누구나 쉽게 배우는 딥러닝 스타트

Chapter 01 인공지능, 머신러닝, 딥러닝의 이해 01 인공지능 기술이 가져온 혁신 인공지능이라는 과학 기술 우리의 삶 여러 곳에 스며든 인공지능 기술 언어 인공지능 ChatGPT와 대규모 언어 모델 인공지능을 판별하는 방법: 튜링 테스트 지능에 대한 다양한 정의 다트머스 회의와 인공지능의 역사 02 데이터를 기반으로 학습하는 머신러닝을 알아보자 머신러닝을 정의하고 이해하자 명시적 프로그래밍과 머신러닝 03 딥러닝을 알아보자 생물학에서 밝혀 낸 신경세포의 구조 신경세포를 흉내 낸 프로그램인 퍼셉트론 요약 연습 문제 Chapter 02 딥러닝을 위한 기초 지식 01 딥러닝을 위한 기초 수학: 일차 함수와 이차 함수 함수의 정의 일차 함수와 이차 함수 02 미분을 알아보자 극한의 의미 순간 변화율 = 미분 합성 함수와 연쇄 법칙 딥러닝에서 목적 함수의 미분이 중요한 이유 여러 개의 변수를 가진 함수의 최적화를 위한 편미분 03 머신러닝과 딥러닝의 종류를 알아보자 머신러닝의 종류 회귀와 분류 문제 요약 연습 문제 Chapter 03 개발환경 구축과 넘파이 01 파이썬과 구글 코랩 파이썬 프로그래밍 언어 코랩 환경에서 코딩하기 02 구글 코랩의 여러 가지 기능들 코랩과 가상환경 딥러닝을 위한 라이브러리 살펴보기 03 강력한 기능을 가진 넘파이를 알아보자 다차원 배열의 속성을 알아보자 파이썬의 강력한 자료구조인 리스트와 넘파이의 다차원 배열 다차원 배열의 연산 편리하고 강력한 브로드캐스팅과 벡터화 연산 다차원 배열을 쉽게 생성해 보자 다차원 배열을 합하는 append() 함수 04 넘파이의 고급 기능을 알아보자 인덱싱과 슬라이싱 난수를 생성해 보자 여러 개의 배열값을 얻는 방법 배열의 형태를 바꾸는 reshape() 메소드와 flatten() 메소드 05 딥러닝을 위한 행렬 딥러닝을 위한 행렬의 핵심 개념 행렬 곱 연산 인공신경망과 행렬 단위행렬과의 곱 요약 연습 문제 코딩 문제 Chapter 04 선형 회귀와 경사하강법 01 데이터의 특성과 선형 회귀를 알아보자 특성과 변수 통계학이 하는 일 회귀 분석이란 데이터의 분포를 설명하는 좋은 함수를 찾는 것 02 오차와 오차의 측정 데이터의 분포와 경향성 데이터와 정답의 차이: 오차 평균 절대값 오차와 평균 제곱오차 선형 회귀 직선 구하기 예시 오차 곡선의 최적값을 구하는 기울기와 미분 03 경사하강법을 알아보는 실습 04 사이킷런을 이용한 선형 회귀 여러 가지 머신러닝 라이브러리들 간단한 데이터로 선형 회귀를 수행해 보자 데이터를 시각화하고 차원을 증가시키자 오차 곡면을 알아보자 경사하강법과 학습률 정규화와 표준화 요약 연습 문제 코딩 문제 Chapter 05 신경세포와 퍼셉트론 01 뇌와 신경세포 그리고 퍼셉트론 경이로운 인간의 뇌와 지능의 신비 신경세포를 흉내 낸 프로그램인 퍼셉트론 퍼셉트론과 연결주의의 등장 02 퍼셉트론의 표현 방법 행렬을 이용한 퍼셉트론 표현 방법 신호의 전달 여부를 결정하는 임계값 퍼셉트론 프로그램 만들기 OR 논리 연산을 퍼셉트론으로 구현하자 편향값을 추가하자 편향값을 추가하여 활성화 함수를 간단하게 만들자 편향값을 가진 퍼셉트론으로 구현하자 03 XOR 문제와 다층 퍼셉트론 논리 연산의 결과를 시각화하자 인공지능 연구의 침체기를 가져온 XOR 문제 은닉 노드를 가진 다층 퍼셉트론의 등장 다층 퍼셉트론으로 해결할 수 있는 문제들 04 퍼셉트론 학습시키기 퍼셉트론과 학습의 원리 퍼셉트론의 학습을 위한 행렬 표현 방법 동시에 여러 가지 작업을 처리하는 병렬 처리 시스템 다층 퍼셉트론의 가중치들은 어떻게 학습시킬까 요약 연습 문제 코딩 문제 Chapter 06 오차 역전파 01 활성화 함수와 신경망의 가중치 조절 다층 퍼셉트론의 학습 단계 순전파와 역전파 오차 역전파 알고리즘의 간략한 역사 02 역전파 알고리즘에 대한 직관적 이해 계산 그래프를 이용한 오차 역전파의 이해 계산 그래프의 순방향 계산 계산 그래프의 역방향 계산 03 계산 그래프 실습하기 곱셈 노드, 덧셈 노드의 미분과 역전파 과정 전체 계산 