품목정보
발행일	2017년 08월 22일
쪽수, 무게, 크기	쪽수확인중 \| 크기확인중

더보기

이 상품의 구성 소개 이 상품의 구성 소개 보이기/감추기

아래의 낱개 상품들로 구성되어 있습니다.

더보기

책소개 책소개 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

이 상품은 YES24에서 구성한 상품입니다.(낱개 반품 불가). <A HREF="/Goods/Detail/42801669">[도서] 그림과 수식으로 배우는 통통 딥러닝</A> | <야마시타 타카요시> 저/<심효섭> 역 | 제이펍 다양한 딥러닝 프레임워크의 사용법을 익힌다!
딥러닝의 주요 개념을 컬러 그림을 통해 직관적으로 이해한다!

이 책은 딥러닝의 개념을 소개하는 것으로 시작해 딥러닝에 사용되는 여러 기법을 안내하고 있다. 딥러닝을 처음 배우려는 입문자부터 연구하는 대학생, 실제로 연구개발을 하는 실무자까지 다양한 독자를 이해시키기 위해 그림과 수식을 사용했다. 입문자들은 수식과 함께 나오는 그림을 통해 이해를 높일 수 있을 것이다.

딥러닝의 개념이나 기법을 이론적으로 설명하는 데 그치지 않고 실제로 활용할 수 있도록 다양한 딥러닝 도구도 소개하고 있다. 특히, 텐서플로와 카페 등 오픈소스로 공개된 인기 있는 도구들의 설치부터 활용 사례까지 포함하고 있다. <A HREF="/Goods/Detail/43283117">[도서] 텐서플로로 시작하는 딥러닝 : 합성곱 신경망 중심의 딥러닝 알고리즘</A> | <나카이 에츠지> 저/<진명조> 역 | 제이펍 텐서플로를 이용하여 ‘합성곱 신경망(CNN)’의 구조를 완벽히 이해한다!

이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.

딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 미분을 알면 그 구조를 이해하기가 그리 어렵지 않다. 이 책은 필기 문자를 인식하도록 처리하는 합성곱 신경망에 대해, 그리고 이를 구성하는 각 요소의 역할을 신중하게 설명한다. 또한, 딥러닝의 대표 라이브러리인 텐서플로를 이용해 실제로 동작하는 코드를 보여줌으로써 각 요소의 동작 원리를 확인할 수 있도록 구성되어 있다.

더보기

목차 목차 보이기/감추기

CHAPTER 01 서론 1 1.1 딥러닝이란 2 1.2 주목받게 된 계기 3 1.3 왜 딥러닝인가 6 1.4 딥러닝이란 무엇인가 7 1.5 이 책의 구성 8 CHAPTER 02 신경망 11 2.1 신경망의 역사 12 2.2 매컬러-피츠의 신경회로망 모형 14 2.3 퍼셉트론 16 2.4 다층 퍼셉트론 18 2.5 역전파법 19 2.6 오차 함수와 활성화 함수 30 2.7 우도 함수 32 2.8 확률적 경사 하강법 33 2.9 학습률 35 2.10 정리 35 CHAPTER 03 합성곱 신경망 37 3.1 합성곱 신경망의 구성 38 3.2 합성곱층 40 3.3 풀링층 41 3.4 전결합층 42 3.5 출력층 43 3.6 신경망의 학습 방법 43 3.7 정리 50 CHAPTER 04 제약 볼츠만 머신 51 4.1 홉필드 네트워크 52 4.2 볼츠만 머신 57 4.3 제약 볼츠만 머신 61 4.4 대조적 발산 63 4.5 딥 빌리프 넷 66 4.6 정리 68 CHAPTER 05 자기부호화기 69 5.1 자기부호화기 70 5.2 디노이징 자기부호화기 73 5.3 희소 자기부호화기 74 5.4 적층 자기부호화기 79 5.5 사전 훈련에서의 이용 79 5.6 정리 80 CHAPTER 06 일반화 성능을 향상시키기 위한 방법 81 6.1 학습 표본 82 6.2 전처리 89 6.3 활성화 함수 94 6.4 드롭아웃 97 6.5 드롭커넥트 98 6.7 정리 101 CHAPTER 07 딥러닝을 위한 도구 103 7.1 딥러닝 개발환경 104 7.2 Theano 104 7.3 Pylearn2 112 7.4 Caffe 122 7.5 학습 시스템 DIGITS 141 7.6 Chainer 149 7.7 텐서플로 164 7.8 정리 179 CHAPTER 08 딥러닝의 현재와 미래 181 8.1 딥러닝의 응용 사례 182 8.2 딥러닝의 미래 198 8.3 정리 200 참고문헌 202 찾아보기 209

