- 본 도서의 개정판이 출간되었습니다.
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
이 상품의 태그
책소개
목차
|
CHAPTER 1 신경망
_1.1 지능형 기계 만들기 _1.2 기존 컴퓨터 프로그램의 한계 _1.3 머신러닝의 작동 원리 _1.4 뉴런 _1.5 뉴런으로 선형 퍼셉트론 표현하기 _1.6 전방향 신경망 _1.7 선형 뉴런과 그 한계 _1.8 시그모이드, tanh, ReLU 뉴런 _1.9 소프트맥스 출력층 _1.10 요약 CHAPTER 2 전방향 신경망 학습 _2.1 패스트푸드 문제 _2.2 경사 하강법 _2.3 델타 규칙과 학습률 _2.4 시그모이드 뉴런의 경사 하강법 _2.5 역전파 알고리즘 _2.6 확률적 경사 하강법과 미니배치 경사 하강법 _2.7 테스트 데이터와 검증 데이터 그리고 과적합 _2.8 신경망에서 과적합 막기 _2.9 요약 CHAPTER 3 텐서플로로 신경망 구현하기 _3.1 텐서플로란? _3.2 텐서플로와 대안들을 어떻게 비교할까? _3.3 텐서플로 설치하기 _3.4 텐서플로 변수 만들기와 조작하기 _3.5 텐서플로 연산 _3.6 placeholder 텐서 _3.7 텐서플로의 세션 _3.8 변수 범위 탐색과 변수 공유 _3.9 CPU와 GPU로 모델 관리하기 _3.10 텐서플로에서 로지스틱 회귀 모델 지정하기 _3.11 로지스틱 회귀 모델 기록하기와 학습시키기 _3.12 텐서보드로 계산 그래프와 학습 시각화하기 _3.13 텐서플로에서 MNIST를 위한 다층 모델 만들기 _3.14 요약 CHAPTER 4 경사 하강법을 넘어서 _4.1 경사 하강법의 과제 _4.2 심층 신경망의 오차 곡면에서 지역 최소값 _4.3 모델 식별성 _4.4 심층 신경망에서 가짜 지역 최소값들은 얼마나 다루기 어려운가? _4.5 오차 곡면의 평평한 구간 _4.6 잘못된 방향의 경사 _4.7 모멘텀 기반 최적화 _4.8 이차 방법에 대한 개요 _4.9 학습률 적응 _4.10 최적화 도구 선택의 철학 _4.11 요약 CHAPTER 5 합성곱 신경망 _5.1 인간 시각에서의 뉴런 _5.2 특징 선택의 단점 _5.3 크기 조정 없는 기본 심층 신경망 _5.4 필터와 특징 맵 _5.5 합성곱층 정리 _5.6 최대 풀링 _5.7 합성곱 신경망의 전체 구조 _5.8 합성곱 신경망으로 MNIST에서 순환 반복 끝내기 _5.9 더 견고한 모델을 만드는 이미지 전처리 파이프라인 _5.10 배치 정규화로 학습 가속하기 _5.11 CIFAR-10을 위한 합성곱 신경망 만들기 _5.12 합성곱 신경망 학습 시각화하기 _5.13 합성곱 필터로 예술 스타일 복제하기 _5.14 다른 문제 영역에서 합성곱 필터 학습하기 _5.15 요약 CHAPTER 6 임베딩과 표상학습 _6.1 저차원 표현 학습하기 _6.2 주성분 분석 _6.3 오토인코더 구조의 동기 _6.4 텐서플로로 오토인코더 구현하기 _6.5 견고한 표현을 강제하는 디노이징 _6.6 오토인코더의 희소성 _6.7 입력 벡터보다 문맥이 더 유익할 때 _6.8 Word2Vec 프레임워크 _6.9 Skip-Gram 구조 구현하기 _6.10 요약 CHAPTER 7 시퀀스 분석을 위한 모델 _7.1 가변 길이 입력 분석하기 _7.2 신경망 n-gram으로 seq2seq 해결하기 _7.3 품사 태거 구현하기 _7.4 의존 구문 분석과 SyntaxNet _7.5 빔 탐색과 전역 정규화 _7.6 상태 기반 딥러닝 모델 사례 _7.7 순환 신경망 _7.8 사라지는 경사도 문제 _7.9 LSTM 유닛 _7.10 