1장 딥러닝과 PyTorch의 학습 구조

딥러닝이 다루는 문제의 형태
입력과 출력 사이의 함수 근사
학습 데이터와 모델의 관계
파라미터와 학습의 의미
PyTorch가 계산을 표현하는 방식
모델 학습 흐름의 전체 구조

2장 텐서 연산과 계산 그래프

텐서의 차원과 형태
브로드캐스팅과 행렬 연산
텐서 변형과 데이터 재배열
계산 그래프의 구성 원리
자동 미분의 동작 방식
기울기 추적과 연산 기록

3장 신경망의 구성과 계층 설계

선형 계층의 역할
활성화 함수가 만드는 비선형성
은닉층의 깊이와 표현력
출력층의 구조와 예측 형태
모듈 조합을 통한 모델 구성
순전파 구조의 설계 원리

4장 손실 함수와 최적화 원리

오차를 수치로 표현하는 방법
회귀 문제를 위한 손실 함수
분류 문제를 위한 손실 함수
경사하강법의 계산 원리
학습률이 수렴에 미치는 영향
옵티마이저별 갱신 방식의 차이

5장 데이터 처리와 학습 흐름

데이터셋 구성의 원리
훈련 데이터와 검증 데이터의 구분
배치 단위 학습의 의미
셔플과 반복 구조의 필요성
DataLoader를 통한 입력 파이프라인
에포크와 반복 횟수의 관계

6장 완전연결 신경망의 구조와 학습

완전연결 구조가 적합한 문제
입력 벡터와 출력 벡터의 연결
은닉층 설계와 표현 공간
분류 모델의 출력 해석
회귀 모델의 출력 해석
완전연결 신경망 학습 과정의 구현

7장 합성곱 신경망의 구조 이해

이미지 데이터와 공간 정보
합성곱 연산의 핵심 원리
커널과 특성 맵의 관계
패딩과 스트라이드의 영향
풀링 계층의 역할
분류를 위한 합성곱 신경망 구성

8장 순환 신경망과 시계열 학습

순서 정보가 있는 데이터의 특징
순환 구조의 상태 전달 방식
시점별 입력과 은닉 상태의 관계
긴 시퀀스 학습의 어려움
LSTM과 GRU의 구조 차이
시계열 예측을 위한 모델 구성

9장 어텐션과 트랜스포머의 원리

어텐션이 필요한 이유
쿼리 키 값 구조의 해석
가중합으로 만드는 문맥 표현
멀티헤드 구조의 의미
위치 정보의 반영 방식
트랜스포머 인코더의 구성 원리

10장 모델 평가와 학습 안정화

훈련 손실과 검증 손실의 해석
정확도와 오차 지표의 비교
과적합이 발생하는 구조적 원인
정규화가 학습에 미치는 영향
드롭아웃과 배치 정규화의 역할
재현 가능한 학습 설정의 중요성