Segmentation
-----6.5.1 이미지 분할을 위한 학습방법
-----6.5.2 FCN 알고리즘 (Fully Convolutional Networks)
-----6.5.3 U-Net 알고리즘
-----6.5.4 DeepLab V1, V2, V3, V3+ 알고리즘
6.6 학습 데이터 보완
-----6.6.1 학습 데이터 증강 (Data Augmentation)
-----6.6.2 가중치를 이용한 데이터 빈도수 조정

07장 순차적 데이터 학습 모델 - RNN
7.1 순차적인 데이터
-----7.1.1 스냅샷 데이터와 시퀀셜 데이터 (Snapshot Data & Sequential Data)
-----7.1.2 순환신경망 활용 사례
7.2 순환신경망 RNN: Recurrent Neural Network
-----7.2.1 순환신경망의 구조
-----7.2.2 기본 순환신경망에서의 연산
7.3 LSTM과 GRU
-----7.3.1 LSTM (Long Short Term Memory)
-----7.3.2 GRU (Gated Recurrent Units)
7.4 학습 목적에 따른 신경망 구조
-----7.4.1 many-to-one 모델
-----7.4.2 one-to-many 모델
-----7.4.3 many-to-many 모델
-----7.4.4 many-to-many 모델 (seq2seq)
7.5 순환신경망에서의 역전파
-----7.5.1 BPTT: Back Propagation Through Time
-----7.5.2 TBPTT: Truncated Back Propagation Through Time
-----7.5.3 양방향 순환신경망 (BRNN: Bidirectional RNN)
-----7.5.4 GRU를 이용한 독일 예나지역 기후예측 예제
7.6 언어모델 Language Model
7.7 Sequence-to-Sequence 모델 Seq2Seq Model
7.8 Seq2Seq with Attention모델
7.9 트랜스포머 Transformer
-----7.9.1 Positional Encoding (PE)
-----7.9.2 셀프 어텐션 (Self-Attention)
-----7.9.3 멀티헤드 어텐션 (Multi-Head Attention)
7.10 GPT 모델과 BERT 모델
-----7.10.1 GPT 모델
-----7.10.2 BERT 모델

08장 신경망 기반 강화학습 - DRL
8.1 강화학습 Reinforcement Learning
-----8.1.1 강화학습 모델 구성요소
-----8.1.2 강화학습 문제 정의: MDP (Markov Decision Process)
8.2 가치기반 강화학습 Value-based Reinforcement Learning
-----8.2.1 동적 계획법 (Dynamic Programming Method)
-----8.2.2 몬테카를로 방법 (Monte Carlo Method)
-----8.2.3 시간차 방법 (Temporal Difference Method)
8.3 정책기반 강화학습 Policy-based Reinforcement Learning
-----8.3.1 REINFORCE 알고리즘
-----8.3.2 신뢰구간 정책 최적화 (TRPO: Trust Region Policy Optimization)
-----8.3.3 근접 정책 최적화 (PPO: Proximal Policy Optimization)
-----8.3.4 액터-크리틱 방법 Actor-Critic Method: QAC, TD-AC, A2C, A3C, GAE
-----8.3.5 신경망 기반 결정적 정책 기울기 (DDPG: Deep Deterministic Policy Gradient)
8.4 모델기반 강화학습 Model-based Reinforcement Learning
-----8.4.1 정해진 전이모델 기반 명시적 계획법 (Explicit Planning on Given Transition)
-----8.4.2 학습된 전이모델 기반 명시적 계획법 (Explicit Planning on Learned Transition)
-----8.4.3 전과정 계획 및 전이모델 동시 학습법 (End-to-End Learning of Planning and Transition)

09장 감성을 지닌 컴퓨터 - 생성모델
9.1 창작을 하는 인공지능
-----9.1.1 크리스티 경매에서 팔린 인공지능이 그린 초상화
-----9.1.2 생성모델은 주관식
-----9.1.3 잠재변수 (Latent)
-----9.1.4 오토인코더 (AutoEncoder)
9.2 생성모델 Generative Models
-----9.2.1 제한된 볼츠만 머신 (RBM: Restricted Boltzmann Machines)
-----9.2.2 PixelRNN/PixelCNN
-----9.2.3 변분법을 이용한 오토인코더 (VAE: Variational AutoEncoder)
-----9.2.4 생성적 대립 네트워크 (GAN: Generative Adversarial Networks)
-----9.2.5 가짜와의 전쟁: DeepFake

10장 AGI로 가는 길
10.1 특이점 Singularity
-----10.1.1 선형 대 지수 (Linear vs. Exponential)
-----10.1.2 일반 인공지능 (AGI: Artificial General Intelligence)
10.2 AGI를 향한 도전
-----10.2.1 메타학습 (Meta Learning/Learning to Learn)
-----10.2.2 전이학습 (Transfer Learning)
-----10.2.3 도메인 적응 (Domain Adaptation)
-----10.2.4 NAS (Neural Architecture Search)
-----10.2.5 AutoML (Automatic Machine Learning)
-----10.2.6 신경망 기반 추론 모델 (Deep Reasoning Model)
-----10.2.7 자기지도학습 (Self-Supervised Learning)
-----10.2.8 셀프 플레이 (Self Play)
10.3 AGI로 가는 길

도서소개

 

추천포스트

교환 및 환불안내

도서교환 및 환불
  • ㆍ배송기간은 평일 기준 1~3일 정도 소요됩니다.(스프링 분철은 1일 정도 시간이 더 소요됩니다.)
  • ㆍ상품불량 및 오배송등의 이유로 반품하실 경우, 반품배송비는 무료입니다.
  • ㆍ고객님의 변심에 의한 반품,환불,교환시 택배비는 본인 부담입니다.
  • ㆍ상담원과의 상담없이 교환 및 반품으로 반송된 물품은 책임지지 않습니다.
  • ㆍ이미 발송된 상품의 취소 및 반품, 교환요청시 배송비가 발생할 수 있습니다.
  • ㆍ반품신청시 반송된 상품의 수령후 환불처리됩니다.(카드사 사정에 따라 카드취소는 시일이 3~5일이 소요될 수 있습니다.)
  • ㆍ주문하신 상품의 반품,교환은 상품수령일로 부터 7일이내에 신청하실 수 있습니다.
  • ㆍ상품이 훼손된 경우 반품 및 교환,환불이 불가능합니다.
  • ㆍ반품/교환시 고객님 귀책사유로 인해 수거가 지연될 경우에는 반품이 제한될 수 있습니다.
  • ㆍ스프링제본 상품은 교환 및 환불이 불가능 합니다.
  • ㆍ군부대(사서함) 및 해외배송은 불가능합니다.
  • ㆍ오후 3시 이후 상담원과 통화되지 않은 취소건에 대해서는 고객 반품비용이 발생할 수 있습니다.
반품안내
  • 마이페이지 > 나의상담 > 1 : 1 문의하기 게시판 또는 고객센터 : 070-4821-5101
교환/반품주소
  • 부산광역시 부산진구 중앙대로 856 303호 / (주)스터디채널 / 전화 : 070-4821-5101
  • 택배안내 : CJ대한통운(1588-1255)
  • 고객님 변심으로 인한 교환 또는 반품시 왕복 배송비 5,000원을 부담하셔야 하며, 제품 불량 또는 오 배송시에는 전액을 당사에서부담 합니다.