확장메뉴
주요메뉴


닫기
사이즈 비교
소득공제
케라스 창시자에게 배우는 딥러닝 개정 2판

케라스 창시자에게 배우는 딥러닝 개정 2판

: 창시자의 철학까지 담은 머신 러닝/딥러닝 핵심 원리와 실무 기법

리뷰 총점10.0 리뷰 1건 | 판매지수 6,735
베스트
IT 모바일 top100 11주
구매 시 참고사항
  • 해당 도서는 분철 불가 상품입니다.
분철서비스 시작 시 알려드립니다. 분철서비스 알림신청

품목정보

품목정보
발행일 2022년 08월 30일
쪽수, 무게, 크기 628쪽 | 1590g | 183*235*37mm
ISBN13 9791140701001

이 상품의 태그

그냥 하지 말라

그냥 하지 말라

15,300 (10%)

'그냥 하지 말라' 상세페이지 이동

몬테카를로 시뮬레이션으로 배우는 확률통계 with 파이썬

몬테카를로 시뮬레이션으로 배우는 확률통계 with 파이썬

29,700 (10%)

'몬테카를로 시뮬레이션으로 배우는 확률통계 with 파이썬' 상세페이지 이동

대시보드 설계와 데이터 시각화

대시보드 설계와 데이터 시각화

29,700 (10%)

'대시보드 설계와 데이터 시각화' 상세페이지 이동

모두의 데이터 분석 with 파이썬

모두의 데이터 분석 with 파이썬

16,200 (10%)

'모두의 데이터 분석 with 파이썬' 상세페이지 이동

Do it! 쉽게 배우는 R 데이터 분석

Do it! 쉽게 배우는 R 데이터 분석

18,000 (10%)

'Do it! 쉽게 배우는 R 데이터 분석' 상세페이지 이동

데이터 시각화 교과서

데이터 시각화 교과서

25,200 (10%)

'데이터 시각화 교과서' 상세페이지 이동

케라스 창시자에게 배우는 딥러닝 개정 2판

케라스 창시자에게 배우는 딥러닝 개정 2판

43,200 (10%)

'케라스 창시자에게 배우는 딥러닝 개정 2판' 상세페이지 이동

컨버티드: 마음을 훔치는 데이터분석의 기술

컨버티드: 마음을 훔치는 데이터분석의 기술

16,020 (10%)

'컨버티드: 마음을 훔치는 데이터분석의 기술' 상세페이지 이동

다크 데이터

다크 데이터

17,100 (10%)

'다크 데이터' 상세페이지 이동

파이썬 증권 데이터 분석

파이썬 증권 데이터 분석

28,800 (10%)

'파이썬 증권 데이터 분석 ' 상세페이지 이동

Do it! 파이썬 생활 프로그래밍

Do it! 파이썬 생활 프로그래밍

18,000 (10%)

'Do it! 파이썬 생활 프로그래밍' 상세페이지 이동

데이터 분석 전문가 가이드 (ADP)(ADsP)

데이터 분석 전문가 가이드 (ADP)(ADsP)

50,000 (0%)

'데이터 분석 전문가 가이드 (ADP)(ADsP)' 상세페이지 이동

바로 시작하는 태블로

바로 시작하는 태블로

27,000 (10%)

'바로 시작하는 태블로' 상세페이지 이동

Must Have 텐초의 파이토치 딥러닝 특강

Must Have 텐초의 파이토치 딥러닝 특강

27,000 (10%)

'Must Have 텐초의 파이토치 딥러닝 특강' 상세페이지 이동

스파크 완벽 가이드

스파크 완벽 가이드

43,200 (10%)

'스파크 완벽 가이드' 상세페이지 이동

태블로 굿모닝 굿애프터눈

태블로 굿모닝 굿애프터눈

29,700 (10%)

'태블로 굿모닝 굿애프터눈' 상세페이지 이동

데이터 천재들은 어떻게 기획하고 분석할까?

데이터 천재들은 어떻게 기획하고 분석할까?

