첫째마당 | 머신러닝의 첫걸음

01장 머신러닝을 알아야 AI가 보인다

__01-1 머신러닝의 원리 이해하기
____머신러닝이란?
____모델과 학습 과정 살펴보기
__01-2 머신러닝의 절차와 유형
____머신러닝의 절차
____머신러닝의 학습 유형

02장 코랩 사용법과 파이썬 기초 익히기

__02-1 코랩 시작하기
____코랩 사용하기
____셀과 노트북 이해하기
__02-2 파이썬 자료형 이해하기
____숫자형
____문자형
____리스트
____튜플
____딕셔너리
__02-3 파이썬 라이브러리 사용하기
____라이브러리 이해하기
____판다스
____맷플롯립
____라이브러리 불러오기
____데이터 불러오기
__02-4 데이터프레임 활용하기9
____속성
____메서드
____인덱싱
__02-5 반복문과 조건문 활용하기
____반복문
____조건문
__되새김 문제

둘째마당 | 기초 머신러닝 모델

03장 선형 회귀 모델

__03-1 선형 회귀 모델
__03-2 회귀 모델 구현을 위한 준비
____라이브러리 설치와 데이터 생성
____탐색적 데이터 분석
__03-3 선형 회귀 모델의 예측 방법
____타깃과 입력 지정하기
____예측 함수 설정하기
__03-4 선형 회귀 모델 설정과 학습
____임의의 파라미터로 예측하기
____모델 클래스를 사용해 학습하기
__03-5 모델 예측과 성능 평가
____예측 결과 확인하기
____손실 계산하기
____예측 성능 시각화하기
__03-6 회귀 모델 개선하기
____입력 변수 확장으로 모델 개선
____선형 회귀 모델의 한계
__되새김 문제

04장 로지스틱 회귀 모델

__04-1 로지스틱 회귀 모델이란?
____회귀 문제와 분류 문제
____확률 기반 예측 방법
__04-2 로지스틱 회귀 모델 구현을 위한 준비
____인코딩의 종류
____인코딩 적용 방법
__04-3 로지스틱 회귀 모델의 예측 방법
____확률 예측 방법
____크로스 엔트로피 손실 함수
__04-4 로지스틱 회귀 모델 설정과 학습
____데이터 생성과 탐색적 데이터 분석
____로지스틱 회귀 모델 설정과 학습
__04-5 모델 예측과 성능 평가
____예측 성능 시각화하기
____입력 변수의 효과 시각화하기
____새로운 입력 예측하기
__되새김 문제 128

셋째마당 | 인공 신경망 모델의 구조와 원리

05장 행렬 연산과 텐서의 이해

__05-1 배열 데이터의 구조
__05-2 벡터와 행렬 연산
____벡터와 행렬 만들기
____행렬 곱 계산하기
____벡터의 선형 변환
____행렬을 사용한 선형 회귀 모델
__05-3 텐서와 자동 미분
____그래디언트
____경사하강법
____텐서를 사용한 경사하강법 실습
__되새김 문제

06장 인공 신경망 모델 기초

__06-1 인공 신경망이란?
____인공 신경망 이해하기
____인공 신경망의 구조
__06-2 인공 신경망 모델 구현을 위한 준비
____라이브러리와 데이터 불러오기
____데이터 생성과 변수 설정
____탐색적 데이터 분석
__06-3 인공 신경망 모델 설정
____인공 신경망 모델의 구조 결정하기
____인공 신경망 모델 설정하기
____활성화 함수 적용하기
__06-4 인공 신경망 모델 학습
____학습 과정 이해하기
____랜덤 시드 고정하기
____컴파일과 학습 시작하기
__06-5 성능 평가와 구조 개선
____예측 성능 평가하기
____모델 구조 개선하기
__되새김 문제

07장 과대적합 문제 해결 방법

__07-1 과대적합과 데이터 분할
____과대적합이 왜 문제일까?
____훈련 데이터와 검증 데이터 분할하기
__07-2 모델 설정을 위한 준비
____라이브러리와 데이터 불러오기
____탐색적 데이터 분석
____변수 지정과 인코딩
__07-3 모델 설정과 학습
____모델 설정과 데이터 분할
____조기 종료 콜백을 사용한 모델 학습
____손실 변화 시각화
____예측 성능 평가
__되새김 문제

