- 국내배송만 가능
- 예약상품과 함께 주문 시 제품 출시일에 함께 배송됩니다. (제작사의 사정으로 출시 지연 가능)
- 문화비소득공제 가능
이 상품의 태그
책소개
목차
|
__추천인의 글
__독자에게 전하는 말 __이 책의 학습 방법 __보조 학습 자료 PART 1 파이토치로 딥러닝 시작하기 CHAPTER 01 텐서와 자동 미분 1-1 텐서 자료형 __텐서: 파이토치의 기본 데이터 형식 __텐서 다루기 __텐서의 조작 __연습문제 1-2 자동 미분 __텐서와 미분 __자동 미분의 사용법 __연습문제 1-3 첫 번째 딥러닝 모델 __회귀 분석 모델의 설계 __회귀 분석 모델의 구현 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 02 똑똑한 선 긋기, 퍼셉트론 2-1 기계가 선을 긋는다면? __퍼셉트론: 인공 뉴런의 조상 __퍼셉트론을 분류에 사용하는 원리 __연습문제 2-2 퍼셉트론으로 구현한 AND 게이트 __AND 게이트 시뮬레이터 모델 __모델 학습과 평가 __연습문제 2-3 파이토치 고수준 API __파이토치의 방식으로 모델 만들기 __파이토치에서 제공하는 클래스 도구 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 03 선을 넘는 신경망, 다층 퍼셉트론 3-1 복잡한 분류 문제 __다층 퍼셉트론의 등장 배경 __다층 퍼셉트론 __연습문제 3-2 다층 퍼셉트론으로 구현한 XOR 게이트 __파이토치로 다층 퍼셉트론 모델 만들기 __결과로 돌아보는 다층 퍼셉트론의 결정 경계 __연습문제 3-3 좀 더 복잡한 분류 문제 __회오리 모양으로 분포한 데이터의 분류 __모델 구현하기 __더 좋은 분류 모델을 위한 도구 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 04 딥.완.데, 딥러닝의 완성은 데이터 4-1 데이터에서 시작하는 슬기로운 딥러닝 생활 __딥러닝 모델의 데이터 __일반적으로 좋은 모델 만들기 __연습문제 4-2 파이토치로 데이터를 다루는 표준 절차 __데이터 파이프라인 __파이토치의 방식으로 데이터 다루기 __연습문제 4-3 공개 이미지 데이터셋의 사용 __torchvision 라이브러리 __MNIST 숫자 분류기 모델 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 PART 2 구조에 숨은 특징과 의미 CHAPTER 05 이미지를 보는 눈, 합성곱 신경망 5-1 딥러닝에 맞는 이미지 취급법 __이미지를 제대로 이해하는 방법 __합성곱: 이미지 맞춤 특징 추출기 __연습문제 5-2 합성곱 신경망 모델 만들기 __합성곱 신경망을 구성하는 부품 __합성곱 신경망 숫자 분류기 모델 __연습문제 5-3 좀 더 복잡한 이미지를 다루는 딥러닝 __CIFAR -10 이미지 분류 모델 __과적합을 완화하는 또 다른 방법 __연산 장치와 하드웨어 가속기의 활용 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 06 순서를 기억하는 방법, 순환 신경망 6-1 순환 신경망 __순환 신경망: 순서 맞춤 특징 추출기 __순환 신경망의 입력 데이터 __연습문제 6-2 순서를 예측하는 생성 모델 만들기 __다음 토큰을 예측하는 단순 RNN 모델 __자기회귀: 순환 신경망으로 생성하기 __연습문제 6-3 순서를 기준으로 판단하는 모델 만들기 __띄어쓰기를 예측하는 단순 RNN 모델 __LSTM: 기억을 제어하는 순환 신경망 __띄어쓰기 모델을 개선하려면 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 07 데이터 속의 의미 7-1 똑똑한 어휘 사전, 임베딩 __임베딩: 더 똑똑한 토큰 인코딩 __임베딩 벡터 __임베딩 벡터에 담긴 의미 __연습문제 7-2 임베딩을 사용하는 순환 신경망 모델 __임베딩 계층을 