소득공제
분철
딥러닝 파이토치 교과서
기초부터 CNN, RNN, 시계열 분석, 성능 최적화, 자연어 처리, 강화 학습, 생성 모델까지!
- 베스트
- IT 모바일 top100 5주
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 분철옵션 선택 시, 배송일이 변경될 수 있습니다.
- 분철상품은 해외배송이 불가합니다.
- 문화비소득공제 신청가능
이 상품의 태그
상세 이미지
책소개
목차
|
1장 머신 러닝과 딥러닝
1.1 인공지능, 머신 러닝과 딥러닝 1.2 머신 러닝이란 __1.2.1 머신 러닝 학습 과정 __1.2.2 머신 러닝 학습 알고리즘 1.3 딥러닝이란 __1.3.1 딥러닝 학습 과정 __1.3.2 딥러닝 학습 알고리즘 2장 실습 환경 설정과 파이토치 기초 2.1 파이토치 개요 __2.1.1 파이토치 특징 및 장점 __2.1.2 파이토치의 아키텍처 2.2 파이토치 기초 문법 __2.2.1 텐서 다루기 __2.2.2 데이터 준비 __2.2.3 모델 정의 __2.2.4 모델의파라미터 정의 __2.2.5 모델 훈련 __2.2.6 훈련 평가 __2.2.7 훈련 과정 모니터링 2.3 실습 환경 설정 __2.3.1 아나콘다 설치 __2.3.2 가상 환경 생성 및 파이토치 설치 2.4 파이토치 코드 맛보기 3장 머신 러닝 핵심 알고리즘 3.1 지도 학습 __3.1.1 K-최근접 이웃 __3.1.2 서포트 벡터 머신 __3.1.3 결정 트리 __3.1.4 로지스틱 회귀와 선형 회귀 3.2 비지도 학습 __3.2.1 K-평균 군집화 __3.2.2 밀도 기반 군집 분석 __3.2.3 주성분 분석(PCA) 4장 딥러닝 시작 4.1 인공 신경망의 한계와 딥러닝 출현 4.2 딥러닝 구조 __4.2.1 딥러닝 용어 __4.2.2 딥러닝 학습 __4.2.3 딥러닝의 문제점과 해결 방안 __4.2.4 딥러닝을 사용할 때 이점 4.3 딥러닝 알고리즘 __4.3.1 심층 신경망 __4.3.2 합성곱 신경망 __4.3.3 순환 신경망 __4.3.4 제한된 볼츠만 머신 __4.3.5 심층 신뢰 신경망 4.4 우리는 무엇을 배워야 할까? 5장 합성곱 신경망 I 5.1 합성곱 신경망 __5.1.1 합성곱층의 필요성 __5.1.2 합성곱 신경망 구조 __5.1.3 1D, 2D, 3D 합성곱 5.2 합성곱 신경망 맛보기 5.3 전이 학습 __5.3.1 특성 추출 기법 __5.3.2 미세 조정 기법 5.4 설명 가능한 CNN __5.4.1 특성 맵 시각화 5.5 그래프 합성곱 네트워크 __5.5.1 그래프란 __5.5.2 그래프 신경망 __5.5.3 그래프 합성곱 네트워크 6장 합성곱 신경망 II 6.1 이미지 분류를 위한 신경망 __6.1.1 LeNet-5 __6.1.2 AlexNet __6.1.3 VGGNet __6.1.4 GoogLeNet __6.1.5 ResNet 6.2 객체 인식을 위한 신경망 __6.2.1 R-CNN __6.2.2 공간 피라미드 풀링 __6.2.3 Fast R-CNN __6.2.4 Faster R-CNN 6.3 이미지 분할을 위한 신경망 __6.3.1 완전 합성곱 네트워크 __6.3.2 합성곱 & 역합성곱 네트워크 __6.3.3 U-Net __6.3.4 PSPNet __6.3.5 DeepLabv3/DeepLabv3+ 7장 시계열 분석 7.1 시계열 문제 7.2 AR, MA, ARMA, ARIMA __7.2.1 AR 모델 __7.2.2 MA 모델 __7.2.3 ARMA 모델 __7.2.4 ARIMA 모델 7.3 순환 신경망(RNN) __7.3.1 RNN 계층과 셀 7.4 RNN 구조 __7.4.1 RNN 셀 구현 __7.4.2 RNN 계층 구현 7.5 