소득공제
PDF
eBook
파이토치 라이트닝으로 시작하는 딥러닝
파이썬으로 빠르게 고성능 AI 모델 만들기
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
소개
목차
|
1부. 파이토치 라이트닝 시작하기1장. 파이토치 라이트닝 탐험__파이토치 라이트닝이 특별한 이유____딥러닝의 시작____다양한 프레임워크____파이토치 VS 텐서플로____중용 - 파이토치 라이트닝__〈pip install〉 - 라이트닝 탐험__파이토치 라이트닝의 주요 구성요소____딥러닝 파이프라인____파이토치 라이트닝 추상화 계층__파이토치 라이트닝을 활용한 AI 애플리케이션 제작____이미지 인식 모델____전이학습____자연어 처리 트랜스포머 모델____라이트닝 플래시____LSTM을 사용한 시계열 모델____오토인코더를 사용한 적대적 생성 네트워크____CNN과 RNN을 결합한 준지도 학습 모델____대조 학습을 활용한 자기 지도 학습 모델____모델 배포 및 평가____모델 규모 확장 및 생산성 팁__추가 자료__요약2장. 첫 번째 딥러닝 모델 시작하기__기술 요구사항__신경망 시작하기____왜 신경망일까?____XOR 연산자____MLP 아키텍처__Hello World MLP 모델 만들기____라이브러리 가져오기____데이터 준비하기____모델 설정하기____모델 학습하기____모델 불러오기____예측 수행하기__첫 번째 딥러닝 모델 구축____모델이 깊다는 게 뭘까?____CNN 아키텍처__이미지 인식을 위한 CNN 모델 구축____패키지 가져오기____데이터 수집하기____데이터 준비하기____모델 구축하기____모델 학습하기____모델 정확도 평가하기____모델 개선 연습__요약3장. 사전 학습 모델을 사용한 전이 학습__기술 요구사항__전이 학습 시작하기__사전 학습한 ResNet-50 아키텍처를 사용한 이미지 분류기____데이터 준비____모델 생성____모델 학습____모델 정확도 평가__BERT를 사용한 텍스트 분류____데이터 수집____데이터 로더 인스턴스 생성____모델 생성____모델 학습 및 테스트 설정____모델 학습____모델 평가__요약4장. 라이트닝 플래시를 통한 사전 학습 모델 활용__기술 요구사항__라이트닝 플래시 시작하기__플래시는 매우 간단하다__플래시를 이용한 비디오 분류____Slow와 SlowFast 아키텍처____라이브러리 가져오기____데이터 세트 불러오기____백본 네트워크 설정____모델 미세 조정____예측 수행하기__플래시를 사용한 음성 인식____라이브러리 설치하기____라이브러리 가져오기____데이터 세트 불러오기____백본 네트워크 설정하기____모델 학습 및 미세 조정하기____예측 수행하기__추가 학습__요약2부. 파이토치 라이트닝을 사용한 문제 해결5장. 시계열 모델__기술 요구사항__시계열 소개____딥러닝을 이용한 시계열 예측__시계열 모델 시작하기__LSTM 시계열 모델을 이용한 교통량 예측____데이터 세트 분석____피처 엔지니어링____데이터 세트 생성__파이토치 라이트닝을 사용한 LSTM 모델 구성____모델 정의하기____옵티마이저 설정하기____모델 학습____학습 손실 측정____모델 불러오기____테스트 데이터 세트 예측____다음 단계__요약6장. 심층 생성 모델__기술 요구사항____GAN 모델 시작하기____GAN__GAN으로 가짜 음식 만들기____데이터 세트 불러오기____피처 엔지니어링 유틸리티 함수____판별기 모델 구성____생성기 모델 구성____적대적 생성 모델____GAN 모델 학습____모델이 생성한 가짜 이미지__GAN을 사용해 새로운 나비 종 만들기__GAN 학습 도전 과제__DCGAN으로 새 이미지 생성하기__요약7장. 