이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
1장 소개 1 1.1 이 책의 대상 독자 10 1.2 심층 학습의 역사적 추세 13제1부 응용 수학과 기계 학습의 기초 292장 선형대수 31 2.1 스칼라, 벡터, 행렬, 텐서 32 2.2 행렬과 벡터의 곱셈 35 2.3 단위행렬과 역행렬 37 2.4 일차종속과 생성공간 38 2.5 노름 41 2.6 특별한 종류의 행렬과 벡터 43 2.7 고윳값 분해 44 2.8 특잇값 분해 47 2.9 무어-펜로즈 유사역행렬 48 2.10 대각합 연산자 49 2.11 행렬식 50 2.12 예: 주성분분석 503장 확률론과 정보 이론 57 3.1 확률의 필요성 58 3.2 확률변수 60 3.3 확률분포 61 3.4 주변확률 63 3.5 조건부 확률 64 3.6 조건부 확률의 연쇄법칙 64 3.7 독립과 조건부 독립 65 3.8 기댓값, 분산, 공분산 65 3.9 흔히 쓰이는 확률분포들 67 3.10 흔히 쓰이는 함수들의 유용한 성질들 74 3.11 베이즈 법칙 76 3.12 연속 변수의 특별한 세부 사항 76 3.13 정보 이론 79 3.14 구조적 확률 모형 834장 수치 계산 87 4.1 넘침과 아래넘침 87 4.2 나쁜 조건화 89 4.3 기울기 벡터 기반 최적화 90 4.4 제약 있는 최적화 100 4.5 예제: 선형 최소제곱 문제 1045장 기계 학습의 기초 107 5.1 학습 알고리즘 108 5.2 수용력, 과대적합, 과소적합 121 5.3 초매개변수와 검증 집합 133 5.4 추정량, 편향, 분산 135 5.5 최대가능도 추정 145 5.6 베이즈 통계학 149 5.7 지도 학습 알고리즘 154 5.8 비지도 학습 알고리즘 161 5.9 확률적 경사 하강법 167 5.10 기계 학습 알고리즘 만들기 169 5.11 심층 학습의 개발 동기가 된 기존 문제점들 171제2부 현세대 심층 신경망의 실제 1836장 심층 순방향 신경망 185 6.1 예제: XOR의 학습 189 6.2 기울기 기반 학습 194 6.3 은닉 단위 211 6.4 아키텍처 설계 218 6.5 역전파와 기타 미분 알고리즘들 225 6.6 역사적 참고사항 2477장 심층 학습을 위한 정칙화 251 7.1 매개변수 노름 벌점 253 7.2 제약 있는 최적화로서의 노름 벌점 261 7.3 정칙화와 과소제약 문제 263 7.4 자료 집합의 증강 265 7.5 잡음에 대한 강인성 267 7.6 준지도 학습 269 7.7 다중 과제 학습 270 7.8 조기 종료 271 7.9 매개변수 묶기와 매개변수 공유 279 7.10 희소 표현 281 7.11 배깅과 기타 앙상블 학습법 283 7.12 드롭아웃 285 7.13 대립 훈련 296 7.14 접선 거리, 접선 전파, 다양체 접선 분류기 2988장 심층 모형의 훈련을 위한 최적화 기법 303 8.1 학습과 순수한 최적화의 차이점 304 8.2 신경망 최적화의 난제들 312 8.3 기본 알고리즘 324 8.4 매개변수 초기화 전략 332 8.5 학습 속도를 적절히 변경하는 알고리즘들 339 8.6 근사 2차 방법들 344 8.7 최적화 전략과 메타알고리즘 3529장 합성곱 신경망 367 9.1 합성곱 연산 368 9.2 동기 372 9.3 풀링 377 9.4 무한히 강한 사전분포로서의 합성곱과 풀링 382 9.5 기본 합성곱 함수의 여러 변형 383 9.6 구조적 출력 394 9.7 자료 형식 396 9.8 효율적인 합성곱 알고리즘 397 9.9 무작위 특징 또는 비지도 특징 학습 398 9.10 합성곱 신경망의 신경과학적 근거 400 9.11 합성곱 신경망으로 본 심층 학습의 역사 40810장 순차열 모형화를 위한 순환 신경망과 재귀 신경망 411 10.1 계산 그래프 펼치기 413 10.2 순환 신경망 417 10.3 양방향 순환 신경망 433 10.4 부호기-복호기 순차열 대 순차열 아키텍처 435 10.5 심층 순환 신경망 437 10.6 재귀 신경망 439 10.7 장기 의존성의 어려움 440 10.8 반향 상태 신경망 443 10.9 누출 단위 및 여러 다중 시간 축척 전략 446 10.10 장단기 기억과 기타 게이트 제어 RNN들 449 10.11 장기 의존성을 위한 최적화 453 10.12 명시적 기억 45711장 실천 방법론 463 11.1 성과 측정 465 11.2 기준 모형 468 11.3 추가 자료 수집 여부 결정 469 11.4 초매개변수 선택 471 11.5 디버깅 전략 480 11.6 예제: 여러 자리 수의 인식 48512장 응용 489 12.1 대규모 심층 학습 489 12.2 컴퓨터 시각 500 12.3 음성 인식 506 12.4 자연어 처리 510 12.5 기타 응용들 529제3부 심층 학습 연구 53913장 선형 인자 모형 542 13.1 