딥러닝의 정석: 텐서플로와 최신 기법으로 배우는 딥러닝 알고리즘 설계

딥러닝의 정석: 텐서플로와 최신 기법으로 배우는 딥러닝 알고리즘 설계

by 고강원, 금경목, 니킬 부두마
Released March 2018
Publisher(s): Hanbit Media, Inc.
ISBN: 9791162240519

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

딥러닝에 대한 연구가 매우 활발해지면서 현대 머신러닝의 새로운 길이 열리고 있다. 구글, 마이크로소프트, 페이스북 같은 글로벌 기업들도 사활을 걸고 딥러닝을 연구하고 있다. 이 책은 딥러닝의 주요 개념을 이해할 수 있도록 상세한 설명과 예제를 제공한다. 파이썬에 익숙하고 머신러닝 및 미적분에 대한 배경지식이 있다면 이 책으로 딥러닝을 제대로 시작할 수 있다.

Table of contents

  1. 딥러닝의 정석
    1. 지은이·옮긴이 소개
    2. 옮긴이의 말
    3. 이 책에 대하여
    4. 감사의 말
    5. 추천의 말
    6. 목차 (1/2)
    7. 목차 (2/2)
  2. CHAPTER 1 신경망
    1. 1.1 지능형 기계 만들기
    2. 1.2 기존 컴퓨터 프로그램의 한계
    3. 1.3 머신러닝의 작동 원리
    4. 1.4 뉴런
    5. 1.5 뉴런으로 선형 퍼셉트론 표현하기
    6. 1.6 전방향 신경망
    7. 1.7 선형 뉴런과 그 한계
    8. 1.8 시그모이드, tanh, ReLU 뉴런
    9. 1.9 소프트맥스 출력층
    10. 1.10 요약
  3. CHAPTER 2 전방향 신경망 학습
    1. 2.1 패스트푸드 문제
    2. 2.2 경사 하강법
    3. 2.3 델타 규칙과 학습률
    4. 2.4 시그모이드 뉴런의 경사 하강법
    5. 2.5 역전파 알고리즘
    6. 2.6 확률적 경사 하강법과 미니배치 경사 하강법
    7. 2.7 테스트 데이터와 검증 데이터 그리고 과적합 (1/2)
    8. 2.7 테스트 데이터와 검증 데이터 그리고 과적합 (2/2)
    9. 2.8 신경망에서 과적합 막기
    10. 2.9 요약
  4. CHAPTER 3 텐서플로로 신경망 구현하기
    1. 3.1 텐서플로란?
    2. 3.2 텐서플로와 대안들을 어떻게 비교할까?
    3. 3.3 텐서플로 설치하기
    4. 3.4 텐서플로 변수 만들기와 조작하기
    5. 3.5 텐서플로 연산
    6. 3.6 placeholder 텐서
    7. 3.7 텐서플로의 세션
    8. 3.8 변수 범위 탐색과 변수 공유
    9. 3.9 CPU와 GPU로 모델 관리하기
    10. 3.10 텐서플로에서 로지스틱 회귀 모델 지정하기
    11. 3.11 로지스틱 회귀 모델 기록하기와 학습시키기
    12. 3.12 텐서보드로 계산 그래프와 학습 시각화하기
    13. 3.13 텐서플로에서 MNIST를 위한 다층 모델 만들기
    14. 3.14 요약
  5. CHAPTER 4 경사 하강법을 넘어서
    1. 4.1 경사 하강법의 과제
    2. 4.2 심층 신경망의 오차 곡면에서 지역 최소값
    3. 4.3 모델 식별성
    4. 4.4 심층 신경망에서 가짜 지역 최소값들은 얼마나 다루기 어려운가?
    5. 4.5 오차 곡면의 평평한 구간
    6. 4.6 잘못된 방향의 경사
    7. 4.7 모멘텀 기반 최적화
    8. 4.8 이차 방법에 대한 개요
    9. 4.9 학습률 적응
      1. 4.9.1 AdaGrad - 경사의 이력 누적
      2. 4.9.2 RMSProp – 경사의 지수가중이동평균
      3. 4.9.3 Adam – 모멘텀과 RMSProp의 조합
    10. 4.10 최적화 도구 선택의 철학
    11. 4.11 요약
  6. CHAPTER 5 합성곱 신경망
    1. 5.1 인간 시각에서의 뉴런
    2. 5.2 특징 선택의 단점
    3. 5.3 크기 조정 없는 바닐라 심층 신경망
    4. 5.4 필터와 특징 맵
    5. 5.5 합성곱층 정리
    6. 5.6 최대 풀링
    7. 5.7 합성곱 신경망의 전체 구조
    8. 5.8 합성곱 신경망으로 MNIST에서 순환 반복 끝내기
    9. 5.9 더 견고한 모델을 만드는 이미지 전처리 파이프라인
    10. 5.10 배치 정규화로 학습 가속하기
    11. 5.11 CIFAR-10을 위한 합성곱 신경망 만들기
    12. 5.12 합성곱 신경망 학습 시각화하기
    13. 5.13 합성곱 필터로 예술 스타일 복제하기
    14. 5.14 다른 문제 영역에서 합성곱 필터 학습하기
    15. 5.15 요약
  7. CHAPTER 6 임베딩과 표상학습
    1. 6.1 저차원 표현 학습하기
    2. 6.2 주성분 분석
    3. 6.3 오토인코더 구조의 동기
    4. 6.4 텐서플로로 오토인코더 구현하기 (1/3)
    5. 6.4 텐서플로로 오토인코더 구현하기 (2/3)