사용하는 모델 정의하기 __임베딩 계층을 사용하는 모델의 학습 __연습문제 7-3 데이터를 압축하는 오토인코더 __오토인코더: 표현의 압축 __오토인코더로 MNIST 데이터 재현해 보기 __연습문제 7-4 잠재 공간과 전이 학습 __잠재 벡터의 분포와 잠재 공간 __인코더를 재활용해 만드는 숫자 분류기 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 PART 3 딥러닝을 위한 전략 CHAPTER 08 더 깊은 딥러닝 8-1 단순해도 깊어서 좋은 VGGNet __딥러닝에서 깊이의 의미 __VGGNet: 단순하지만 깊은 모델 __연습문제 8-2 안정적으로 더 깊게 쌓기, 배치 정규화 __깊은 모델을 안정적으로 학습하는 전략 __배치 정규화가 추가된 VGGNet __연습문제 8-3 깊이의 한계를 극복하는 덧셈의 마법, ResNet __ResNet: 차이에 집중해 학습하는 더 깊은 모델 __잔차 학습을 적용한 모델 만들기 __연습문제 8-4 진짜 VGGNet과 ResNet 활용해 보기 __허깅페이스 허브를 통한 공개 모델 활용 __허깅페이스의 사전 학습 모델을 사용한 전이 학습 __연습문제 학습노트 __요점 정리 __8장에서 사용한 사전 학습 모델 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 09 가변 길이를 다루는 Seq2Seq와 어텐션 9-1 Seq2Seq 모델 __Seq2Seq: 인코더-디코더로 순차 데이터를 생성하는 모델 __Seq2Seq 모델로 구현한 날짜 형식 변환기 __기본 Seq2Seq 모델에서 개선해야 할 점 __연습문제 9-2 Seq2Seq 모델의 배치 학습 __배치 학습을 위한 표준 절차와 도구 __순차 데이터의 미니배치 학습 __연습문제 9-3 어텐션 __어텐션: 중요한 곳에 집중 __어텐션 메커니즘의 구현 __어텐션의 효과 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 10 어텐션만으로 만든 신경망, 트랜스포머 10-1 병렬 처리를 위한 새로운 패러다임, 트랜스포머 __트랜스포머의 개념과 동작 방식 __트랜스포머 구조로 만든 날짜 변환기 모델 __연습문제 10-2 트랜스포머의 변형 1, 인코더만 사용하는 트랜스포머 __BERT: 인코더만 사용하는 트랜스포머 __인코더만 사용하는 날짜 형식 분류기 모델 __연습문제 10-3 트랜스포머의 변형 2, 디코더만 사용하는 트랜스포머 __GPT: 디코더만 사용하는 트랜스포머 __디코더만 사용하는 문장 생성 모델 __텍스트 생성 모델의 추론 방법 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 11 이미지를 만드는 생성 전략 11-1 변분 오토인코더: 잠재 공간에서 이미지를 생성하기 __오토인코더의 한계와 변분 오토인코더의 등장 __Fashion -MNIST 데이터셋으로 학습한 변분 오토인코더 모델 __연습문제 11-2 GAN: 적대적 경쟁으로 이미지를 생성하기 __경쟁으로 더 좋은 모델을 만드는 전략 __Fashion -MNIST 데이터셋을 학습한 DCGAN 모델 __연습문제 학습노트 __요점 정리 __더 공부하거나 찾아보면 도움이 되는 것들 PART 4 거대한 모델의 시대 CHAPTER 12 LLM을 활용하는 애플리케이션 개발 12-1 transformers 라이브러리로 LLM 다루기 __transformers 라이브러리와 Auto 모델 클래스 __한국어 LLM 실행하기 __LLM을 애플리케이션에 통합하는 방식 __연습문제 12-2 LLM을 미세 조정해 작업에 특화시키기 __미세 조정의 의미와 모델 선택 __한국어 요약 데이터셋 준비 __모델 준비와 전이 학습 실행 __연습문제 12-3 양자화로 LLM 가볍게 돌리기 __양자화가 필요한 이유와 작동 원리 __bitsandbytes로 추론 양자화 적용하기 __연습문제 12-4 