16,200 (10%)

'데이터 천재들은 어떻게 기획하고 분석할까?' 상세페이지 이동

데이터 시각적 분석 태블로로 끝내기

데이터 시각적 분석 태블로로 끝내기

27,000 (10%)

'데이터 시각적 분석 태블로로 끝내기' 상세페이지 이동

파이썬 데이터 분석 실무 테크닉 100

파이썬 데이터 분석 실무 테크닉 100

23,400 (10%)

'파이썬 데이터 분석 실무 테크닉 100' 상세페이지 이동

데이터로 전문가처럼 말하기

데이터로 전문가처럼 말하기

25,200 (10%)

'데이터로 전문가처럼 말하기' 상세페이지 이동

카드 뉴스로 보는 책

책소개 책소개 보이기/감추기

목차 목차 보이기/감추기

1장 딥러닝이란 무엇인가?

1.1 인공 지능과 머신 러닝, 딥러닝

__1.1.1 인공 지능

__1.1.2 머신 러닝

__1.1.3 데이터에서 표현을 학습하기

__1.1.4 딥러닝에서 ‘딥’이란 무엇일까?

__1.1.5 그림 3개로 딥러닝의 작동 원리 이해하기

__1.1.6 지금까지 딥러닝의 성과

__1.1.7 단기간의 과대 선전을 믿지 말자

__1.1.8 AI에 대한 전망

1.2 딥러닝 이전: 머신 러닝의 간략한 역사

__1.2.1 확률적 모델링

__1.2.2 초창기 신경망

__1.2.3 커널 방법

__1.2.4 결정 트리, 랜덤 포레스트, 그레이디언트 부스팅 머신

__1.2.5 다시 신경망으로

__1.2.6 딥러닝의 특징

__1.2.7 머신 러닝의 최근 동향

1.3 왜 딥러닝일까? 왜 지금일까?

__1.3.1 하드웨어

__1.3.2 데이터

__1.3.3 알고리즘

__1.3.4 새로운 투자의 바람

__1.3.5 딥러닝의 대중화

__1.3.6 지속될까?


2장 신경망의 수학적 구성 요소

2.1 신경망과의 첫 만남

2.2 신경망을 위한 데이터 표현

__2.2.1 스칼라(랭크- 0 텐서)

__2.2.2 벡터(랭크-1 텐서)

__2.2.3 행렬(랭크-2 텐서)

__2.2.4 랭크-3 텐서와 더 높은 랭크의 텐서

__2.2.5 핵심 속성

__2.2.6 넘파이로 텐서 조작하기

__2.2.7 배치 데이터

__2.2.8 텐서의 실제 사례

__2.2.9 벡터 데이터

__2.2.10 시계열 데이터 또는 시퀀스 데이터

__2.2.11 이미지 데이터

__2.2.12 비디오 데이터

2.3 신경망의 톱니바퀴: 텐서 연산

__2.3.1 원소별 연산

__2.3.2 브로드캐스팅

__2.3.3 텐서 곱셈

__2.3.4 텐서 크기 변환

__2.3.5 텐서 연산의 기하학적 해석

__2.3.6 딥러닝의 기하학적 해석

2.4 신경망의 엔진: 그레이디언트 기반 최적화

__2.4.1 도함수란?

__2.4.2 텐서 연산의 도함수: 그레이디언트

__2.4.3 확률적 경사 하강법

__2.4.4 도함수 연결: 역전파 알고리즘

2.5 첫 번째 예제 다시 살펴보기

__2.5.1 텐서플로를 사용하여 첫 번째 예제를 밑바닥부터 다시 구현하기

__2.5.2 훈련 스텝 실행하기

__2.5.3 전체 훈련 루프

__2.5.4 모델 평가하기

2.6 요약


3장 케라스와 텐서플로 소개

3.1 텐서플로란?

3.2 케라스란?

