품목정보
발행일	2018년 03월 12일
쪽수, 무게, 크기	320쪽 \| 17022516mm
ISBN13	9791188621057
ISBN10	118862105X

더보기

1. PART 1 기초편_1 CHAPTER 1 계층형 신경망을 이용한 딥 러닝_3 1.1 시작하며 3 1.2 데이터로부터 내부 표현 학습하기 5 1.2.1 내부 표현의 중요성과 학습 기법 6 1.2.2 특징 엔지니어링과 표현 학습 7 1.3 계층형 신경망 10 1.3.1 신경망 연구의 계보 10 1.3.2 계층형 신경망의 수리적 모형 11 1.4 계층형 신경망의 학습 13 1.4.1 오차수정 학습 14 1.4.2 오차역전파 학습 15 1.4.3 경쟁학습 17 1.5 딥 뉴럴넷을 이용한 심층 표현학습 18 1.5.1 오차역전파 학습을 통한 내부 표현학습 19 1.5.2 딥 뉴럴넷의 학습 20 1.6 합성곱 신경망 21 1.7 자기부호화기 24 1.7.1 자기부호화기와 자기부호화기의 학습 24 1.7.2 적층 자기부호화기 25 1.7.3 희소 자기부호화기 27 1.7.4 잡음제거 자기부호화기 28 1.8 정리 28 참고 문헌 30 CHAPTER 2 딥 볼츠만 머신_35 2.1시작하며 35 2.2 통계적 머신 러닝의 아이디어 ― 데이터 생성 모형의 재현 37 2.3 마르코프 확률장과 볼츠만 머신 40 2.3.1 마르코프 확률장 40 2.3.2 볼츠만 머신 42 2.3.3 볼츠만 머신과 홉필드 네트워크의 관계 44 2.3.4 볼츠만 머신의 학습을 위한 준비 45 2.4 가시변수만 있는 볼츠만 머신의 학습 46 2.4.1 쿨벡 - 라이블러 발산으로부터의 학습방정식 유도방법 49 2.4.2 볼츠만 머신 학습에 대한 구현과 조합의 폭발 문제 51 2.5 비가시변수가 있는 볼츠만 머신의 학습 53 2.5.1 비가시변수가 있는 경우의 학습에 대해서 56 2.5.2 비가시변수를 도입하는 의미 57 2.6 볼츠만 머신에서의 근사 기법 59 2.6.1 깁스 샘플링 60 2.6.2 평균장 근사 63 2.7 제약 볼츠만 머신 66 2.7.1 조건부 독립성에 기초한 제약 볼츠만 머신의 성질 67 2.7.2 제약 볼츠만 머신의 학습 69 2.8 딥 볼츠만 머신 71 2.8.1 딥 볼츠만 머신의 사전훈련 73 2.8.2 사전훈련 후의 최대우도추정법에 기초한 학습 77 2.8.3 제약 볼츠만 머신을 자기부호화기로 활용하기 79 2.8.4 딥 볼츠만 머신의 이용법 81 2.9 딥 빌리프넷 83 2.9.1 딥 빌리프넷에 대한 사전훈련 및 추론 84 2.9.2 딥 빌리프넷에 대한 사전훈련의 정당성 86 2.10 정리 91 참고 문헌 92 CHAPTER 3 사전훈련과 그 주변_95 3.1 시작하며 95 3.2 자유도가 높은 통계 모형에 대한 학습의 어려움과 해결책 96 3.2.1 학습을 어렵게 하는 요인 96 3.2.2 기존의 해결법 98 3.2.3 새로운 해결법 101 3.3 자기부호화기를 이용한 내부 표현학습 104 3.3.1 자기부호화기와 자기부호화기의 손실함수 정의 104 3.3.2 층 단위 탐욕학습을 통한 자기부호화기의 사전훈련 106 3.4 확률적 모형을 사용한 사전훈련 107 3.4.1 제약 볼츠만 머신 107 3.4.2 지수형 하모니움족 110 3.4.3 대조적 발산을 이용한 지수형 하모니움족의 학습 114 3.4.4 대조적 발산법이 최적화하는 손실함수 115 3.4.5 대조적 발산법과 비슷한 학습 규칙을 갖는 알고리즘 123 3.4.6 대조적 발산으로부터 파생한 학습 규칙 125 3.4.7 확률적인 모형의 사전훈련과 자기부호화기 학습의 관계 127 3.5 결정적 모형을 사용한 사전훈련 128 3.5.1 비지도 학습을 통한 결정적 모형의 학습 130 3.5.2 지도학습 방식을 이용한 결정적 모형의 학습 133 3.6 Product of Experts 학습법으로 본 대조적 발산법 134 