LSTM __7.5.1 LSTM 구조 __7.5.2 LSTM 셀 구현 __7.5.3 LSTM 계층 구현 7.6 게이트 순환 신경망(GRU) __7.6.1 GRU 구조 __7.6.2 GRU 셀 구현 __7.6.3 GRU 계층 구현 7.7 RNN, LSTM, GRU 성능 비교 7.8 양방향 RNN __7.8.1 양방향 RNN 구조 __7.8.2 양방향 RNN 구현 8장 성능 최적화 8.1 성능 최적화 __8.1.1 데이터를 사용한 성능 최적화 __8.1.2 알고리즘을 이용한 성능 최적화 __8.1.3 알고리즘 튜닝을 위한 성능 최적화 __8.1.4 앙상블을 이용한 성능 최적화 8.2 하드웨어를 이용한 성능 최적화 __8.2.1 CPU와 GPU 사용의 차이 __8.2.2 GPU를 이용한 성능 최적화 8.3 하이퍼파라미터를 이용한 성능 최적화 __8.3.1 배치 정규화를 이용한 성능 최적화 __8.3.2 드롭아웃을 이용한 성능 최적화 __8.3.3 조기 종료를 이용한 성능 최적화 9장 자연어 전처리 9.1 자연어 처리란 __9.1.1 자연어 처리 용어 및 과정 __9.1.2 자연어 처리를 위한 라이브러리 9.2 전처리 __9.2.1 결측치 확인 __9.2.2 토큰화 __9.2.3 불용어 제거 __9.2.4 어간 추출 __9.2.5 정규화 10장 자연어 처리를 위한 임베딩 10.1 임베딩 __10.1.1 희소 표현 기반 임베딩 __10.1.2 횟수 기반 임베딩 __10.1.3 예측 기반 임베딩 __10.1.4 횟수/예측 기반 임베딩 10.2 트랜스포머 어텐션 __10.2.1 seq2seq __10.2.2 버트(BERT) 10.3 한국어 임베딩 11장 클러스터링 11.1 클러스터링이란 11.2 클러스터링 알고리즘 유형 __11.2.1 K-평균 군집화 __11.2.2 가우시안 혼합 모델 __11.2.3 자기 조직화 지도 12장 강화 학습 12.1 강화 학습이란 12.2 마르코프 결정 과정 __12.2.1 마르코프 프로세스 __12.2.2 마르코프 보상 프로세스 __12.2.3 마르코프 결정 과정 12.3 MDP를 위한 벨만 방정식 __12.3.1 벨만 기대 방정식 __12.3.2 벨만 최적 방정식 __12.3.3 다이나믹 프로그래밍 12.4 큐-러닝 __12.4.1 큐-러닝 __12.4.2 딥 큐-러닝 12.5 몬테카를로 트리 탐색 __12.5.1 몬테카를로 트리 탐색 원리 __12.5.2 몬테카를로 트리 검색을 적용한 틱택토 게임 구현 13장 생성 모델 13.1 생성 모델이란 __13.1.1 생성 모델 개념 __13.1.2 생성 모델의 유형 13.2 변형 오토인코더 __13.2.1 오토인코더란 __13.2.2 변형 오토인코더 13.3 적대적 생성 신경망(GAN)이란 __13.3.1 GAN 동작 원리 __13.3.2 GAN 구현 13.4 GAN 파생 기술 __13.4.1 DCGAN __13.4.2 cGAN __13.4.3 CycleGAN 부록 A.1 코랩 __A.1.1 코랩이란 __A.1.2 코랩에서 예제 파일 실행 A.2 캐글 __A.2.1 캐글이란 __A.2.2 캐글 시작 |
저자 소개1
마이크로소프트에서 Data & AI Specialist로 근무 중이며, 정보관리기술사와 컴퓨터시스템응용기술사로 20년 넘게 IT 분야에서 일하고 있다. 고려대학교 대학원에서 빅데이터 및 인공지능에 대한 전문적인 연구를 진행하면서 『모두의 인공지능 기초 수학』(길벗, 2020), 『딥러닝 텐서플로 교과서』(길벗, 2021), 『딥러닝 파이토치 교과서』(길벗, 2022), 『챗GPT, 거부할 수 없는 미래』(길벗, 2023), 『랭체인으로 LLM 기반의 AI 서비스 개발하기』(길벗, 2024) 등을 저술했다.