3.3 케라스와 텐서플로의 간략한 역사

3.4 딥러닝 작업 환경 설정하기

__3.4.1 주피터 노트북: 권장하는 딥러닝 실험 도구

__3.4.2 코랩 사용하기

3.5 텐서플로 시작하기

__3.5.1 상수 텐서와 변수

__3.5.2 텐서 연산: 텐서플로에서 수학 계산하기

__3.5.3 GradientTape API 다시 살펴보기

__3.5.4 엔드-투-엔드 예제: 텐서플로 선형 분류기

3.6 신경망의 구조: 핵심 Keras API 이해하기

__3.6.1 층: 딥러닝의 구성 요소

__3.6.2 층에서 모델로

__3.6.3 ‘컴파일’ 단계: 학습 과정 설정

__3.6.4 손실 함수 선택하기

__3.6.5 fit( ) 메서드 이해하기

__3.6.6 검증 데이터에서 손실과 측정 지표 모니터링하기

__3.6.7 추론: 훈련한 모델 사용하기

3.7 요약


4장 신경망 시작하기: 분류와 회귀

4.1 영화 리뷰 분류: 이진 분류 문제

__4.1.1 IMDB 데이터셋

__4.1.2 데이터 준비

__4.1.3 신경망 모델 만들기

__4.1.4 훈련 검증

__4.1.5 훈련된 모델로 새로운 데이터에 대해 예측하기

__4.1.6 추가 실험

__4.1.7 정리

4.2 뉴스 기사 분류: 다중 분류 문제

__4.2.1 로이터 데이터셋

__4.2.2 데이터 준비

__4.2.3 모델 구성

__4.2.4 훈련 검증

__4.2.5 새로운 데이터에 대해 예측하기

__4.2.6 레이블과 손실을 다루는 다른 방법

__4.2.7 충분히 큰 중간층을 두어야 하는 이유

__4.2.8 추가 실험

__4.2.9 정리

4.3 주택 가격 예측: 회귀 문제

__4.3.1 보스턴 주택 가격 데이터셋

__4.3.2 데이터 준비

__4.3.3 모델 구성

__4.3.4 K-겹 검증을 사용한 훈련 검증

__4.3.5 새로운 데이터에 대해 예측하기

__4.3.6 정리

4.4 요약


5장 머신 러닝의 기본 요소

5.1 일반화: 머신 러닝의 목표

__5.1.1 과소적합과 과대적합

__5.1.2 딥러닝에서 일반화의 본질

5.2 머신 러닝 모델 평가

__5.2.1 훈련, 검증, 테스트 세트

__5.2.2 상식 수준의 기준점 넘기

__5.2.3 모델 평가에 대해 유념해야 할 점

5.3 훈련 성능 향상하기

__5.3.1 경사 하강법의 핵심 파라미터 튜닝하기

__5.3.2 구조에 대해 더 나은 가정하기

__5.3.3 모델 용량 늘리기

5.4 일반화 성능 향상하기

__5.4.1 데이터셋 큐레이션

__5.4.2 특성 공학

__5.4.3 조기 종료 사용하기

__5.4.4 모델 규제하기

5.5 요약


6장 일반적인 머신 러닝 워크플로

6.1 작업 정의

__6.1.1 문제 정의

__6.1.2 데이터 수집

__6.1.3 데이터 이해

__6.1.4 성공 지표 선택

6.2 모델 개발

__6.2.1 데이터 준비

__6.2.2 평가 방법 선택

__6.2.3 기준 모델 뛰어넘기

__6.2.4 모델 용량 키우기: 과대적합 모델 만들기

__6.2.5 모델 규제와 하이퍼파라미터 튜닝

6.3 모델 배포

__6.3.1 고객에게 작업을 설명하고 기대치 설정하기

__6.3.2 추론 모델 배치하기

__6.3.3 작동 중 모델 모니터링하기

__6.3.4 모델 유지 관리

6.4 요약


7장 케라스 완전 정복