    6. 6.4 텐서플로로 오토인코더 구현하기 (3/3)
    7. 6.5 견고한 표현을 강제하는 디노이징
    8. 6.6 오토인코더의 희소성
    9. 6.7 입력 벡터보다 문맥이 더 유익할 때
    10. 6.8 Word2Vec 프레임워크
    11. 6.9 Skip-Gram 구조 구현하기 (1/2)
    12. 6.9 Skip-Gram 구조 구현하기 (2/2)
    13. 6.10 요약
  8. CHAPTER 7 시퀀스 분석을 위한 모델
    1. 7.1 가변 길이 입력 분석하기
    2. 7.2 신경망 n-gram으로 seq2seq 해결하기
    3. 7.3 품사 태거 구현하기 (1/2)
    4. 7.3 품사 태거 구현하기 (2/2)
    5. 7.4 의존 구문 분석과 SyntaxNet
    6. 7.5 빔 탐색과 전역 정규화
    7. 7.6 상태 기반 딥러닝 모델 사례
    8. 7.7 순환 신경망
    9. 7.8 사라지는 경사도 문제
    10. 7.9 LSTM 유닛 (1/2)
    11. 7.9 LSTM 유닛 (2/2)
    12. 7.10 RNN 모델을 위한 텐서플로 기초 요소
    13. 7.11 감정 분석 모델 구현하기
    14. 7.12 순환 신경망으로 seq2seq 과제 풀기
    15. 7.13 주의집중으로 순환망 증강하기
    16. 7.14 신경 번역망 해부하기 (1/5)
    17. 7.14 신경 번역망 해부하기 (2/5)
    18. 7.14 신경 번역망 해부하기 (3/5)
    19. 7.14 신경 번역망 해부하기 (4/5)
    20. 7.14 신경 번역망 해부하기 (5/5)
    21. 7.15 요약
  9. CHAPTER 8 메모리 증강 신경망
    1. 8.1 신경 튜링 기계
    2. 8.2 주의집중 기반 메모리 접근
    3. 8.3 NTM 메모리 주소 지정 동작 방식
    4. 8.4 미분 가능 신경 컴퓨터
    5. 8.5 DNC에서 간섭 없는 쓰기
    6. 8.6 DNC 메모리 재사용
    7. 8.7 DNC 쓰기의 시간적 연결
    8. 8.8 DNC 읽기 헤드 이해
    9. 8.9 DNC 제어기 신경망
    10. 8.10 동작 중인 DNC 시각화하기
    11. 8.11 텐서플로에서 DNC 구현하기 (1/2)
    12. 8.11 텐서플로에서 DNC 구현하기 (2/2)
    13. 8.12 읽기와 이해를 위한 DNC 가르치기
    14. 8.13 요약
  10. CHAPTER 9 심층 강화학습
    1. 9.1 아타리 게임을 점령한 심층 강화학습
    2. 9.2 강화학습이란?
    3. 9.3 마르코프 결정 과정
      1. 9.3.1 정책
      2. 9.3.2 미래 수익
      3. 9.3.3 감쇠된 미래 수익
    4. 9.4 탐색 대 활용
    5. 9.5 정책 대 가치학습
      1. 9.5.1 정책 경사를 통한 정책학습
    6. 9.6 정책 경사가 있는 막대기-수레 문제
      1. 9.6.1 OpenAI Gym
      2. 9.6.2 에이전트 만들기
      3. 9.6.3 모델과 최적화 도구 만들기
      4. 9.6.4 샘플링 행동
      5. 9.6.5 이력 추적하기
      6. 9.6.6 정책 경사 메인 함수
      7. 9.6.7 막대기-수레 문제에서 PGAgent 성능
    7. 9.7 Q 러닝과 DQN
      1. 9.7.1 벨만 방정식
      2. 9.7.2 가치 반복법의 문제
      3. 9.7.3 Q 함수 근사하기
      4. 9.7.4 DQN
      5. 9.7.5 DQN 학습시키기
      6. 9.7.6 학습 안정성
      7. 9.7.7 타깃 Q 망
      8. 9.7.8 경험 재생
      9. 9.7.9 Q 함수에서 정책으로
      10. 9.7.10 DQN과 마르코프 가정
      11. 9.7.11 마르코프 가정에 대한 DQN의 해법
      12. 9.7.12 DQN으로 브레이크아웃 플레이하기
      13. 9.7.13 구조 만들기
      14. 9.7.14 프레임 쌓기
      15. 9.7.15 학습 동작 설정하기
      16. 9.7.16 타깃 Q 망의 갱신
      17. 9.7.17 경험 재생 구현하기
      18. 9.7.18 DQN 메인 루프
      19. 9.7.19 브레이크아웃에 대한 DQNAgent 결과
    8. 9.8 DQN 개선하기
      1. 9.8.1 DRQN
      2. 9.8.2 A3C
      3. 9.8.3 UNREAL
    9. 9.9 요약
  11. 찾아보기

Product information

  • Title: 딥러닝의 정석: 텐서플로와 최신 기법으로 배우는 딥러닝 알고리즘 설계
  • Author(s): 고강원, 금경목, 니킬 부두마
  • Release date: March 2018
  • Publisher(s): Hanbit Media, Inc.
  • ISBN: 9791162240519