1. CHAPTER 1 텐서플로 입문 1 1.1 딥러닝과 텐서플로 4 1.1.1 머신러닝의 개념 4 1.1.2 신경망의 필요성 7 1.1.3 딥러닝의 특징 13 1.1.4 텐서플로를 이용한 파라미터 최적화 16 1.2 환경 준비 24 1.2.1 CentOS 7에서의 준비 과정 25 1.2.2 주피터 사용법 28 1.3 텐서플로 훑어보기 33 1.3.1 다차원 배열을 이용한 모델 표현 33 1.3.2 텐서플로 코드를 이용한 표현 35 1.3.3 세션을 이용한 트레이닝 실행 39 CHAPTER 2 분류 알고리즘의 기초 47 2.1 로지스틱 회귀를 이용한 이항 분류기 49 2.1.1 확률을 이용한 오차 평가 49 2.1.2 텐서플로를 이용한 최우추정 실행 54 2.1.3 테스트 세트를 이용한 검증 65 2.2 소프트맥스 함수와 다항 분류기 69 2.2.1 선형 다항 분류기의 구조 69 2.2.2 소프트맥스 함수를 이용한 확률로의 변환 73 2.3 다항 분류기를 이용한 필기 문자 분류 76 2.3.1 MNIST 데이터 세트 이용 방법 76 2.3.2 이미지 데이터의 분류 알고리즘 79 2.3.3 텐서플로를 이용한 트레이닝 실행 84 2.3.4 미니 배치와 확률적 경사 하강법 90 CHAPTER 3 신경망을 이용한 분류 95 3.1 단층 신경망의 구조 97 3.1.1 단층 신경망을 이용한 이항 분류기 97 3.1.2 은닉 계층의 역할 100 3.1.3 노드 개수와 활성화 함수 변경에 따른 효과 110 3.2 단층 신경망을 이용한 필기 문자 분류 113 3.2.1 단층 신경망을 이용한 다항 분류기 113 3.2.2 텐서보드를 이용한 네트워크 그래프 확인 116 3.3 다층 신경망으로의 확장 124 3.3.1 다층 신경망의 효과 124 3.3.2 특징 변수에 기반한 분류 로직 128 3.3.3 보충: 파라미터가 극솟값으로 수렴하는 예 133 CHAPTER 4 합성곱 필터를 통한 이미지 특징 추출 137 4.1 합성곱 필터의 기능 139 4.1.1 합성곱 필터의 예 139 4.1.2 텐서플로를 이용한 합성곱 필터 적용 142 4.1.3 풀링 계층을 이용한 이미지 축소 150 4.2 합성곱 필터를 이용한 이미지 분류 153 4.2.1 특징 변수를 이용한 이미지 분류 153 4.2.2 합성곱 필터의 동적인 학습 159 4.3 합성곱 필터를 이용한 필기 문자 분류 163 4.3.1 세션 정보의 저장 기능 163 4.3.2 단층 CNN을 이용한 필기 문자 분류 165 4.3.3 동적으로 학습된 필터 확인 171 CHAPTER 5 합성곱 필터의 다층화를 통한 성능 향상 177 5.1 합성곱 신경망의 완성 179 5.1.1 다층형 합성곱 필터를 이용한 특징 추출 179 5.1.2 텐서플로를 이용한 다층 CNN 구현 184 5.1.3 필기 문자의 자동 인식 애플리케이션 189 5.2 그 밖의 주제 195 5.2.1 CIFAR-10(컬러 사진 이미지) 분류를 위한 확장 195 5.2.2 ‘A Neural Network Playground’를 이용한 직감적 이해 199 5.2.3 보충: 오차 역전파법을 이용한 기울기 벡터 계산 204 APPENDIX 부록 213 A 맥OS와 윈도우에서의 환경 준비 방법 214 A.1 맥OS의 환경 준비 과정 214 A.2 윈도우10의 환경 준비 과정 218 B 파이썬 2의 기본 문법 225 B.1 Hello, World!와 자료형, 연산 225 B.2 문자열 226 B.3 리스트와 딕셔너리 228 B.4 제어구문 230 B.5 함수와 모듈 233 C 수학 공식 235 찾아보기 237