7.1 다양한 워크플로

7.2 케라스 모델을 만드는 여러 방법

__7.2.1 Sequential 모델

__7.2.2 함수형 API

__7.2.3 Model 서브클래싱

__7.2.4 여러 방식을 혼합하여 사용하기

__7.2.5 작업에 적합한 도구 사용하기

7.3 내장된 훈련 루프와 평가 루프 사용하기

__7.3.1 사용자 정의 지표 만들기

__7.3.2 콜백 사용하기

__7.3.3 사용자 정의 콜백 만들기

__7.3.4 텐서보드를 사용한 모니터링과 시각화

7.4 사용자 정의 훈련, 평가 루프 만들기

__7.4.1 훈련 vs 추론

__7.4.2 측정 지표의 저수준 사용법

__7.4.3 완전한 훈련과 평가 루프

__7.4.4 tf.function으로 성능 높이기

__7.4.5 fit( ) 메서드를 사용자 정의 루프로 활용하기

7.5 요약


8장 컴퓨터 비전을 위한 딥러닝

8.1 합성곱 신경망 소개

__8.1.1 합성곱 연산

__8.1.2 최대 풀링 연산

8.2 소규모 데이터셋에서 밑바닥부터 컨브넷 훈련하기

__8.2.1 작은 데이터셋 문제에서 딥러닝의 타당성

__8.2.2 데이터 내려받기

__8.2.3 모델 만들기

__8.2.4 데이터 전처리

__8.2.5 데이터 증식 사용하기

8.3 사전 훈련된 모델 활용하기

__8.3.1 사전 훈련된 모델을 사용한 특성 추출

__8.3.2 사전 훈련된 모델 미세 조정하기

8.4 요약


9장 컴퓨터 비전을 위한 고급 딥러닝

9.1 세 가지 주요 컴퓨터 비전 작업

9.2 이미지 분할 예제

9.3 최신 컨브넷 아키텍처 패턴

__9.3.1 모듈화, 계층화 그리고 재사용

__9.3.2 잔차 연결

__9.3.3 배치 정규화

__9.3.4 깊이별 분리 합성곱

__9.3.5 Xception 유사 모델에 모두 적용하기

9.4 컨브넷이 학습한 것 해석하기

__9.4.1 중간 활성화 시각화

__9.4.2 컨브넷 필터 시각화하기

__9.4.3 클래스 활성화의 히트맵 시각화하기

9.5 요약


10장 시계열을 위한 딥러닝

10.1 다양한 종류의 시계열 작업

10.2 온도 예측 문제

__10.2.1 데이터 준비

__10.2.2 상식 수준의 기준점

__10.2.3 기본적인 머신 러닝 모델 시도해 보기

__10.2.4 1D 합성곱 모델 시도해 보기

__10.2.5 첫 번째 순환 신경망

10.3 순환 신경망 이해하기

__10.3.1 케라스의 순환 층

__10.4 순환 신경망의 고급 사용법

__10.4.1 과대적합을 감소하기 위해 순환 드롭아웃 사용하기

__10.4.2 스태킹 순환 층

__10.4.3 양방향 RNN 사용하기

__10.4.4 더 나아가서

10.5 요약


11장 텍스트를 위한 딥러닝

11.1 자연어 처리 소개

11.2 텍스트 데이터 준비

__11.2.1 텍스트 표준화

__11.2.2 텍스트 분할(토큰화)

__11.2.3 어휘 사전 인덱싱

__11.2.4 TextVectorization 층 사용하기

11.3 단어 그룹을 표현하는 두 가지 방법: 집합과 시퀀스

__11.3.1 IMDB 영화 리뷰 데이터 준비하기

__11.3.2 단어를 집합으로 처리하기: BoW 방식

__11.3.3 단어를 시퀀스로 처리하기: 시퀀스 모델 방식

11.4 트랜스포머 아키텍처