3.7 정리 136 참고 문헌 137 CHAPTER 4 대규모 딥 러닝을 실현하기 위한 기술_141 4.1 시작하며 141 4.2 딥 러닝의 최적화 143 4.2.1 딥 러닝의 기본 연산 143 4.2.2 확률적 경사하강법 145 4.3 속도 향상을 위한 기법 146 4.3.1 분산병렬처리: 디스트빌리프 146 4.3.2 GPU를 이용한 대규모 신경망학습 150 4.3.3 인피니밴드의 이용 153 4.3.4 학습수렴 속도를 향상시키는 방법 154 4.4 과적합 억제: 드롭아웃 157 4.5 활성화함수 161 4.5.1 ReLU 161 4.5.2 MaxOut 162 4.6 학습률을 조정하는 기법 163 4.6.1 AdaGrad 164 4.6.2 Adam 164 4.6.3 하이퍼파라미터의 최적화 165 4.7 구현을 위한 기법 167 4.7.1 구현이 올바른지 확인하기 167 4.8 정리 168 참고 문헌 168 PART 2 응용편_171 CHAPTER 5 이미지 인식을 위한 딥 러닝_173 5.1 시작하며 173 5.1.1 합성곱 신경망의 재발견 174 5.1.2 후속 연구 175 5.2 합성곱 신경망 177 5.2.1 기본 구조 177 5.2.2 합성곱층 178 5.2.3 풀링층 181 5.2.4 예제: 숫자 필기 인식을 위한 합성곱 신경망 182 5.2.5 학습 184 5.2.6 콘트라스트 조정과 데이터 정규화 186 5.3 합성곱 신경망의 동작 188 5.3.1 일반물체 인식의 어려움 188 5.3.2 일반물체 인식의 기존 방법 189 5.3.3 기존의 방법과 합성곱 신경망의 비교 193 5.3.4 네트워크 구조와 인식 성능 195 5.3.5 합성곱 신경망의 확장을 위한 시도 197 5.4 합성곱 신경망의 내부 표현 198 5.4.1 시각화 198 5.4.2 뇌신경계와의 관계 199 5.4.3 전이학습 200 5.5 이미지 특징에 대한 비지도학습 201 5.5.1 단층 자기부호화기를 이용한 국소특징 학습 201 5.5.2 다층 신경망을 이용한 특징학습 204 5.6 정리 208 참고 문헌 209 CHAPTER 6 음성 인식을 위한 딥 러닝_213 6.1 시작하며 213 6.2 음성 인식 215 6.2.1 음성 인식에 사용되는 모형 215 6.2.2 대규모 어휘 연속 음성 인식 시스템의 구성 219 6.3 음성 인식에서 사용되는 신경망 220 6.3.1 시간 지연 신경망 222 6.3.2 은닉 마르코프 모형과 조합한 신경망: 절충적 방식 223 6.3.3 은닉 마르코프와 조합한 신경망: 탠덤 방식 225 6.4 음향 모형을 위한 딥 러닝: 사전훈련 227 6.4.1 제약 볼츠만 머신을 이용한 사전훈련을 적용한 딥 뉴럴넷 ― 은닉 마르코프 모형 227 6.4.2 잡음제거 자기부호화기를 이용한 사전훈련 230 6.4.3 식별적 사전훈련 232 6.5 음향 모형을 위한 딥 러닝: 학습과 모형의 진전 233 6.5.1 연속열 식별학습 233 6.5.2 순환결합 신경망을 이용한 음향 모형 238 6.5.3 장단기 기억 241 6.5.4 멀티스트림/멀티태스크 학습 245 6.6 언어 모형에 대한 딥 러닝 246 6.6.1 회귀 결합 신경망을 이용한 언어 모형 247 6.7 정리 249 참고 문헌 250 CHAPTER 7 자연어 처리를 위한 딥 러닝_253 7.1 시작하며 253 7.2 딥 러닝과 언어 모형 256 7.2.1 신경망 언어 모형 257 7.2.2 그 외의 언어 모형 260 7.3 단어 의미표현에 대한 학습 262 7.3.1 상향식 의미표현 구축 기법 262 7.3.2 하향식 의미표현 예측 기법 263 7.3.3 계층형 소프트맥스를 이용한 계산 268 7.3.4 의미표현학습 기법과 그 외의 주제 270 7.4 딥 러닝과 의미 구축 273 7.4.1 패러프레이즈 표현 인식에 대한 응용 274 7.5 정리 279 참고 문헌 280