확률적 PCA와 인자분석 544 13.2 독립성분분석(ICA) 545 13.3 느린 특징 분석 548 13.4 희소 부호화 551 13.5 PCA의 다양체 해석 55514장 자동부호기 557 14.1 과소완전 자동부호기 558 14.2 정칙화된 자동부호기 559 14.3 표현력, 층의 크기, 모형의 깊이 564 14.4 확률적 부호기와 복호기 565 14.5 잡음 제거 자동부호기 567 14.6 자동부호기로 다양체 배우기 572 14.7 축약 자동부호기 577 14.8 예측 희소 분해 580 14.9 자동부호기의 응용 58115장 표현 학습 583 15.1 탐욕적 층별 비지도 사전훈련 585 15.2 전이 학습과 영역 적응 594 15.3 준지도 학습 기법을 이용한 원인 분리 599 15.4 분산 표현 604 15.5 깊이의 지수적 이득 610 15.6 바탕 원인을 발견하기 위한 단서 제공 61216장 심층 학습을 위한 구조적 확률 모형 617 16.1 비구조적 모형화의 문제점 618 16.2 그래프를 이용한 모형 구조의 서술 623 16.3 그래프 모형의 표본추출 641 16.4 구조적 모형화의 장점 643 16.5 종속관계의 학습 643 16.6 추론과 근사 추론 645 16.7 구조적 확률 모형에 대한 심층 학습 접근 방식 ······64617장 몬테카를로 방법 653 17.1 표본추출과 몬테카를로 방법 654 17.2 중요도 표집 656 17.3 마르코프 연쇄 몬테카를로 방법 659 17.4 기브스 표집 664 17.5 분리된 모드 사이의 혼합과 관련된 어려움들 ·········66518장 분배함수 공략 671 18.1 로그가능도의 기울기 672 18.2 확률적 최대가능도와 대조 발산 675 18.3 유사가능도 682 18.4 점수 부합과 비 부합 685 18.5 잡음 제거 점수 부합 688 18.6 잡음 대조 추정 688 18.7 분배함수의 추정 69219장 근사 추론 701 19.1 최적화로서의 추론 702 19.2 기댓값 최대화 704 19.3 MAP 추론과 희소 부호화 706 19.4 변분 추론과 변분 학습 708 19.5 학습된 근사 추론 72420장 심층 생성 모형 727 20.1 볼츠만 기계 727 20.2 제한 볼츠만 기계 730 20.3 심층 믿음망 733 20.4 심층 볼츠만 기계 737 20.5 실숫값 자료에 대한 볼츠만 기계 751 20.6 합성곱 볼츠만 기계 759 20.7 구조적 출력 또는 순차열 출력을 위한 볼츠만 기계 ·······762 20.8 기타 볼츠만 기계 763 20.9 확률적(무작위) 연산에 대한 역전파 764 20.10 유향 생성망 770 20.11 자동부호기의 표본추출 791 20.12 생성 확률적 신경망 794 20.13 기타 생성 방안들 796 20.14 생성 모형의 평가 797 20.15 결론 800참고문헌 803찾아보기 869
|
저이안 굿펠로
관심작가 알림신청Ian Goodfellow
저요슈아 벤지오
관심작가 알림신청Yoshua Bengio
저에런 쿠빌
관심작가 알림신청Aaron Courville
역류광
관심작가 알림신청류광의 다른 상품
심층 학습을 위한 완벽한 참고서이자 바이블!기계 학습의 한 형태인 심층 학습을 이용하면 컴퓨터가 개념들의 계통구조를 통해서 세계를 경험하고 이해하게 만들 수 있다. 심층 학습에서는 컴퓨터가 경험에서 지식을 수집하므로, 컴퓨터에 필요한 모든 지식을 사람(컴퓨터 운영자)이 일일이 지정할 필요가 없다. 그리고 개념들의 계통구조 덕분에 컴퓨터는 간단한 개념들을 조합해서 좀 더 복잡한 개념을 배우게 된다. 그러한 계통구조의 그래프는 다수의 층으로 이루어진 ‘심층’ 구조를 가질 수 있다. 이 책은 심층 학습의 다양한 주제를 소개한다.독자가 이 책을 읽는 데 필요한 수학적, 개념적 토대를 마련할 수 있도록, 이 책은 우선 심층 학습과 관련된 선형대수, 확률론, 정보 이론, 수치 계산, 기계 학습의 여러 주요 개념을 소개한다. 그런 다음에는 심층 순방향 신경망, 정칙화, 최적화 알고리즘, 합성곱 신경망, 순차열 모형화 등등 업계 실무자들이 사용하는 여러 심층 학습 기법들을 설명하고, 현실적인 심층 학습 실천 방법론도 소개한다. 또한 자연어 처리, 음성 인식, 컴퓨터 시각, 온라인 추천 시스템, 생물정보학, 비디오 게임을 위해 심층 학습을 응용하는 방법들도 개괄한다. 마지막으로는 연구의 관점에서 심층 학습을 살펴보는데, 이를테면 선형 인자 모형, 자동부호기, 표현 학습, 구조적 확률 모형, 몬테카를로 방법 같은 이론 연구 주제들을 소개한다.《심층 학습》은 업계 또는 학계에서 연구자로서의 경력을 준비하는 학부생이나 대학원생은 물론이고 자신의 제품이나 플랫폼에서 심층 학습을 사용하고자 하는 소프트웨어 기술자들을 위한 책이다. 독자와 강사에게 도움이 될 보충 자료는 부록 웹사이트에 올려 두었다.
|