__11.4.1 셀프 어텐션 이해하기

__11.4.2 멀티 헤드 어텐션

__11.4.3 트랜스포머 인코더

__11.4.4 BoW 모델 대신 언제 시퀀스 모델을 사용하나요?

11.5 텍스트 분류를 넘어: 시퀀스-투-시퀀스 학습

__11.5.1 기계 번역 예제

__11.5.2 RNN을 사용한 시퀀스-투-시퀀스 모델

__11.5.3 트랜스포머를 사용한 시퀀스-투-시퀀스 모델

11.6 요약


12장 생성 모델을 위한 딥러닝

12.1 텍스트 생성

__12.1.1 시퀀스 생성을 위한 딥러닝 모델의 간단한 역사

__12.1.2 시퀀스 데이터를 어떻게 생성할까?

__12.1.3 샘플링 전략의 중요성

__12.1.4 케라스를 사용한 텍스트 생성 모델 구현

__12.1.5 가변 온도 샘플링을 사용한 텍스트 생성 콜백

__12.1.6 정리

12.2 딥드림

__12.2.1 케라스 딥드림 구현

__12.2.2 정리

12.3 뉴럴 스타일 트랜스퍼

__12.3.1 콘텐츠 손실

__12.3.2 스타일 손실

__12.3.3 케라스로 뉴럴 스타일 트랜스퍼 구현하기

__12.3.4 정리

12.4 변이형 오토인코더를 사용한 이미지 생성

__12.4.1 이미지의 잠재 공간에서 샘플링하기

__12.4.2 이미지 변형을 위한 개념 벡터

__12.4.3 변이형 오토인코더

__12.4.4 케라스로 VAE 구현하기

__12.4.5 정리

12.5 생성적 적대 신경망 소개

__12.5.1 GAN 구현 방법

__12.5.2 훈련 방법

__12.5.3 CelebA 데이터셋 준비하기

__12.5.4 판별자

__12.5.5 생성자

__12.5.6 적대 네트워크

__12.5.7 정리

12.6 요약


13장 실전 문제 해결을 위한 모범 사례

13.1 모델의 최대 성능을 끌어내기

__13.1.1 하이퍼파라미터 최적화

__13.1.2 모델 앙상블

13.2 대규모 모델 훈련하기

__13.2.1 혼합 정밀도로 GPU에서 훈련 속도 높이기

__13.2.2 다중 GPU 훈련

__13.2.3 TPU 훈련

13.3 요약


14장 결론

14.1 핵심 개념 리뷰

__14.1.1 AI를 위한 여러 방법

__14.1.2 머신 러닝 분야에서 딥러닝이 특별한 이유

__14.1.3 딥러닝에 대해

__14.1.4 핵심 기술

__14.1.5 일반적인 머신 러닝 워크플로

__14.1.6 주요 네트워크 구조

__14.1.7 딥러닝의 가능성

14.2 딥러닝의 한계

__14.2.1 머신 러닝 모델의 의인화 위험

__14.2.2 자동 기계 vs 지능 에이전트

__14.2.3 지역 일반화 vs 궁극 일반화

__14.2.4 지능의 목적

__14.2.5 일반화의 스펙트럼

14.3 AI에서 일반화를 높이기 위한 방법

__14.3.1 올바른 목표 설정의 중요성: 지름길 규칙

__14.3.2 새로운 목표

14.4 지능 구현: 누락된 구성 요소

__14.4.1 추상적 비유에 뛰어난 지능

__14.4.2 두 종류의 추상화

__14.4.3 누락된 절반의 그림

14.5 딥러닝의 미래

__14.5.1 프로그램 같은 모델

__14.5.2 딥러닝과 프로그램 합성을 혼합하기

__14.5.3 영구 학습과 모듈화된 서브루틴 재사용

__14.5.4 장기 비전

14.6 빠른 변화에 뒤처지지 않기

__14.6.1 캐글의 실전 문제로 연습하기

__14.6.2 아카이브(arXiv)를 통해 최신 논문 읽기

__14.6.3 케라스 생태계 탐험하기

14.7 맺음말