더보기

저자 소개 (2명)

저자 소개 관련자료 보이기/감추기

저 자 소 개

야스다 무네키(安田宗樹)_2장 집필
야마가타 대학교 부교수
연구 분야: 기계학습, 정보통계 역학, 이미지 처리

마에다 신이치(前田新一)_3장 집필
교토 대학교 조교
연구 분야: 기계학습, 강화학습, 통계적 이미지 처리

오카노하라 다이스케(岡野原大輔)_4장 집필
Preferred Infrastructure와 Preferred Networks의 임원 및 부사장
연구 분야: 기계학습, 대규모 데이터 분석, 자연어 처리, 데이터 구조

오카타니 타카유키(岡谷貴之)_5장 집필
도호쿠 대학교 교수
연구 분야: 컴퓨터 비전

쿠보 요타로(久保陽太?)_6장 집필
아마존 음성인식 과학자
연구 분야: 음성인식

다누슈카 볼레갈라(Danushka Bollegala)_7장 집필
리버풀 대학교 부교수
연구 분야: 자연어 처리, 데이터 마이닝, 기계학습

카미시마 토시히로(神? 敏弘)_편집 담당
산업기술종합연구소 주임연구원
연구 분야: 데이터 마이닝, 기계학습, 추천 시스템

더보기

책 속으로 책속으로 보이기/감추기

이 책은 다양한 딥 러닝 기법을 소개하는 책이다. 하지만 그 전에 먼저 딥 러닝 대 그 외의 기법, 그리고 결정적 대 확률적 모형의 두 가지 관점에서 이들 모형의 관계를 밝히는 방법으로 딥 러닝의 큰 그림을 보여 주고자 한다. 그러고 나서 결정적 및 확률적 모형으로 나누어 각각의 기법을 간단히 소개한다.
--- p.xix

이렇듯 오차역전파 학습으로 관측 데이터로부터 과업에 적합한 내부 표현을 학습하여 얻을 수 있다는 것을 증명함으로써 계층형 신경망이 문자 인식, 음운 인식, 각종 신호 처리 등 다양한 과업에 대해 응용이 시도되었다. 예를 들면, 필기 인식이나 한자 인식과 같은 과업에서는 이미지로부터 특징을 추출하는 대신 이미지의 픽셀값을 그대로 신경망에 입력한 경우에도 사람이 설계한 특징을 입력했을 때와 거의 동등한 인식 성능을 얻을 수 있음을 보였다.
--- p.19

사전훈련이 끝났다면 그 결과를 초깃값으로 삼아 전체 DBM에 대한 근사적 최대우도추정을 통해 파라미터 값을 미세조정한다. 물론 계산부하 문제가 있으므로 응용에서는 2.6.1항에서 소개했던 깁스 샘플링과 2.6.2장에서 다룬 평균장 근사를 사용하여 근사적인 방법으로 학습을 하게 된다. 이번 항에서는 사전훈련이 끝난 뒤의 최대우도추정 방법에 대해 설명한다.
--- p.77

즉, 여러 선형함수의 값 중에서 최댓값을 함숫값으로 취한다. 달리 표현하면 활성화함수로서 구분선형적인 볼록함수를 이용하고, 이 볼록함수 역시 최적화를 통해 결정한다. MaxOut이나 ReLU 모두 선형구분함수의 형태를 취하고 있으나, ReLU보다 더 복잡한 함수를 표현할 수 있게 된다.
--- p.162

CNN을 포함하여 다층 NN의 매력은 학습을 통해 입력 데이터로부터 좋은 특징을 추출할 수 있다는 것이다. 다층 NN의 학습에는 또 한 가지 매력적인 점이 있다. 서로 다른 인식 과업 사이에 학습되는 특징에 공통점이 있다는 것이다.
--- p.200

이번 장에서는 음성 인식에 딥 러닝을 적용한 사례와 함께 현재 활발히 연구되고 있는 기술을 소개하였다. 음성 인식의 입력과 출력은 서로 성질이 크게 다른 시계열 데이터이므로 다른 응용 분야와 조금 다른 구조를 갖는 모형을 이용하는 경우가 많다. 그러나 이렇게 성질이 서로 다른 응용 분야에서도 딥 러닝 기술이 도입됨으로써 전문가가 세심하게 설계한 특징 추출 과정이 학습 가능한 구성 요소가 이어지는 형태로 치환될 수 있었다.

--- p.249

출판사 리뷰 출판사 리뷰 보이기/감추기

회원리뷰 (2건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 10.0점 10.0 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (2건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 10.0점 10.0 / 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