검색 증강 생성으로 환각 줄이기 __RAG의 개념과 구성 __간단한 RAG 파이프라인 구현 __연습문제 학습노트 __요점 정리 __12장에서 사용한 사전 학습 모델 __더 공부하거나 찾아보면 도움이 되는 것들 CHAPTER 13 언어 밖 진짜 세계의 모델, 멀티모달 13-1 멀티모달 모델의 구조와 구현 __멀티모달 모델의 등장 배경과 프로젝션 아이디어 __CLIP과 GPT -2를 연결해 만든 이미지 설명 모델 __연습문제 13-2 Q -Former: 이미지 정렬 트랜스포머 __이미지를 보고 텍스트를 생성하는 BLIP -2 모델 __BLIP -2의 구현 방식과 Q -Former __연습문제 학습노트 __요점 정리 __13장에서 사용한 사전 학습 모델 __더 공부하거나 찾아보면 도움이 되는 것들 __찾아보기 |
저자 소개 1
컴퓨터에 붙은 그림을 보고 애플이라는 단어의 뜻을 알게 된 이 땅의 흔한 개발자 중 한 사람이다. 포항공과대학교에서 전산학을, 한국과학기술원에서 인공지능을 공부했으며, 그 덕분에 알파고와 스카이넷을 구분할 줄 아는 지혜를 갖추게 되었다. 메일, 브라우저, CMS, 도서 관리 시스템 등 일관성을 찾기 어려운 다양한 프로젝트에 참여했다. 이렇게 하여 물에 물 탄듯한 경력이 완성되는 듯했으나, 최근 몇 년은 빅데이터 처리와 관련한 연구개발에 집중했다. 현재 에스코어에서 일래스틱(Elastic) 스택을 활용한 빅데이터 저장/검색 서비스 제공과 머신러닝 및 딥러닝 관련 업무를 수행하고 있
컴퓨터에 붙은 그림을 보고 애플이라는 단어의 뜻을 알게 된 이 땅의 흔한 개발자 중 한 사람이다. 포항공과대학교에서 전산학을, 한국과학기술원에서 인공지능을 공부했으며, 그 덕분에 알파고와 스카이넷을 구분할 줄 아는 지혜를 갖추게 되었다. 메일, 브라우저, CMS, 도서 관리 시스템 등 일관성을 찾기 어려운 다양한 프로젝트에 참여했다. 이렇게 하여 물에 물 탄듯한 경력이 완성되는 듯했으나, 최근 몇 년은 빅데이터 처리와 관련한 연구개발에 집중했다. 현재 에스코어에서 일래스틱(Elastic) 스택을 활용한 빅데이터 저장/검색 서비스 제공과 머신러닝 및 딥러닝 관련 업무를 수행하고 있다. 대량의 데이터를 실시간으로 수집, 처리, 분석하여, 실시간으로 생산되는 데이터의 수집과 시각화 사이의 시간 간격을 줄이는 데 각별한 관심이 있다.
박상은의 다른 상품
품목정보
- 발행일
- 2026년 10월 15일
- 쪽수, 무게, 크기
- 568쪽 | 188*240*26mm
- ISBN13
- 9788966265558
출판사 리뷰
|
[이 책만의 네 가지 핵심 차별점]
① 역사의 흐름에 따른 자연스러운 서사 구조: 각 기술과 신경망 구조가 등장하게 된 문제 배경을 먼저 제시하고 코드로 이어지도록 구성하여, 목차 순서 자체가 하나의 유기적인 AI 발전 서사를 이룬다. ② '설득하고, 구현하고, 증명하는' 3단계 구성: 해당 알고리즘이 왜 필요한지 원리를 설명(설득)한 후, 파이토치 코드로 구축(구현)하고, 실행 결과와 지표를 통해 필요성과 효과를 눈으로 직접 확인(증명)하게 한다. ③ 수식과 코드 사이의 빈자리 보완: 복잡한 미분/통계 수식을 과감히 걷어내는 대신, 쉬운 우리말 설명과 동작하는 예제 코드를 나란히 배치해 개발자의 직관에 맞춘 학습 체계를 제공한다. ④ 실무 디버깅 노하우 및 실패 예제 수록: 성공하는 경로만 보여 주는 데 그치지 않고, 저자가 실제 겪었던 에러 코드나 초기화 실패 사례를 일부러 제시하며 문제의 원인을 진단하는 디버깅 팁과 실무 노하우를 공유한다. [풍부한 추가 학습 생태계] ① 공식 깃허브 저장소: 책의 분량상 모두 담지 못한 전체 실행 가능 코드와 주석, 추가 학습용 노트북(파이토치 훅, 스타일 전이, QLoRA 실습 등) 제공 ② 유튜브 강의 및 Q&A: 각 장별 핵심 요약 리뷰 영상, 연습문제 풀이 동영상 콘텐츠 및 저자 직접 답변 질문 게시판 운영 |
추천평
|