만든이 코멘트 만든이 코멘트 보이기/감추기

안녕하세요. 이책의 역자 입니다.
2022-08-18
안녕하세요. “케라스 창시자에게 배우는 딥러닝 2판”을 번역한 박해선입니다. 이 책을 선택해 주신 많은 독자에게 진심으로 감사의 말씀 드립니다. 이 책은 케라스 라이브러리를 만들었고 구글에서 케라스 팀을 이끌고 있는 프랑소와 숄레가 직접 쓴 최고의 딥러닝 안내서입니다. 1판에 비해 2판에서 내용이 크게 보강되었습니다. 케라스를 사용하여 사용자 정의 층과 모델을 만드는 방법을 상세히 안내하는 것은 물론, 컴퓨터 비전과 자연어 처리 예제를 새롭게 추가했습니다. 특히 트랜스포머 모델을 처음부터 만들어 보고 기계 번역 모델을 만드는 과정을 상세히 안내합니다. 또한 제품 개발을 위한 머신러닝 워크플로의 각 단계를 자세히 설명하고 실전에서 유용한 모범 사례를 많이 소개합니다. 책을 구매하시면 제 블로그의 에러타 페이지(https://bit.ly/kerasdl2)와 깃허브(https://bit.ly/kerasdl2-git)를 꼭 참고해 주세요. 라이브러리 최신 버전에 맞춘 코드와 에러타를 업데이트 하겠습니다. [개발자를 위한 머신러닝&딥러닝], [XGBoost와 사이킷런을 활용한 그레이디언트 부스팅], [구글 브레인 팀에게 배우는 딥러닝 with TensorFlow.js], [파이썬 라이브러리를 활용한 머신러닝(번역개정2판)], [머신러닝 파워드 애플리케이션], [파이토치로 배우는 자연어 처리], [머신러닝 교과서 3판], [딥러닝 일러스트레이티드], [혼자 공부하는 머신러닝+딥러닝], [GAN 인 액션], [핸즈온 머신러닝 2판], [미술관에 GAN 딥러닝], [Do It! 딥러닝 입문], [파이썬을 활용한 머신러닝 쿡북] 등에 이어 스무 번째 머신러닝 책입니다. 많은 분들의 응원 덕에 큰 힘을 얻습니다. 더 좋은 책으로 찾아 뵙겠습니다. 감사합니다.

출판사 리뷰 출판사 리뷰 보이기/감추기

이 책은 딥러닝을 처음부터 배우거나 이해의 폭을 넓히고자 하는 모든 사람을 위해 썼습니다. 머신 러닝 기술자나 소프트웨어 엔지니어, 대학생에 상관없이 이 책에서 배울 점이 있을 것입니다.

처음에는 간단하게 시작해서 나중에 최신 기술까지 배우는 식으로 딥러닝을 탐구해 보겠습니다. 이 책은 직관, 이론, 실습 사이에 균형을 잡고 있습니다. 수학 표기를 피하고 그 대신 머신 러닝과 딥러닝의 핵심 아이디어를 자세한 코드와 직관적인 비유로 설명합니다. 자세한 주석과 실용적인 가이드라인이 포함된 많은 코드 예제가 있습니다. 구체적인 문제를 풀기 위해 딥러닝을 시작할 때 알아야 할 모든 것에 대한 간단 명료한 수준 높은 설명도 함께합니다.

예제 코드는 파이썬 딥러닝 프레임워크 케라스를 사용합니다. 케라스의 계산 엔진으로는 텐서플로 2를 사용합니다. 케라스와 텐서플로 2의 최신 모범 사례를 보여 줄 것입니다.

이 책을 읽고 나면 딥러닝이 무엇인지, 언제 적용하는지, 한계는 무엇인지에 대한 개념을 확실히 이해할 수 있습니다. 머신 러닝 문제를 구성하고 해결하기 위한 표준적인 작업 흐름에 익숙해지고 자주 마주치는 이슈들을 다루는 방법을 배웁니다. 따라서 케라스를 사용하여 컴퓨터 비전에서 자연어 처리, 이미지 분류, 이미지 분할, 시계열 예측, 텍스트 분류, 기계 번역, 텍스트 생성까지 다양한 실전 문제를 다룰 수 있을 것입니다.


