머신러닝 스터디를 하면서 구매한 책입니다.

작년까지만 해도, Tensorflow가 1.0 넘어가면서 내부적인 코드들이 너무 많이 바뀌면서, 책을 사서 코드를 따라해서 오류가 발생해서 stackoverflow 등을 찾는 등 공부하기가 힘들었습니다. 올해 1.7 이후부터는 코드가 안정화 되면서 작년과 같은 번거로움은 줄어들었지만 최근 2.0들어서까지 소소한 부분에 있어서 바뀌는 부분들은 아직 익숙하지 않은 분들에게는 어려운 부분입니다.

이런 번거로움을 극복하기 위해 등장한게 Keras 모듈이고, 이 책은 Keras 를 제작한 분이 저술한 만큼 코드설명과 함께 이론에 있어서도 세부적인 설명이 잘 되어 있다 (더군다나 칼라로 구성되어 있다)

이 책이 머신러닝 기초에서 시작하는 사람을 대상으로 삼다보니 Epoch 최적값을 찾는데, 함수를 사용하기 보다는 결과값을 그래프로 출력하고, 그림을 보면서 최적값을 찾는등, earlystop 등의 파라미터를 사용하기 보다는 개념을 보여주고 설명하는 정도로 좋게는 초보자에게 쉽게 접근하려는 여러 부분이 보여서 같이 공부하는 분들도 만족하고 있습니다.

다만 앞에서 언급했듯이 최소한의 이론들을 자세하게 설명하다보니, earlystop, L1, L2 정규화 등 심화된 설정들은 언급되지 않는등 머신러닝의 모든걸 다 다룬다고 하긴 어려운 한계또한 있습니다

이책을 어느정도 익숙해 진다면, 핸즈온머신러닝 (내년 7월에 개정판이 원서로 나옵니다 ㅠㅠ) 으로 부족한 부분을 보완하는 중간다리로써 충분한 역활을 하는 책으로 추천합니다

파이썬과 케라스로 배우는 딥러닝 핵심원리

케라스 창시자이자 구글 AI 연구원인 저자는 ‘인공 지능의 민주화’를 강조한다. 이런 개념을 바탕으로 케라스를 만들었으며, 현재 딥러닝을 시작하기에 가장 쉬운 라이브러리로 평가받고 있다. 이 책 역시 ‘인공 지능의 민주화’를 위한 일환이다. 딥러닝 기초부터 설명하기 때문에 파이썬만 알고 있다면 딥러닝 기초 지식이 없어도 학습을 시작할 수 있다. 또한, 수학적 표기법이 학습에 큰 장벽이 된다고 생각해 수학적 표기 없이 직관적이고 간결한 코드로 개념을 설명한다. 코드만으로도 수학 개념을 쉽게 파악할 수 있다.

읽기전

• 인공지능으로 간단하게 만들어 본게 있는데, Keras(케라스)를 이용해서 만들었다.
• 여러곳을 참고해 보니, 아예 연구자가 아닌 이상 케라스를 이용하면 왠만한건 할 수 있다는 이야기를 보았다.
• 물론 간단하게 만들어 본 것 역시 케라스를 이용해서 만들었다.
• 그래서 케라스 자체를 좀 더 알아 보는게 좋을 것이 생각해서 구매한 책.

기타

• 보통 책과 관련없는 내용은 아랫쪽에 따로 두기도 하는데..
• 책 자체에 역자가 많은 주석을 달아 두었다. 그래서 책을 읽기가 좋다.
• 대부분의 이론들이나, 전망은 걍 생략했다. 이 글을 읽는 사람이 있다면, 자세한 내용은 책을 구매해서 읽으시길...
• 초급용 책을 뗐다면, 이 책을 읽어 보는것을 추천한다. 참고로 초급용 책은 "모두의 딥러닝"을 추천한다.
  • 모두의 딥러닝 : http://www.yes24.com/Product/Goods/57736119?scode=032&OzSrank=7

책읽기

1부 딥러닝의 기초

• 이론적인 내용 생략

1장 딥러닝이란 무엇인가?

• 이론적인 내용 생략

인공지능과 머신 러닝, 딥러닝

• 인공지능 : 보통의 사람이 수행하는 지능적인 작업을 자동화 하기 위한 연구 활동
• 머신러닝 시스템은 명시적으로 프로그램 되는 것이 아니라 훈련(training) 됨
• 데이터 포인트 라는 말이 나오는데, 인공지능 학습에 사용되는 데이터들을 데이터 포인트 라는 용어로 잘 사용하더라. ( 직전에 읽은, 피처 엔지니어링 책에서도 데이터 포인트 라는 용어를 사용했던것 같다. )
• 표현(representation) : 머신러닝과 딥러닝의 핵심 문제ㄴ,ㄴ 입력 데이터를 기반으로 기대 출력에 가깝게 만드는 유용한 표현을 학습하는것.
  • 핵심은 데이터를 인코딩하거나 묘사하기 위해 데이터를 바라보는 방법
  • 이미지가 RGB 혹은 HSV로 바뀌는것도 표현이 바뀌는것
  • 2차원 데이터 포인트들에서, 좌표를 변환하는것.
  • 시스템적으로 데이터 포인트를 잘 구분할 수 있도록, "학습"시킬 수 있다.
  • 이 과정중 일부는 기계가 "학습"하기 쉽게, 사람이 먼저 "피처 엔지니어링"을 해야 할 수도 있겠다.
• 뉴럴넷은 뇌구조를 이해하는것에 영감을 만들어 진 것이다. 진짜 사람의 뇌가 그렇게 동작한다는 근거는 없다.