품목정보
발행일 | 2022년 04월 01일 |
---|---|
쪽수, 무게, 크기 | 488쪽 | 153*223*30mm |
ISBN13 | 9791162245415 |
ISBN10 | 1162245417 |
발행일 | 2022년 04월 01일 |
---|---|
쪽수, 무게, 크기 | 488쪽 | 153*223*30mm |
ISBN13 | 9791162245415 |
ISBN10 | 1162245417 |
〈기본 편〉 0장. 프롤로그 __0.1 인공지능과 인공신경망 ____0.1.1 인공지능의 역사 ____0.1.2 머신러닝과 딥러닝 ____0.1.3 인공신경망 개요 __0.2 케라스 소개 ____0.2.1 케라스 2의 주요 특징 1장. 케라스 시작하기 __1.1 우분투에서 케라스 설치하기 ____1.1.1 아나콘다 파이썬 배포판 설치 ____1.1.2 아나콘다를 이용한 케라스 설치 ____1.1.3 케라스에서 GPU 사용을 위한 CUDA/cuDNN 설치 __1.2 윈도우에서 케라스 설치하기 ____1.2.1 아나콘다 파이썬 배포판 설치 ____1.2.2 아나콘다를 이용한 케라스 설치 __1.3 주피터 설치하기 __1.4 케라스 사용하기 ____1.4.1 실습 내용 소개 ____1.4.2 텍스트 모드 실습 ____1.4.3 주피터 모드 실습 __1.5 케라스 기능 __1.6 마치며 2장. 케라스로 구현하는 ANN __2.1 ANN 원리 ____2.1.1 ANN 개념 ____2.1.2 ANN 구조 ____2.1.3 ANN 활용 ____2.1.4 ANN 구현 방법 및 단계 __2.2 필기체를 구분하는 분류 ANN 구현 ____2.2.1 분류 ANN을 위한 인공지능 모델 구현 ____2.2.2 분류 ANN에 사용할 데이터 가져오기 ____2.2.3 분류 ANN 학습 결과의 그래프 구현 ____2.2.4 분류 ANN 학습 및 성능 분석 __2.3 결과 데이터를 예측하는 회귀 ANN 구현 ____2.3.1 회귀 ANN 모델링 ____2.3.2 학습과 평가용 데이터 가져오기 ____2.3.3 회귀 ANN 학습 결과 그래프 구현 ____2.3.4 회귀 ANN 학습 및 성능 분석 __2.4 마치며 3장. 케라스로 구현하는 DNN __3.1 DNN 원리 ____3.1.1 DNN 개념과 구조 ____3.1.2 경사도 소실 문제와 ReLU 활성화 함수 ____3.1.3 DNN 구현 단계 __3.2 필기체를 분류하는 DNN 구현 ____3.2.1 기본 매개변수 설정 ____3.2.2 DNN 모델 구현 ____3.2.3 데이터 준비 ____3.2.4 학습 및 성능 평가 __3.3 컬러 이미지를 분류하는 DNN 구현 ____3.3.1 데이터 가져오기 ____3.3.2 DNN 모델링 ____3.3.3 학습 효과 분석 ____3.3.4 학습 및 성능 평가 __3.4 마치며 4장 케라스로 구현하는 CNN __4.1 CNN 원리 __4.2 필기체를 분류하는 CNN 구현 ____4.2.1 분류 CNN 모델링 ____4.2.2 분류 CNN을 위한 데이터 준비 ____4.2.3 분류 CNN 학습 효과 분석 ____4.2.4 분류 CNN 학습 및 성능 평가 __4.3 컬러 이미지를 분류하는 CNN 구현 ____4.3.1 분류 CNN 패키지 가져오기 ____4.3.2 분류 CNN 모델링 ____4.3.3 분류 CNN을 위한 데이터 준비 ____4.3.4 분류 CNN의 학습 및 성능 평가를 위한 머신 클래스 ____4.3.5 분류 CNN의 학습 및 성능 평가 수행 __4.4 마치며 5장 케라스로 구현하는 RNN __5.1 RNN 원리 ____5.1.1 RNN의 개념과 구조 ____5.1.2 LSTM 구조 및 동작 __5.2 문장을 판별하는 LSTM 구현 ____5.2.1 라이브러리 패키지 가져오기 ____5.2.2 데이터 준비 ____5.2.3 모델링 ____5.2.4 학습 및 성능 평가 __5.3 시계열 데이터를 예측하는 LSTM 구현 ____5.3.1 라이브러리 패키지 가져오기 ____5.3.2 코드 실행 및 결과 보기 ____5.3.3 학습하고 평가하기 ____5.3.4 LSTM 시계열 데이터 회귀 모델링 ____5.3.5 데이터 가져오기 __5.4 마치며 6장 케라스로 구현하는 AE __6.1 AE 원리 __6.2 완전 연결 계층을 이용한 AE 구현 ____6.2.1 완전 연결 계층 AE 모델링 ____6.2.2 데이터 준비 ____6.2.3 학습 효과 분석 ____6.2.4 완전 연결 계층 AE의 동작 확인 ____6.2.5 학습 및 성능 평가 __6.3 합성곱 계층을 이용한 AE 구현 ____6.3.1 합성곱 AE 모델링 ____6.3.2 데이터 준비 및 학습 효과 분석 ____6.3.3 합성곱 AE 결과 시각화 ____6.3.4 합성곱 AE 학습 및 성능 평가 __6.4 마치며 7장. 