08장 인공 신경망 분류 모델

__08-1 모델 설정을 위한 준비
____라이브러리와 데이터 불러오기
____탐색적 데이터 분석
__08-2 모델 설정과 학습
____변수 지정과 데이터 분할
____모델 설정
____모델 학습
__08-3 모델 예측과 성능 평가
____클래스별 확률 예측
____혼동행렬로 예측 결과 시각화
____새로운 데이터 예측
__되새김 문제

넷째마당 | 이미지 인식을 위한 인공 신경망 모델

09장 이미지 데이터와 인공 신경망 분류 모델

__09-1 이미지 데이터의 구조와 표현
____RGB 이미지의 구조
____이미지를 배열로 변환
__09-2 인공 신경망 모델 구현을 위한 준비
____라이브러리 불러오기
____MNIST 데이터 불러오기
____탐색적 데이터 분석
____데이터 전처리
__09-3 인공 신경망 기반 이미지 분류 모델 구현
____모델 설정
____모델 학습
____손실 변화 시각화
____예측 성능 평가
____예측 결과 시각화
__되새김 문제

10장 합성곱 신경망의 원리와 구조

__10-1 합성곱 신경망의 원리
____완전연결 신경망의 한계
____합성곱
____풀링
__10-2 합성곱 필터와 특징 추출
____필터
____합성곱과 풀링의 반복
__되새김 문제

11장 합성곱 신경망 모델 구현

__11-1 CNN 모델 구현을 위한 준비
____데이터 불러오기
____데이터 증강하기
____데이터 전처리
__11-2 CNN 모델 구현과 성능 확인
____모델 설정
____모델 학습
____예측 성능 평가
____특성 맵 확인
__되새김 문제

다섯째마당 | 시퀀스 데이터와 자연어 처리

12장 시퀀스 데이터와 순환 신경망

__12-1 시퀀스 데이터의 구조
____시퀀스 데이터란?
____데이터 전처리
____입력 시퀀스와 타깃 데이터 생성
__12-2 순환 신경망의 원리
____RNN(1)의 기억 업데이트 원리
____RNN(K)의 구조와 특징
____은닉 상태 벡터로 타깃 예측
__12-3 시계열 예측을 위한 데이터 준비
____데이터 불러오기
____데이터 전처리
____입력 시퀀스와 타깃 데이터 생성
____데이터 분할
__12-4 순환 신경망 모델 설정
____모델 설정과 학습
____예측 성능 시각화
__12-5 학습된 모델로 미래 예측
____미래 예측 방법
____미래 예측 함수 구현
__12-6 시퀀스 모델의 발전
____LSTM과 GRU
____어떤 모델을 선택해야 할까?
__되새김 문제

13장 문장 생성 모델

__13-1 문장 생성 모델의 구조
____토큰화
____입력 시퀀스와 타깃 시퀀스 생성
____임베딩
____문맥에 따른 의미 변화
__13-2 문장 생성 모델 구현
____말뭉치 데이터 불러오기
____토큰화 적용
____입력 시퀀스와 타깃 시퀀스 생성
____모델 설정과 학습
__13-3 새로운 문장 생성
____문장 생성 과정
____문장 생성 함수
____새로운 문장 생성하기
__되새김 문제

14장 감성 분석 모델

__14-1 감성 분석 모델의 구조와 구현 준비
____감성 분석 모델의 구조
____데이터 불러오기
____데이터 전처리
__14-2 감성 분석 모델 구현
____모델 설정과 학습
____예측 성능 평가
__되새김 문제

여섯째마당 | 트랜스포머 모델

15장 트랜스포머의 원리와 구조

__15-1 트랜스포머란?
____트랜스포머의 핵심 아이디어
____셀프 어텐션의 원리
__15-2 트랜스포머의 구조
____임베딩과 포지셔널 인코딩
____셀프 어텐션
____Q-K-V 구조
____멀티헤드 어텐션
____피드포워드 네트워크
__15-3 트랜스포머 모델 구현
____클래스 사용하기
____모델 설정

16장 트랜스포머를 활용한 문장 생성 모델

__16-1 문장 생성 모델 구현을 위한 준비
____클래스와 데이터 불러오기
____토큰화 적용과 입력 및 타깃 생성
__16-2 문장 생성 모델 구현
____인과 마스킹의 필요성
____모델 설정과 학습
____문장 생성
__되새김 문제