2판에서 달라진 점:

- 최신 텐서플로, 케라스 API 반영

- 어텐션을 비롯해 트랜스포머 구조를 밑바닥에서부터 직접 구현

- 이미지 분할, 기계 번역, 텍스트 생성, 얼굴 이미지 생성 등 고급 모델 추가

- 사용자 정의 지표, 사용자 정의 콜백, 사용자 정의 훈련 루프 구현

- 그레이디언트 테이프 및 서브클래싱을 사용한 모델 구현

- 머신러닝 문제 정의, 배포, 최적화 등 머신 러닝의 전체 워크플로 설명

- 대부분의 코드에 함수형 API 사용

- 새로운 이미지 증식 층을 사용한 이미지 증식 기법 소개

- 케라스튜너, 혼합 정밀도, 다중 GPU, TPU를 사용한 훈련 방법

- 지능과 일반화에 대해 고찰하고 딥러닝의 미래를 그려봄


이 책의 장점:

- 어려운 수식을 사용하지 않고 파이썬 코드로 기초부터 최신 고급 알고리즘까지 모두 설명

- 간결한 케라스 코드를 사용하므로 파이썬에 익숙한 개발자가 쉽게 이해할 수 있음

- 합성곱 신경망, 순환 신경망, 트랜스포머, 생성 모델까지 폭 넓은 애플리케이션을 포괄함

- 머신 러닝 프로젝트를 위한 전체 워크플로와 주의해야 할 점을 배움

- 초보자에게: 수학을 몰라도 기초적인 부분부터 딥러닝을 배울 수 있음

- 개발자에게: 파이썬에 익숙하다면 고급 모델까지 모두 구현해 볼 수 있음

- 연구자에게: 케라스로 사용자 정의 모델을 만드는 방법을 모두 배울 수 있음

회원리뷰 (1건) 리뷰 총점10.0

혜택 및 유의사항?
그저 빛. 최고의 케라스/텐서플로 입문 내용 평점5점   편집/디자인 평점5점 YES마니아 : 로얄 h********y | 2022.12.01 | 추천0 | 댓글0 리뷰제목
[서론] 좋은 원서, 세심한 번역이 어우러진 명저이다. 워낙 인기 있었던 1판에 비해서도, 2판은 놀랄만큼 많은 내용이 변경되고 보강되었다.    [내용] 1장 딥러닝이란 무엇인가? - 인공 지능과 머신 러닝, 딥러닝의 역사와 딥러닝의 장점에 대해서 배운다.   2장 신경망의 수학적 구성 요소 - 신경망을 이해하기 위한 간단한 예제가 등장하고 텐서 연산과;
리뷰제목


[서론]

좋은 원서, 세심한 번역이 어우러진 명저이다.

워낙 인기 있었던 1판에 비해서도, 2판은 놀랄만큼 많은 내용이 변경되고 보강되었다. 

 

[내용]

1장 딥러닝이란 무엇인가?

- 인공 지능과 머신 러닝, 딥러닝의 역사와 딥러닝의 장점에 대해서 배운다.

 

2장 신경망의 수학적 구성 요소

- 신경망을 이해하기 위한 간단한 예제가 등장하고 텐서 연산과 그레이디언트 기반 최적화에 대해서 배운다. 

 

3장 케라스와 텐서플로 소개

- 텐서플로와 케라스의 소개와 더불어 간략한 역사, 작업 환경 설정, 신경망의 구조에 대해서 배운다. 여기서 배우는 핵심 케라스 API는 이후에 두고두고 쓴다. 

 

4장 신경망 시작하기: 분류와 회귀

- 딥러닝으로 해결할 수 있는 두 가지 문제인 분류와 회귀에 대한 간단한 입문이다. 분류쪽에서는 이진 분류, 다중 분류를 먼저 습득하고, 회귀에서는 주택 가격 예측을 통해 주어진 수치에서 이후의 결과치를 예측해본다. 

 

5장 머신 러닝의 기본 요소

- 모델 평가 등 머신러닝을 구성하는 전반적인 요소와 성능 향상법에 대해서 배운다. 