서지영의 다른 상품
품목정보
- 발행일
- 2022년 03월 04일
- 쪽수, 무게, 크기
- 760쪽 | 1334g | 183*235*30mm
- ISBN13
- 9791165218942
출판사 리뷰
|
이 책은 딥러닝뿐만 아니라 파이토치(PyTorch) 입문자를 위한 책으로 다음과 같은 분들이 보면 좋습니다.
- 딥러닝과 파이토치를 처음 접하는 분 - 딥러닝에 대한 기본 지식은 있지만, 파이토치를 이용한 구현 경험은 없는 분 - 파이토치는 다룰 수 있지만, 딥러닝 지식은 없는 분 책에서는 딥러닝에 대한 이론뿐만 아니라 파이토치를 이용한 구현 방법도 함께 설명합니다. 따라서 순차적으로 매 장을 따라가면서 실습하다 보면 어렵지 않게 딥러닝과 파이토치에 익숙해질 수 있습니다. 실습할 때는 예제 코드를 내려받아 실행하는 것보다는 직접 코드를 입력하고 실습해야 좀 더 실력이 빨리 향상됩니다. 딥러닝은 범위가 방대하고, 내용을 이해하는 것도 쉽지 않습니다. 따라서 입문자들이 쉽게 접근할 수 있게 하는 데 중점을 두고 집필했습니다. 특히 딥러닝과 파이토치를 처음 접하는 분들이 어려워서 포기하지 않도록 처음부터 끝까지 난이도를 조절하는 데 중점을 두었습니다. 1~4장은 머신 러닝과 딥러닝에 대한 기본적인 내용뿐만 아니라 파이토치 실습을 위한 환경 설정 방법을 다룹니다. 5~11장은 딥러닝의 핵심적인 신경망을 배웁니다. 합성곱 신경망, 순환 신경망 및 자연어 처리와 관련된 다양한 신경망을 다룹니다. 또한, 모델 성능을 향상시킬 수 있는 방법도 알아봅니다. 12~13장은 강화 학습과 생성 모델을 배웁니다. 책 한 권에 딥러닝 전체를 아우를 수 있는 내용을 담으려고 노력하다 보니 신경망별로 깊이 있는 내용은 부족합니다. 대략적인 개요를 익힌 후 개별적인 신경망에 대해 깊이 있게 학습하려면 많은 논문을 살펴보는 것이 좋습니다. 논문에서 딥러닝 관련 지식이나 신경망이 어떻게 발전되고 있는지 흐름을 살펴볼 수 있습니다. 특히 신러닝국제학회(International Conference on Machine Learning, ICML)와 표현학습국제학회(International Conference on Learning Representations, ICLR)에서 발표되는 논문들을 눈여겨보면 좋습니다. 더불어 파이토치에 대한 꾸준한 관심도 필요합니다. 이 책을 집필하는 동안에도 파이토치 버전이 업그레이드되어 많은 부분을 수정했을 정도로 기술이 빠르게 변화하고 있습니다. 파이토치의 새로운 버전 관련 내용은 https://pytorch.org/tutorials에서 지속적으로 확인하면 좋습니다. 또한, 딥러닝을 실무에 적용해 보기 위해서는 논문의 내용을 파이토치로 구현해 보는 연습을 해야 합니다. 물론 처음에는 어려울 수 있습니다. 하지만 책 내용을 완전히 숙지한 후 파이토치 코드가 제공되는 논문들을 찾아서 연습하고 제공되지 않는 논문들은 직접 코드로 구현해 보는 단계적 노력이 필요합니다. 이 책이 여러분이 딥러닝 세계에 입문하는 데 도움이 되면 더 바랄 것이 없을 것 같습니다. -지은이의 말 중에서- |