17장 트랜스포머를 활용한 이미지 분석 모델

__17-1 비전 트랜스포머 모델이란?
____비전 트랜스포머 모델의 등장
____비전 트랜스포머 모델의 구조
__17-2 비전 트랜스포머 모델 구현을 위한 준비
____클래스와 데이터 불러오기
____데이터 전처리와 분할
__17-3 비전 트랜스포머 모델 구현
____모델 설정
____모델 학습
____CNN과 ViT의 차이
__되새김 문제

18장 트랜스포머를 활용한 시계열 모델

__18-1 시계열 트랜스포머 모델의 구조
__18-2 시계열 트랜스포머 모델 구현을 위한 준비
____데이터 불러오기
____변수 설정과 데이터 분할
__18-3 시계열 트랜스포머 모델 구현
____모델 설정과 학습
____예측 성능 시각화
____미래값 예측
__되새김 문제

일곱째마당 | 의사결정 트리 모델과 앙상블 모델

19장 의사결정 트리 모델
__19-1 의사결정 트리 모델이란?
____의사결정 트리의 동작 원리
__19-2 결정 트리 모델 구현 1 - 분류 문제
____데이터 불러오기
____모델 설정과 학습
____결정 트리 구조 이해하기
____하이퍼파라미터와 과대적합 문제
__19-3 결정 트리 모델 구현 2 - 회귀 문제
____모델 설정과 학습
____트리의 깊이와 예측 성능
__되새김 문제

20장 앙상블 모델
__20-1 앙상블 모델이란?
____랜덤 포레스트 모델
____부스팅 앙상블 모델
__20-2 앙상블 모델 구현 1 - 회귀 문제
____데이터 준비와 전처리
____랜덤 포레스트 회귀 모델 구현
____LGBM 회귀 모델 구현
____입력 변수의 중요도 평가
____입력 변수 효과 시각화하기
__20-3 앙상블 모델 구현 2 - 분류 문제
____데이터 준비와 전처리
____LGBM 분류 모델 구현
____입력 변수의 중요도 평가
____입력 변수 효과 시각화하기
__되새김 문제

여덟째마당 | 행동으로 배우는 인공지능 - 강화학습

21장 강화학습과 Q-러닝
__21-1 강화학습이란?
____지도학습과 강화학습의 차이
____강화학습 사례
____강화학습의 구성 요소
__21-2 Q-러닝을 위한 그리드 월드 환경
____Q-러닝이란?
____그리드 월드 환경 구성하기
____환경 구현하기
__21-3 Q-러닝 첫걸음
____Q-테이블이란?
____Q-값 학습하기
____탐험과 활용 전략
____즉시 보상과 미래 보상
__21-4 벨만 방정식을 적용한 Q-러닝
____벨만 방정식이란?
____할인율의 역할
____벨만 방정식 기반 Q값 업데이트
____최적 경로 확인
__되새김 문제

22장 가치 기반 강화학습 - DQN
__22-1 DQN이 필요한 이유
____Q-테이블 방식의 한계
____DQN이란?
__22-2 DQN 실습을 위한 카트폴 환경
____카트폴 환경이란?
____환경 시뮬레이터 사용하기
__22-3 DQN의 구조와 학습 원리
____DQN의 신경망 구조
____DQN의 학습 과정
____DQN 모델의 한계
____경험 리플레이가 필요한 이유
__22-4 모델 설정과 경험 데이터 수집
____환경과 모델 설정
____타깃 모델 업데이트를 위한 함수 정의
____경험 데이터 수집
____조기 종료 벌칙과 데이터 저장
__22-5 모델 학습과 결과 분석
____경험 리플레이 학습
____학습 결과 확인과 조기 종료
____학습 결과 검토
__되새김 문제

23장 정책 기반 강화학습 - PPO
__23-1 PPO가 필요한 이유
____DQN의 한계
____PPO의 특징
__23-2 PPO의 구조와 학습 원리
____액터-크리틱 구조
____PPO 학습 과정
__23-3 PPO 실습을 위한 달 착륙선 환경
____달 착륙선 환경이란?
____환경 시뮬레이터 사용하기
__23-4 달 착륙선 환경에 PPO 구현하기
____달 착륙선 환경의 정책모델과 평가모델
____롤아웃 데이터 수집 과정
____PPO 구현하기
____학습 결과 확인하기
__되새김 문제

찾아보기