준지도 학습__기술 요구사항__준지도 학습 시작하기__CNN-RNN 아키텍처 알아보기__이미지에 대한 캡션 생성하기____데이터 세트 다운로드____데이터 정리____모델 학습____하이브리드 CNN-RNN 모델____캡션 생성____다음 단계__요약8장. 자기 지도 학습__기술 요구사항__자기 지도 학습 시작하기____자기 지도의 의미__대조 학습__SimCLR 아키텍처____SimCLR의 작동 방식__이미지 인식을 위한 SimCLR 모델____데이터 세트 수집____데이터 증강 설정____데이터 세트 불러오기____학습 구성____모델 학습____모델 평가____다음 단계__요약3부. 심화 과정9장. 모델 배포 및 예측 수행__기술 요구사항__파이토치 라이트닝 방식으로 모델 배포 및 예측하기____pickle(.PKL) 모델 파일 형식____딥러닝 모델 배포____플라스크를 사용해 배포 및 예측하기__ONNX 방식으로 모델 배포 및 예측하기____ONNX 형식과 중요성____ONNX 모델 저장 및 불러오기____플라스크를 사용해 ONNX 모델 배포 및 예측하기__다음 단계__읽을거리__요약10장. 훈련 확장 및 관리__기술 요구사항__학습 관리____모델 하이퍼파라미터 저장____효율적인 디버깅____텐서보드를 활용한 학습 손실 모니터링__훈련 규모 확장____여러 워커를 사용한 모델 학습 속도 향상____GPU/TPU 학습____혼합 정밀도 학습/16비트 정밀도 학습__학습 제어____클라우드 사용 시 모델 체크포인트 저장____체크포인트 기능의 기본 동작 변경____저장한 체크포인트에서 교육 재개____클라우드에서 다운로드 또는 병합한 데이터 저장__읽을거리__요약
|
저자 소개4
Kunal Sawarkar
수석 데이터 과학자이자 AI 권위자로, 최근 혁신적인 제품을 개발하는 AI 빌드 랩(Build Labs)을 이끌고 있다. 과거 여러 AI 제품 연구소를 출범시켰고 제품을 폭발적으로 성장시킨 경험이 있다. 하버드대학교에서 응용통계학으로 석사 학위를 받았고 산업계와 사회에서 풀리지 않던 문제를 머신러닝(특히 딥러닝)을 활용해 풀고 있다. 머신러닝 분야에서 20개 이상의 특허와 논문을 보유하고 있다. AI를 통한 지속가능성(Sustainability)에 집중하는 엔젤 투자자이면서 자문위원으로도 활동 중이다.
Shivam R Solanki
비즈니스, 데이터, 기술의 경계에 있는 선임 데이터 과학자다. 텍사스A&M대학교에서 응용 통계학 전공으로 석사 학위를 받았다. 통계학, 머신러닝, 딥러닝을 활용해 비즈니스 문제를 해결하는 데 관심이 많다.
Amit Joglekar
디자인에 중점을 둔 숙련된 머신러닝 엔지니어다. 열정적으로 새로운 기술을 배우며, 클라우드 기반 기술과 딥러닝 프로그래밍을 매우 즐긴다.
서울대학교 기계항공공학부를 졸업하고 롯데면세점 빅데이터팀 데이터 분석가를 거쳐 현재는 프리랜서 마켓 크몽에서 AI 엔지니어로 일하고 있다. 『파이토치 라이트닝으로 시작하는 딥러닝』을 번역했으며, 최근에는 LLM을 활용한 어시스턴트(에이전트) 개발에 관심이 많다.
허정준의 다른 상품
품목정보
- 발행일
- 2024년 10월 15일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 19.93MB ?
- 글자 수/ 페이지 수
- 약 406쪽 ?