그래프를 만들기 입력 노드에 대한 출력값의 영향을 어떻게 활용할까 오차와 계산 그래프 04 시그모이드 계층의 역전파 시그모이드 함수의 미분과 계산 그래프 퍼셉트론의 구조와 계산 그래프 그리고 오차 역전파의 혁신 05 ReLU 활성화 함수 활성화 함수의 중요성 ReLU 함수를 그려보자 요약 연습 문제 코딩 문제 Chapter 07 텐서플로로 구현하는 딥러닝 01 딥러닝을 위한 도구: 텐서플로 텐서플로와 MNIST 데이터 컴퓨터는 이미지를 어떻게 저장할까 MNIST 데이터 시각화하기 02 딥러닝 모델을 만들고 학습시키기 딥러닝을 위한 모델 만들기와 학습 단계 인공 신경망을 학습시켜 보자 03 신경망 학습의 출력값과 정답의 차이를 알아보자 부드러운 최대값: 소프트맥스 함수 원-핫 인코딩과 범주형 데이터의 평균 제곱오차 원-핫 인코딩 데이터의 오차를 구하는 교차 엔트로피 오차 최적화 기법 요약 연습 문제 코딩 문제 Chapter 08 텐서와 딥러닝 모델 응용 01 텐서를 알아보자 인공지능의 부흥, 고성능 하드웨어 기술 그리고 텐서플로 텐서의 개념 텐서플로 라이브러리 텐서 그래프가 가지는 장점들 완전 연결층을 만드는 방법 입력 형상 지정하기 02 붓꽃 데이터를 분류하는 딥러닝 모델 붓꽃 데이터를 분류하는 모델 붓꽃 데이터를 분류하는 여러 가지 순차 모델 03 딥러닝 모델을 저장하고 불러오기 붓꽃 데이터를 분류하는 모델 04 회귀 문제를 딥러닝을 통해서 풀어보자 회귀 문제를 위한 데이터를 만들고 해석하자 회귀 문제를 풀기 위한 순차 계층 모델 요약 연습 문제 코딩 문제 Chapter 09 딥러닝을 깊이 알아보자 01 딥러닝과 훈련 데이터의 중요성 딥러닝을 위한 훈련 데이터와 인공지능의 실력을 검증하는 데이터 더욱더 많은 데이터를 사용하자, 이미지넷 02 딥러닝 모델의 실력을 알아보자 모델의 정확도가 가지는 문제점 데이터의 편향과 데이터 증강 정확도, 정밀도, 재현율을 알아보자 사이킷런의 성능 지표 함수들 03 다양한 스케일러를 알아보자 다양한 스케일러 살펴보기 04 학습 데이터에만 최적화된 신경망 개선하기: 드롭아웃 드롭아웃으로 과대적합을 예방 05 패션 MNIST 데이터 패션 MNIST 데이터의 필요성 패션 MNIST 이미지 데이터 분류 요약 연습 문제 코딩 문제 Chapter 10 합성곱 신경망 01 디지털 이미지, 합성곱 신경망 그리고 필터 디지털 이미지를 처리하는 방법 인간과 동물의 인식과정에서 착안한 신경망 합성곱과 필터를 알아보자 평균 필터와 가우스 필터 이미지 불러오기와 흐림 필터 적용하기 경계를 검출하기 위한 필터 경계를 검출하기 위한 필터의 원리 02 합성곱 신경망의 기본적 구조 필터와 특징 추출 점점 작아지는 이미지 문제와 패딩 성큼성큼 이동하기: 윈도우와 스트라이드 풀링을 적용하자 03 합성곱 신경망을 위한 채널과 필터, 평탄화 과정 다중 채널에 적용되는 필터 기본 신경망과 합성곱 신경망의 비교 합성곱 신경망의 최종 단계: 평탄화 04 합성곱 신경망의 구조와 모델 훈련 과정 합성곱 신경망 모델의 전체 구조 합성곱 신경망 모델의 훈련 합성곱 신경망 모델의 결과와 시각화 요약 연습 문제 코딩 문제 Chapter 11 합성곱 신경망의 응용 01 과대적합과 과소적합을 방지하는 방법 과대적합을 알아보자 과소적합을 알아보자 교차검증으로 견고한 모델을 만들자 딥러닝 모델의 가중치 초기화 문제 배치 경사하강법, 확률적 경사하강법, 미니 배치 경사하강법 배치 정규화로 성능을 향상시키기 02 CIFAR-10 데이터를 다루자 CIFAR-10 vs CIFAR-100 데이터 CIFAR-10 이미지 데이터 인식을 위한 CNN 모델 CNN 모델을 정교하게 가다듬기 드롭아웃과 데이터 정규화로 모델의 성능 높이기 딥러닝 모델의 성능 높이기 요약 연습 문제 코딩 문제 Chapter 12 데이터 증강 01 캐글을 알아보자 데이터 분석을 위한 플랫폼인 캐글 캐글 잘 활용하기 데이터 마켓과 열린 데이터 02 데이터 증강이란 MNIST 이미지 데이터 증강 이미지 증강 라이브러리와 데이터 제너레이터 회전과 평행이…

출처: 국립중앙도서관 서지정보