기초부터 LLM과 멀티모달까지, 직관적으로 풀어낸 딥러닝 안내서
이 책은 파이토치를 활용해 딥러닝의 기초를 탄탄히 다지도록 돕고, 흥미진진한 인공지능의 세계로 독자를 안내합니다. 기본 요소인 텐서와 퍼셉트론부터 복잡한 모델에 이르기까지, 핵심 개념과 구현 방식을 상세한 시각 자료와 직관적인 코드로 명쾌하게 풀어냅니다. 이와 함께 CNN과 RNN 같은 고전 신경망부터 트랜스포머까지 폭넓게 다루어 최신 딥러닝 아키텍처를 파악할 토대를 자연스럽게 쌓아 줍니다. 나아가 최신 트렌드인 LLM, 이미지 생성 모델, 멀티모달 등 기술의 이해를 넘어 실무 현장에서 바로 사용할 수 있는 활용법까지 알차게 아우릅니다. 밑바닥 구현부터 파운데이션 모델의 응용까지, 딥러닝의 기술적 흐름을 유기적으로 연결해 주는 독보적인 실무 안내서입니다. - 서경진 (컴퓨터공학과 교수 / 배화여자대학교) |
|
딥러닝의 핵심 구조를 직접 주물러 보는 책
저자와 컴퓨터공학과 동기였기에 제게는 첫 장부터 저자의 의도가 명확하게 보였습니다. 학창 시절 신경망 수업에서 경사하강법을 처음 배우고, 로직을 직접 손으로 고쳐 가며 이해했던 기억이 되살아났습니다. 그 시절 손으로 직접 다루며 체득한 인공지능의 원리는 지금까지도 생생하게 남아 있는데, 저자는 바로 그 생생한 학습 경험을 독자에게 권하고 있습니다. '외계 행성의 낙하'나 '오즈의 띄어쓰기'처럼 흥미롭고 낯선 문제로 시작해 같은 날짜 변환을 인코더-디코더에서 어텐션과 트랜스포머로 발전시켜 가며 직접 구현해 보게 합니다. 이 책은 기존의 입문서나 다른 모델 활용서에서 다루지 못했던 그 사이의 깊은 영역을 독자가 직접 조립하며 손으로 메워 갈 수 있도록 돕습니다. 독자들이 이 책과 치열하게 공방을 주고받으며 실무에서도 오래도록 힘이 될 통찰을 얻어 가길 바랍니다. - 김용하 (IO 본부장 / 넥슨게임즈) |
|
팀장님께 배웠던 딥러닝이 정리된 한 권의 책
저자가 10년 가까이 팀장으로 이끌던 팀에서 빅데이터를 다루면서 머신러닝과 딥러닝 업무를 진행했습니다. 저자는 유독 딥러닝에 깊은 관심을 보였고 회의가 끝나면 화이트보드에는 스키마 대신 신경망 그림이 남아 있곤 했습니다. 솔직히 말하면, 그때는 절반도 이해하지 못했습니다. 이 책에는 그때 들었던 이야기가 한 권으로 차곡차곡 정리되어 있습니다. 텐서와 퍼셉트론에서 시작해 CNN과 RNN을 지나, 그 시절에는 없던 트랜스포머와 LLM까지 이어집니다. 거대 모델을 활용하는 데서 그치지 않고 미세 조정과 양자화, RAG, 이미지와 언어를 잇는 멀티모달까지 다룹니다. 범위는 넓지만 수식보다 코드와 그림을 먼저 보여 주어, 저처럼 딥러닝을 정식으로 배우지 않은 사람도 쉽게 따라갈 수 있습니다. 그때의 저처럼 아무것도 모르는 분이라면, 이 책으로 시작해 보시길 권합니다. - 이영곤 (AIDA Computing 리더 / 네이버) |
|
최신 기술을 이해하는 힘은 기본기에서
대규모 언어 모델과 멀티모달이 주목받는 요즘, CNN과 RNN을 배우는 것은 다소 돌아가는 길처럼 느껴질 수도 있습니다. 하지만 이러한 구조는 여전히 현업에서 활용되고 있으며, 딥러닝을 이해하는 데도 중요한 토대가 됩니다. 《멀티모달까지 직접 구현하는 딥러닝 with 파이토치》는 독자가 딥러닝의 기초부터 차근차근 직접 구현하며 원리를 이해하고, 탄탄한 기본기를 쌓을 수 있도록 안내합니다. 그 과정을 따라가다 보면 어느새 LLM의 미세조정과 양자화, RAG, 멀티모달과 같은 최신 기술까지 자연스럽게 이해하고 활용할 수 있습니다. 최신 모델의 이름을 더 많이 아는 것보다, 모델을 읽고 직접 구현할 수 있는 힘을 기르고 싶은 분께 권합니다. 기초를 탄탄히 다지는 시간이 왜 필요한지를 명확히 보여 주는 책입니다. - 박정환 (운영자 / 파이토치 한국 사용자 모임(PyTorchKR)) |
사락 별점0
혜택 및 유의사항밑줄0
혜택 및 유의사항
34,200원
총 1개
34,200원