6장 일반적인 머신 러닝 워크플로

- 작업을 정의하고 해당 작업을 해결할 수 있는 모델을 개발하고 배포하는 전체 머신러닝/딥러닝 프로세스를 간단하게 체험해본다. 


7장 케라스 완전 정복

- 다양한 워크플로와 케라스 모델을 만드는 방법에 대해서 알아본다. 내장된 루프와 사용자 정의 훈련/평가 루프도 생성하여 케라스를 자유롭게 활용할 수 있도록 훈련한다. 


8장 컴퓨터 비전을 위한 딥러닝

- 합성곱 신경망을 간단히 구성해보고 사전 훈련된 모델을 활용해본다. 


9장 컴퓨터 비전을 위한 고급 딥러닝

- 컴퓨터 비전을 제대로 구현하기 위해서 어떻게 해야하는 지 보다 심도있게 배워본다. 최신 컨브넷 아키텍처 패턴과 컨브넷이 이미 학습한 내용에 대해서 해석하는 방법을 익힐 수 있다. 


10장 시계열을 위한 딥러닝

- 다양한 종류의 시계열 작업을 배워본다. 온도 예측 문제를 해결하고 순환 신경망에 대해서도 개념을 잡을 수 있다. 


11장 텍스트를 위한 딥러닝

- 딥러닝이 강점을 발하는 또 다른 분야인 자연어 처리를 배우는 챕터이다. 데이터 준비부터 트랜스포머 아키텍처를 배워보고, 시퀀스-투-시퀀스 학습까지 맛보게 된다.


12장 생성 모델을 위한 딥러닝

- DALL·E나 GPT-3를 통해 일반인들에게도 많이 알려진 생성 모델에 대해서 배워본다. 텍스트 생성, 딥드림, 오토인코더, 생성적 적대 신경망까지 최근의 이슈를 모두 포괄한다. 


13장 실전 문제 해결을 위한 모범 사례

- 실전에서 딥러닝의 성능을 끌어내고 대규모 모델을 훈련하기 위한 팁이다. 조금 어러웠다. 


14장 결론

- 핵심 개념을 리뷰하고 딥러닝의 한계와 미래에 대해서 알아본다. 특히 인공지능을 공부하다보면 가장 필요한, 빠른 변화에 성공적으로 대응하기 위한 팁에 대해서 설명한 것이 인상깊었다. 


[장점]

저자가 수학적인 수식과 설명을 최소화하고 최대한 파이썬 코드로 풀어주려는 노력이 돋보인다.

케라스 라이브러리를 직접 만든 사람이 쓴 책이기 때문에 그저 믿고 볼만한 교과서급 책이라고 볼 수 있겠다. 


[단점]

하드커버 제본으로 된 두꺼운 책이라 상당히 무겁다. 

책꽂이에서는 빛을 발하지만, 실제로 들고다니면서 공부하기는 상당히 어려웠다. 


[결론]

번역자님의 꼼꼼한 번역, 특히 용어 선정과 예제 코드 주석에서 느껴지는 세심함이 무척 기분 좋은 책이었다. 

주변에 딥러닝에 입문하는 사람이 있다면 그야말로 강추할만한 책이 아닌가 생각한다.


[참고]

이 책의 오타/오류 목록
https://bit.ly/kerasdl2

이 책의 소스 코드
https://bit.ly/kerasdl2-git


 

댓글 0 이 리뷰가 도움이 되었나요? 공감 0

한줄평 (2건) 한줄평 총점 10.0

혜택 및 유의사항 ?
평점5점
케라스의 창시자가 풀어내는 딥러닝은 "옷을 팔아서라도 이 책을 사라"
이 한줄평이 도움이 되었나요? 공감 0
YES마니아 : 플래티넘 소**명 | 2022.11.30
평점5점
책의 내용이 정말 알차고 방대해서 두고두고 딥러닝의 정석으로 활용하고자 합니다.
이 한줄평이 도움이 되었나요? 공감 0
M*****M | 2022.11.22
  •  쿠폰은 결제 시 적용해 주세요.
1   43,200
뒤로 앞으로 맨위로 공유하기