RNN 모델을 위한 텐서플로 기초 요소 _7.11 감정 분석 모델 구현하기 _7.12 순환 신경망으로 seq2seq 과제 풀기 _7.13 주의집중으로 순환망 증강하기 _7.14 신경 번역망 해부하기 _7.15 요약 CHAPTER 8 메모리 증강 신경망 _8.1 신경 튜링 기계 _8.2 주의집중 기반 메모리 접근 _8.3 NTM 메모리 주소 지정 동작 방식 _8.4 미분 가능 신경 컴퓨터 _8.5 DNC에서 간섭 없는 쓰기 _8.6 DNC 메모리 재사용 _8.7 DNC 쓰기의 시간적 연결 _8.8 DNC 읽기 헤드 이해 _8.9 DNC 제어기 신경망 _8.10 동작 중인 DNC 시각화하기 _8.11 텐서플로에서 DNC 구현하기 _8.12 읽기와 이해를 위한 DNC 가르치기 _8.13 요약 CHAPTER 9 심층 강화학습 _9.1 아타리 게임을 점령한 심층 강화학습 _9.2 강화학습이란? _9.3 마르코프 결정 과정 _9.4 탐색 대 활용 _9.5 정책 대 가치학습 _9.6 정책 경사가 있는 막대기-수레 문제 _9.7 Q 러닝과 DQN _9.8 DQN 개선하기 _9.9 요약 |
저자 소개 3
Nikhil Buduma
샌프란시스코에 본사를 둔 Remedy의 공동 창립자이자 수석 과학자이다. Remedy는 데이터 기반의 1차 의료를 위한 새로운 시스템을 구축하고 있는 회사이다. 그는 16세 때 산호세 주립대학교에서 신약 개발 연구소를 운영하며, 자원이 부족한 지역 사회를 위한 저비용 스크리닝 방법론을 개발했다. 19세에는 국제 생물학 올림피아드에서 두 차례 금메달을 획득하였고, MIT에 진학하여 의료 서비스를 개선하기 위한 대규모 데이터 시스템을 개발하는 데 주력하였다. MIT에서는 전국적인 비영리 단체인 Lean On Me를 공동 설립하여 대학 캠퍼스에서 익명의 문자 핫라인을 통해 효과적인 동
샌프란시스코에 본사를 둔 Remedy의 공동 창립자이자 수석 과학자이다. Remedy는 데이터 기반의 1차 의료를 위한 새로운 시스템을 구축하고 있는 회사이다. 그는 16세 때 산호세 주립대학교에서 신약 개발 연구소를 운영하며, 자원이 부족한 지역 사회를 위한 저비용 스크리닝 방법론을 개발했다. 19세에는 국제 생물학 올림피아드에서 두 차례 금메달을 획득하였고, MIT에 진학하여 의료 서비스를 개선하기 위한 대규모 데이터 시스템을 개발하는 데 주력하였다. MIT에서는 전국적인 비영리 단체인 Lean On Me를 공동 설립하여 대학 캠퍼스에서 익명의 문자 핫라인을 통해 효과적인 동료 지원을 제공하고, 데이터를 활용하여 전국적으로 긍정적인 정신 건강 및 웰니스 결과에 영향을 미치는 비영리 단체를 설립하였다. 현재 니킬은 자신의 벤처 펀드인 Q Venture Partners를 통해 하드웨어 기술 및 데이터 회사에 투자하고 있으며, 밀워키 브루어스 야구팀의 데이터 분석팀을 관리하고 있다.
니킬 부두마의 다른 상품
머신러닝을 전공한 데이터 과학자다. 고려대학교에서 석사 과정으로 SVM(Support Vector Machine)과 강화학습을 연구했다. 삼성전자에 입사해 빅데이터센터에서 스마트폰과 스마트TV 데이터 분석을 했으며 무선사업부에서 삼성 헬스 사용자 데이터를 다루었다. 현재는 삼성 리서치 AI 센터에서 수석 연구원으로 일하고 있으며, 일과 병행해 박사 과정을 수료하고 딥러닝을 연구하고 있다.
시스템 소프트웨어 엔지니어이다. 연세대학교 컴퓨터과학과를 졸업하고 삼성전자 DMC연구소와 무선사업부에서 근무했다. 현재 시스템LSI사업부에서 멀티미디어와 신경망 용 DSP 개발 업무를 진행하고 있다.