- ISBN13
- 9791161758954
출판사 리뷰
|
◈ 이 책에서 다루는 내용 ◈
◆ 다양한 데이터 세트, 모델 아키텍처로 맞춤형 모델 제작 ◆ 이미지 인식, 자연어 처리, 시계열 등 다양한 딥러닝 모델의 개념 ◆ 시를 쓰고(준지도 학습) 가짜 이미지를 만드는(GAN) 심화 모델 제작 ◆ 자기 지도 학습(대조 학습)을 통해 라벨이 없는 이미지를 사용한 모델 학습 ◆ 사전 학습 모델의 전이 학습을 통한 비용 절감 ◆ 라이트닝 플래시를 통한 SOTA 모델 활용 방법 ◆ ONNX 형식을 이용한 모델 배포와 추론 ◆ 혼합 정밀도 방식과 여러 개의 GPU를 사용한 모델 학습과 추론 ◈ 이 책의 대상 독자 ◈ 딥러닝이 항상 궁금했지만 어디서 시작해야 할지 몰랐거나 거대한 신경망의 복잡함에 주저했던 경험이 있다면 이 책을 추천한다. 딥러닝이 식은 죽 먹기처럼 쉬워진다! 문제를 해결하기 위해 딥러닝을 배우려는 비전공 데이터 과학자를 위한 책이다. 다른 프레임워크를 사용하다가 파이토치 라이트닝으로 넘어오려고 하는 전문 데이터 과학자에게도 도움이 된다. 파이토치 라이트닝으로 딥러닝 모델을 코딩해 보려는 딥러닝 연구자에게도 실용적인 코드가 많다. 내용을 최대한 이해하려면 파이썬 프로그래밍에 대한 실무 지식과 통계학, 딥러닝 기본기에 대한 중급 수준의 이해도가 필요하다. ◈ 이 책의 구성 ◈ 1장, ‘파이토치 라이트닝 탐험’에서는 딥러닝에 대한 짧은 역사로 시작해서 파이토치가 가장 사랑받는 프레임워크인 이유를 알아본다. 파이토치 라이트닝이 무엇인지, 어떻게 만들어졌는지, 파이토치와는 무엇이 다른지 살펴본다. 파이토치 라이트닝의 모듈 구조를 다루면서 파이토치 라이트닝이 모델링을 위한 엔지니어링에 드는 에너지를 줄이고 연구에 집중할 수 있게 만드는 방법을 다룬다. 2장, ‘첫 번째 딥러닝 모델 시작하기’에서는 파이토치 라이트닝으로 모델 구축을 시작하는 방법을 다룬다. 실습으로 간단한 MLP(Multilayer Perceptron) 모델부터 실제 이미지 인식에 사용하는 CNN 모델까지 만들어본다. 3장, ‘사전 학습 모델을 사용한 전이 학습’에서는 사전 학습 모델을 통해 많은 학습 시간과 비용 없이 훌륭한 성능의 모델을 만들 수 있는지 다양한 데이터 세트로 알아본다. 이미지와 자연어에 대한 사전 학습 모델을 수정하는 작업을 진행한다. 4장, ‘라이트닝 플래시를 통한 사전학습 모델 활용’에서는 최고 성능(SOTA, State-Of-The-Art) 모델 라이브러리인 파이토치 라이트닝 플래시를 다룬다. 사람들이 자주 사용하는 알고리즘과 프레임워크를 바로 사용할 수 있도록 대부분 지원해서 데이터 과학자가 빠르게 벤치마킹과 실험을 수행할 수 있도록 돕는다. 비디오 분류 모델과 음성 인식 모델을 다룬다. 5장, ‘시계열 모델’에서는 시계열 모델을 집중적으로 다룬다. 실제 사용 사례를 살펴보면서 기본부터 RNN(Recurrent Neural Networks)와 LSTM(Long Short Term Memory) 모델 같은 심화 기술까지 순차적으로 살펴본다. 6장, ‘심층 생성 모델’에서는 단계별로 존재하지 않는 이미지를 생성할 때 사용하는 GAN과 같은 생성형 딥러닝 모델의 작동과 구현을 알아본다. 7장, ‘준지도 학습’에서는 준지도 학습 모델의 작동 방법과 파이토치 라이트닝을 통한 구현 방법을 살펴본다. 또한 CNN과 RNN 모델을 함께 사용해 라벨과 이미지 캡션을 생성하는 준지도 학습 모델을 기초부터 심화까지 실습하면서 자세히 알아본다. 8장, ‘자기 지도 학습’에서는 라벨 없는 데이터로 동작하는 자기 지도 학습이라는 새로운 분야에 집중해서 자기 지도 학습 모델의 작동 방법과 파이토치 라이트닝을 통한 구현 방법을 살펴본다. 대조 학습(contrastive learning) 실습을 다루고 SimCLR 모델과 같은 기술도 알아본다. 9장, ‘모델 배포 및 예측 수행’에서는 딥러닝 모델을 그 자체로 배포하는 기술과 ONNX 같은 상호 운영 가능한 형식으로 배포하는 방법을 구체적으로 다룬다. 또 대량의 데이터로 모델 평가를 수행하는 방법을 알아본다. 10장, ‘훈련 확장 및 관리’에서는 대규모로 모델을 학습하고 관리할 때 만나는 여러 문제를 살펴본다. 자주 발생하는 문제와 그 문제를 해결하는 팁을 알아본다. 또한 실험을 세팅하는 방법, 모델 학습을 재개하고 하드웨어를 효율적으로 활용하는 방법 등을 다룬다. |