더보기

저자 소개 (1명)

역 : 심효섭 이동 관심작가 알림신청

저자 소개 관련자료 보이기/감추기

저자 : 야마시타 타카요시

1978년 고베에서 출생했으며, 1988년 고베시립공업고등전문학교 공학과를 졸업하였다. 2002년 나라첨단과학기술대학원대학교 정보과학연구과 박사전기과정을 수료하였고, 같은 해에 옴론 주식회사에 입사하였다. 옴론에서는 주로 영상에서 사람의 얼굴을 실시간으로 인식하는 소프트웨어의 연구와 개발을 담당하였다. 2011년에는 회사 근무와 병행하여 츄부대학 대학원 공학연구과 박사후기과정을 수료(공학박사)하였다. 2014년부터는 츄부대학 공학부 정보공학과 강사로 나가는 한편, 인간과 같은 인지를 지향하는 동영상 처리, 패턴 인식, 머신러닝 연구를 수행하고 있다. SSII 타카기상, IEICE 정보시스템학회 논문상, IEICE PRMU 연구회 연구장려상 등을 수상하였으며, SSII 및 MIRU 등에서 딥러닝 세미나의 강사도 맡고 있다.

저자 : 나카이 에츠지(中井 ?司)

1971년 4월 오사카에서 태어났다. 노벨 물리학상을 타고 싶어서 이론물리학 연구에 몰두하며 학창시절을 보냈다. 그리고 대학 입시학원 강사 등 여러 직업을 거쳐 외국계 기업의 리눅스 엔지니어로서 유닉스/리눅스 서버와 인생을 함께하게 되었다. 리눅스 에반젤리스트를 거쳐 현재는 대형 검색 시스템 기업에서 클라우드 및 솔루션 아키텍터로 일하고 있다.
휴일에는 사랑스러운 초등학생 딸과 스포츠 센터에 수영하러 다니는 ‘좋은 아빠’로 동네에서 유명하다. ‘세계 평화’를 위해 일찍 집에 들어가려고 애쓰면서도 가끔은 각별히 사랑하는 변두리 선술집에 자신도 모르게 들르기도 한다. 요즘에는 머신러닝 이론을 비롯한 데이터 활용 기술에 관한 기초 지식을 세상에 널리 알리기 위해 강연 활동 및 잡지 기고나 서적 집필에도 주력하고 있다.

역자 : 진명조

현재 씨디네트웍스에 근무하고 있으며, 『서버/인프라 엔지니어를 위한 DevOps』, 『서버/인프라를 지탱하는 기술』, 『파이썬 더 쉽게, 더 깊게』, 『대규모 서비스를 지탱하는 기술』, 『클라우드의 충격』, 『인프라 엔지니어의 교과서: 시스템 구축과 관리편』을 포함하여 13종의 기술 서적을 번역하였다. IT 산업의 미시적인 영역과 거시적인 영역을 아우르는 통찰력을 갖게 되기를 꿈꾸고 있으며, 최근에는 머신러닝을 비롯한 인공지능(AI)의 대중화에 주목하고 있다.