케라스로 구현하는 GAN __7.1 GAN 원리 ____7.1.1 GAN의 목적과 개념 ____7.1.2 GAN의 구조 ____7.1.3 GAN의 동작 원리 ____7.1.4 GAN의 동작 사례 __7.2 확률분포 생성을 위한 완전 연결 계층 GAN 구현 ____7.2.1 패키지 가져오기 ____7.2.2 데이터 생성 클래스 만들기 ____7.2.3 GAN 모델링 ____7.2.4 머신 구현하기 ____7.2.5 코드 수행과 결과 보기 __7.3 필기체를 생성하는 합성곱 계층 GAN 구현 ____7.3.1 공통 패키지 가져오기 ____7.3.2 사용자 정의 손실 함수 만들기 ____7.3.3 합성곱 계층 GAN 모델링 ____7.3.4 합성곱 계층 GAN 학습하기 ____7.3.5 합성곱 계층 GAN 수행하기 __7.4 마치며 8장 케라스로 구현하는 UNET __8.1 UNET 원리 __8.2 UNET을 이용한 컬러 복원 처리 ____8.2.1 패키지 가져오기 ____8.2.2 UNET 모델링 ____8.2.3 데이터 준비 ____8.2.4 UNET 처리 그래프 그리기 ____8.2.5 UNET 학습 및 결과 확인 __8.3 마치며 〈심화 편〉 9장 케라스 확장 기능 __9.1 이미지 데이터 증강하기 ____9.1.1 응용 코드 구현 ____9.1.2 세부 모듈 구현 __9.2 미리 학습한 모델 사용하기 ____9.2.1 응용 코드 구현 ____9.2.2 세부 모듈 구현 __9.3 간단한 신규 계층 만들기 ____9.3.1 Lambda 계층이란? ____9.3.2 파이썬 Lambda 기능 이용 ____9.3.3 Lambda 계층 전용 함수 이용 ____9.3.4 백엔드 함수 이용 ____9.3.5 엔진 전용 함수 이용 ____9.3.6 케라스의 확장 기능 이용 __9.4 학습 가능한 신규 계층 만들기 ____9.4.1 관련 패키지 가져오기 ____9.4.2 새로운 계층의 클래스 만들기 ____9.4.3 사용 데이터 준비하기 ____9.4.4 신규 계층이 포함된 모델링 만들기 ____9.4.5 모델의 학습과 성능 평가 __9.5 케라스의 확장된 기능 이용하기 ____9.5.1 텐서플로 가져오기와 내장 케라스 사용하기 ____9.5.2 완전 연결층 인공신경망 모델링 ____9.5.3 데이터 준비 ____9.5.4 학습 진행 및 효과 분석 단계 ____9.5.5 주 함수 구현 및 실행 __9.6 마치며 10장. 케라스로 구현하는 RL __10.1 강화학습 원리 ____10.1.1 강화학습의 정의 및 주요 용어 ____10.1.2 강화학습 최적화 기본 방법 __10.2 정책 반복법을 이용하는 강화학습 사례 ____10.2.1 Gym을 이용한 강화학습 환경 구성하기 ____10.2.2 무작위 행동에 따른 상태, 보상 그리고 종료 여부 관찰하 기 ____10.2.3 반환값 구하기 ____10.2.4 가치함수 구하기 ____10.2.5 행동가치함수 구하기 ____10.2.6 새로운 정책 구하기 ____10.2.7 새로운 정책 사용하기 __10.3 Q-Learning을 이용하는 강화학습 사례 ____10.3.1 패키지 가져오기 및 초기화 ____10.3.2 주어진 정책에 따른 시행 함수 만들기 ____10.3.3 Q-learning 만들기 ____10.3.4 Q-learning 실행하기 __10.4 딥러닝 기반 Q-Learning을 이용하는 강화학습 ____10.4.1 관련 패키지 가져오기 ____10.4.2 Q 함수를 위한 뉴럴넷 구성하기 ____10.4.3 텐서플로 기능을 이용한 Q 함수 뉴럴넷 학습 코드 작성 ____10.4.4 객체지향 방식으로 Q 함수 뉴럴넷 모델을 학습시키기 ____10.4.5 추가 Q 함수 뉴럴넷 모델을 이용한 학습 ____10.4.6 시도와 동시에 학습이 진행되게 만들기 __10.5 마치며 11장. 케라스로 구현하는 QAI __11.1 양자컴퓨팅과 양자인공지능의 기초 ____11.1.1 양자비트 상태 표현과 측정 ____11.1.2 단일 양자비트 연산자 ____11.1.3 다중 양자비트 표현 및 연산 ____11.1.4 블로흐 구면과 지정 양자상태 회전 __11.2 양자컴퓨팅 알고리즘 구현 ____11.2.1 기본 양자회로 만들기 ____11.2.2 입력을 반전시키는 양자회로 ____11.2.3 두 상태를 중첩하는 양자회로 ____11.2.4 두 개 양자비트를 입력으로 하는 CNOT 연산 ____11.2.5 벨 상태 만들기 __11.3 양자인공지능 알고리즘 구현 ____11.3.1 매개변수가 있는 가변양자회로 알고리즘 ____11.3.2 하이브리드 양자인공지능 학습하기 __11.4 마치며 |
첫번째 한줄평을 남겨주세요.
배송 구분 |
예스24 배송
|
---|---|
포장 안내 |
안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다.
목적 : 안전한 포장 관리 |
상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)
반품/교환 방법 |
|
---|---|
반품/교환 가능기간 |
|
반품/교환 비용 |
|
반품/교환 불가사유 |
|
소비자 피해보상 |
|
환불 지연에 따른 배상 |
|