딥러닝의 전반적인 사항을 모두 심도있게 다루는 책으로 딥러닝 분야를 전공하고자 하는 분들에게는 바이블과 같은 책이라 생각합니다. 딥러닝을 이해하기 위한 기본적인 수학적 배경과 기타 이론 즉, 선형대수, 확률론, 정보이론, 수치계산, 고전 기계학습 등 다양한 주제를 누락 없이 소개한다. 딥러닝을 배우는데 있는 이 과정은 반드시 필요하다. 일부 책들은 이런 수학적 소개없이 바로 딥러닝의 구현에만 초점을 맞워 접근성을 쉽게하지만 옳은 방향이라고 생각되지 않는다. 본격적인 딥러닝을 다루기 전에 올바른 딥러닝 이해를 위한 수학적 배경이 필요하다. |
심층 학습을 위한 기본 수학적 지식을 주로 다루고 있다. 선형대수, 확률론, 수치 계산 등을 설명하는데 기초 지식을 쌓고 보는 것이 좋을 것 같다. 처음 기계 학습, 신경망을 포함한 여러 심층 학습 기법에 대해 이해하고자 한다면 좋은 선택이 될 수 있다. |
번역이 중간중간 어색한 부분도 있지만, 크게 문제될 건 없어보여요. 처음 딥러닝 공부하면서 구매했는데, 강의들으면서 공부하다가 딥러닝 이해안되는부분 찾으면, 왠만해서는 전부 다 있어요. 그리고 설명도 인터넷 블로그보다 자세하고 독학하기에도 큰 무리는 없다고 생각됩니다. 하지만 최근 추세를 반영하지 못하고 있다는 점..? 학교 수업에는 있으나 책에는 없는 내용도 여럿보입니다. 근데 막상 보면 책에서는 ”이것들은 꼭 알고가라“라는 느낌의 개념들 위주라 오히려 나쁘지 않아요 |
통계학(statistics)은 현재 주어진 자료를 분석하여 의사결정자(decision-maker)에게 최적의 정보를 제공하는 방법을 연구하는 학문이다. 특히 통계적 추론(statistical inference)는 표본(sample)이라는 통계 자료를 통해 모집단(population)의 특성을 예측한다. 통계적 추론을 위해서는 다양하고 엄밀한 통계적 방법의 사용이 필요한데, 이런 머신러닝 관점에서의 통계적 사고를 위해 본 책 '심층 학습'이 소개하는 방법론은 아주 큰 도움이 되므로 추천한다. |
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. |