더보기

책 속으로 책속으로 보이기/감추기

첫 번째에서 말하는 특징 표현력을 가진 신경망이란, 같은 클래스 안에서 변동이 있는 패턴, 이를테면, 손글씨처럼 개인 차이 혹은 노이즈가 포함된 상태에서도 바르게 인식할 수 있는 특징으로 변환할 수 있는 것을 말한다. 또, 노이즈가 포함된 경우에는 그 노이즈를 제거할 수 있는 신경망이라는 의미도 있다. 이 신경망을 디노이징 자기부호화기(denoising autoencoder)라고 부른다. 또, 잉여성을 제거하기 위해 규제화 항을 추가한 희소 자기부호화기도 있다.
_70쪽

딥러닝 학습에서 신경망의 종류나 구성도 중요하지만, 가장 중요한 것은 학습 표본이다. 딥러닝이 일반 물체 인식(classification)에서 성공을 거둔 하나의 요인은 대량의 데이터가 있었기 때문이다. 학습 표본으로 사전에 준비된 대량의 데이터 집합이 있으면 그 데이터 집합으로 학습을 수행할 수 있다. 이에 비해, 제한적인 데이터만 확보된 데이터 집합이나 직접 데이터를 수집해서 충분한 데이터를 모으지 못한 경우에는 확보된 데이터를 최대한 효과적으로 사용할 수 있는 방법인 데이터 확장을 생각해 볼 수 있다. 먼저, 충분히 갖춰진 데이터 집합으로 ImageNet과 Places를 소개한다. 그리고 제한적인 데이터에 대해 데이터의 양을 늘릴 수 있는 데이터 확장에 대해서도 설명하겠다.
_82쪽

그럼, 제한된 학습 표본밖에 없다면 딥러닝 기법을 이용한 학습을 수행하기 위해서는 어떻게 해야 할까? 생각해 볼 수 있는 첫 번째 방법으로, 지금 확보한 표본을 기초로 하는 조금 변이된 데이터를 추가하여 이미지 수를 늘리는 데이터 확장(data augmentation)이 있다. 데이터 확장은 표본에 평행이동이나 회전, 거울 반사 등을 적용하여 약간의 변화를 일으킨 새로운 표본을 만드는 방법이다. 여기에 쓴 변화 외에도 기하학적 혹은 이미지의 농담이나 색을 변경하는 경우도 있고, 랜덤 노이즈나 얼룩을 추가하는 경우도 있다.
_87쪽

딥러닝에서 일반화 성능을 향상시키기 위해 쓰이는 방법에는 알고리즘뿐 아니라, 학습 표본도 매우 중요한 영향을 끼친다. 학습 표본을 대량으로 수집하는 것은 상당히 어려우므로, ImageNet이나 Places와 같은 공개 데이터 집합을 이용하면 매우 편리하다. 그리고 이들을 단순히 학습에 이용하는 데 그치지 않고, 클래스 내의 변이를 억제하는 전처리를 가하는 것도 중요하다. 또 알고리즘적 수단으로서는 과학습을 억제하기 위한 드롭아웃과 드롭커넥트가 매우 효과적인 것으로 알려져 있으며, 현재의 딥러닝에서는 필수 불가결한 기법이 되고 있다.
_101쪽

이번 장에서는 현재 나온 많은 도구 중에서 Theano와 이를 이용한 Pylearn2, 이미지 인식 분야에서 확고히 자리 잡은 Caffe, 새로 공개된 도구 중 가장 주목을 받고 있는 Chainer와 텐서플로에 대해 그 특징과 사용법을 소개하였다. 이들 도구는 사용법이나 구현하기 위한 코드 구조도 다르다. 또, 신경망의 층이나 유닛 등에 대한 명칭도 서로 다르기 때문에 혼란스러울 수도 있다. 딥러닝을 이제 막 시작하려는 사람은 Caffe나 Chainer, 새로운 알고리즘을 개발하려는 사람은 Theano나 텐서플로를 사용하는 것이 좋다.