관련 분류
품목정보
- 발행일
- 2018년 02월 26일
- 쪽수, 무게, 크기
- 304쪽 | 686g | 188*235*30mm
- ISBN13
- 9791162240519
출판사 리뷰
|
★ 이 책에서 다루는 내용
이 책은 딥러닝으로 어떻게 문제에 접근해야 하는지를 다룬다. 이 책을 읽고 나면 현대 딥러닝 접근 방식의 역사적 맥락을 이해하고, 텐서플로를 이용해 딥러닝 알고리즘을 구현하는 방법을 이해하게 된다. - 1장 신경망 머신러닝과 신경망에 대한 기본적인 내용을 살펴본다. 뉴런의 기본 구조와 전방향 신경망이 어떻게 움직이는지 그리고 비선형성이 복잡한 학습 문제들을 해결하는 데 얼마나 중요한 역할을 하는지 알아본다. - 2장 전방향 신경망 학습 전방향 신경망 학습을 비롯해 기본적인 것들을 배운다. 경사 하강법과 역전파 알고리즘을 살펴보고, 과적합을 방지하는 다양한 방법도 설명한다. - 3장 텐서플로로 신경망 구현하기 머신러닝 모델을 표현하고 학습시키는 라이브러리인 텐서플로를 사용하는 방법을 배운다. 세션과 변수, 연산, 그래프 계산, 장치 관리를 포함한 텐서플로의 주요 기능을 설명하며 이를 바탕으로 로지스틱 회귀 모델과 확률적 경사 하강법을 이용한 전방향 신경망을 학습시키고 시각화한다. - 4장 경사 하강법을 넘어서 복잡한 오차 곡면이 있는 심층 신경망을 학습시킬 때 발생하는 여러 문제를 설명한다. 가짜 지역 최솟값 문제가 과장됐을 가능성이 있을 때 안장점과 나쁜 조건이 바닐라 미니배치 경사 하강법의 성공에 어떻게 심각한 위협이 되는지를 살펴본다. 나쁜 조건을 극복하는 데 모멘텀을 어떻게 사용하는지 설명하며, 헤시안 행렬을 근사하는 최근 연구도 간략히 알아본다. 또한, 학습률을 조정하는 학습률 적응 최적화 도구의 진화도 소개한다. - 5장 합성곱 신경망 이미지를 분석하는 신경망을 어떻게 만드는지 배운다. 합성곱의 개념을 소개하고, 단순하고 더 복잡한 자연 이미지 둘 다를 분석할 수 있는 다루기 쉬운 신경망을 생성하는 데 이 아이디어를 활용한다. 텐서플로로 여러 합성곱 신경망을 만들고, 다양한 이미지 처리 파이프라인과 신경망 학습을 더 빠르고 더 견고하게 만드는 배치 정규화를 활용한다. 마지막으로 합성곱 신경망의 학습을 시각화하며, 이 기술을 사용한 다른 흥미로운 응용들을 알아본다. - 6장 임베딩과 표상학습 표상학습에 대한 다양한 방법을 살펴본다. 오토인코더로 효과적인 차원 감소를 수행할 방법과, 디노이징과 희소성도 배워 오토인코더에 유용한 속성들을 추가한다. 스킵-그램 모델을 사용해 영어 단어들에 대한 임베딩을 생성하는 방법을 배운다. 이것은 언어를 이해하기 위한 딥러닝 모델을 탐색하는 데 유용하다. - 7장 시퀀스 분석을 위한 모델 시퀀스 분석의 세계를 깊이 탐구한다. 시퀀스를 처리하는 데 전방향 신경망을 어떻게 사용하는지 분석하고 순환 신경망도 살펴본다. 또한, 주의집중(attention) 동작 방식을 번역에서 오디오 필사본에 이르기까지 다양한 언어 응용 분야에 활용하는 방법을 알아본다. - 8장 메모리 증강 신경망 신경 튜링 기계(neural Turing machine, NTM)와 미분 가능 신경 컴퓨터(differentiable neural computer, DNC)에 관한 최첨단 딥러닝 기술 연구를 살펴보고, 복잡한 독해 과제를 해결할 수 있는 모델을 구현해 본다. - 9장 심층 강화학습 마르코프 결정 과정(Markov decision processes, MDP)과 탐색 대 활용을 포함한 강화학습의 기초 내용을 다룬다. 또한, 정책 경사와 DQN(deep Q-network)을 포함한 심층 강화학습에 대한 다양한 접근법도 다룬다. 마지막으로 DQN에 관한 최근 몇 가지 개선 방법과 심층 강화학습의 새로운 모습들도 간단히 언급한다. |
