Part 01. 딥러닝으로의 첫발

STEP 01 | 딥러닝 이해하기
첫눈에 반한 사람
왜 딥러닝에 열광하는가?
죽기보다 싫었던 수학이라뇨!
착각하지마! 누구나 할 수 있는 딥러닝?
딥러닝은 왜 뛰어날까?

STEP 02 | 딥러닝 발전 과정
인공지능의 개념과 정의
데이터와 파라미터
인공신경망
Universal Approximation Theorem
딥러닝의 역사

STEP 03 | 병렬처리와 딥러닝
일반적인 컴퓨터 구조
CPU와 GPU
병렬처리의 강력함

STEP 04 | 이 책의 가정사항들


Part 02. 딥러닝 개발과정

STEP 01 | 딥러닝 개발 프로세스
딥러닝에도 순서가 있다
문제 정의
데이터수집
데이터 전처리
딥러닝 알고리즘 적용
딥러닝 성능평가
배포 및 유지보수
한 걸음씩 어떻게 정상에 오르는가?

STEP 02 | 딥러닝 기초 수학
미분
확률
지수와 로그
선형대수
기타 유용한 수학

STEP 04 | 딥러닝 개발환경
프로젝트, 라이브러리, 프레임워크
가짜 환경이 필요하다?
개발 언어 Python
딥러닝 프레임워크
유용한 도구(argparse)


Part 03. 인공신경망 내부 구조와 딥러닝 학습원리

STEP 01 | 인공신경망의 정체
인간의 신경세포를 흉내 낸 퍼셉트론
선형계층(Linear Layer)
얕은 신경망의 한계와 극복

STEP 02 | 텐서와 미니배치
텐서란 무엇일까?
파이토치로 살펴보는 텐서

STEP 03 | 딥러닝의 학습 방법
손실함수, 얼마나 정확히 학습하는가?
편미분과 그래디언트(Gradient)
경사하강법(Griadient Descent)
확률적 경사하강법과 미니배치


Part 04. 딥러닝 회귀(Regression)

STEP 01 | 선형 회귀
회귀 그리고 선형 회귀란?
얕은신경망을 이용한 선형회귀
수식으로 정리하는 선형 회귀

STEP 02 | 딥러닝 회귀
선형회귀에서 비선형회귀로!
심층신경망 구축 ? 비선형 해결!
역전파(Back Propagation) 학습
기울기 소실과 활성함수
기울기 소실을 완화하는 함수
기울기 소실을 완화하는 파라미터 초기화

STEP 03 | 추론(Inference)
학습 마쳤으면 실전으로!

STEP 04 | 회귀 실습


Part 05. 딥러닝 분류(Classification)
STEP 01 | 로지스틱 회귀
회귀와 분류
이진 분류와 엔트로피
단일 클래스 손실함수 BCE Loss
다수 클래스 손실함수 CE Loss

STEP 02 | 딥러닝 분류
단일에서 멀티 클래스로 확장
소프트맥스(Softmax) 함수
Cross Entropy Loss와 NLL Loss

STEP 03 | 추론(Inference)
학습 마쳤으면 실전으로!

STEP 04 | 성능 측정
Precision과 Recall
Confusion Matrix
판단 기준에 대한 의문, F1 Score, AUROC

STEP 05 | 분류 실습


Part 06. 딥러닝 성능개선

STEP 01 | Optimizer
똑똑한 Optimizer의 필요성
모멘텀(Momentum)
Adaptive LR(AdaGrad)
Adam

STEP 02 | 데이터셋 구성
오버피팅이란?
훈련, 검증, 테스트 데이터

STEP 03 | 정규화(Regularization)
Regularization 개념 및 방법
Norm 이해하기
Weight Decay (Penalty)
Data Augmentaion
Drop-out
Batch Normalization


Part 07. 딥러닝 학습을 마치며
STEP 01 | 마침내 정상을 향하여
STEP 02 | 더 배워야 할 것들


참고문헌