---p.179

딥러닝이 세상의 주목을 받기 시작한 것은 “신경망이 이미지를 인식했다”라고 구글이 발표할 무렵부터입니다. 그후 DQN(Deep Q-Network)이라는 알고리즘이 비디오 게임 제어를 학습하고, 나아가 신경망을 이용한 머신러닝 시스템이 바둑 세계 챔피언을 이기는 등 놀라운 결과를 만들어 내고 있습니다. 그리고 이러한 딥러닝의 해설 기사에 반드시 등장하는 것이 바로 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’을 도식화한 그림입니다. 이 신경망 내에서 대체 무슨 일이 일어나는 것인지, 딥러닝 알고리즘은 어떤 원리로 학습하는 것인지를 ‘어떻게 해서든 이해하고 싶다!’라고 느끼는 여러분이 바로 이 책의 대상 독자입니다.
--- p.viii

딥러닝은 ‘심층학습’이라고도 하며, 용어만 보면 뭔가 심오한 이론인 것처럼 느껴진다. 그러나 기본적으로는 앞서 그림 1 - 11과 같은 다층 신경망을 이용한 머신러닝에 지나지 않는다. 다만, 단순히 계층을 증가시켜 복잡화하는 것이 아니라 해결해야 할 문제에 맞게 각각의 노드에 특별한 역할을 부여하거나 노드 간의 연결 방식을 다양하게 연구한 것이다. 무조건 노드를 증가시켜 복잡화하는 것이 아니라 각 노드의 역할을 생각하면서 특정 의도를 갖고 구성한 신경망이라고 생각할 수 있다.
--- p.13

그렇다면 미니 배치 혹은 확률적 경사 하강법을 이용하는 이유는 무엇일까? 여기에는 크게 두 가지 이유가 있다. 첫 번째 이유는 트레이닝 세트 데이터가 대량으로 있을 경우에 1회당 계산량을 줄일 수 있다는 점이다. 일반적으로 특정 함수의 기울기 벡터를 구할 때는 계산 처리량이 많아진다. 텐서플로에서는 기울기 벡터 계산이 자동화되어 있어서 이용자가 계산 내용을 의식하지는 않지만, 그렇더라도 계산 처리량에는 주의가 필요하다. 트레이닝 세트에서 대량의 데이터를 투입하면 트레이닝 알고리즘의 계산이 상당히 느려지거나 대량의 메모리를 소비하므로 실용성이 떨어지게 된다.
--- p.92

특히, 복잡한 신경망을 이용할 경우 텐서보드로 오차 함수의 변화를 살펴보면 그림 3 - 25와 같이 오차 함수의 값이 계단 모양으로 변화하는 경우가 있다. 이것이 바로 극솟값 주위를 얼마간 돌아다닌 후에 갑자기 최솟값 방향으로 향하는 움직임에 해당한다. 극솟값을 갖는 위치가 여러 개 있을 경우에는 몇 단계에 걸쳐 오차 함수의 값이 변화하는 경우도 있다.
--- p.135

이번 장에서는 합성곱 필터와 풀링 계층을 2단으로 쌓은 CNN을 실제로 구성하고, 텐서플로를 이용해 최적화해서 어떤 결과가 나오는지를 확인해 보겠다. 여기서는 이를 위한 준비 과정으로 2단계 필터가 이미지 데이터에 대해 어떻게 작용하는지를 정리한다. 또한, 파라미터 최적화를 효율적으로 실시하는 데 필요한 CNN 특유의 테크닉에 관해 추가 설명한다. 구체적인 설명을 위해 첫 번째와 두 번째 단계의 합성곱 필터의 개수를 각각 32개와 64개로 가정한다.

--- p.179

회원리뷰 (0건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?
세트 낱권에 등록된 리뷰가 포함되어 있습니다.

등록된 리뷰가 없습니다!

첫번째 리뷰어가 되어주세요.

한줄평 (6건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 9.3점 9.3 / 10.0

구매 한줄평

한줄평 전체보기

배송/반품/교환 안내

배송 안내

반품/교환 안내에 대한 내용입니다.
배송 구분	예스24 배송 배송비 : 무료배송
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 촬영범위 : 박스 포장 작업

반품/교환 안내

상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내에 대한 내용입니다.
반품/교환 방법	고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리