CHAPTER 1 머신러닝 복습하기
1.1 학습하는 기계
1.2 문제 정의하기
1.3 머신러닝 속의 수학 : 선형대수
1.4 머신러닝 속의 수학 : 통계
1.5 머신러닝은 어떻게 작동하는가?
1.6 로지스틱 회귀
1.7 모델 평가하기
1.8 머신러닝 이해하기

CHAPTER 2 신경망과 딥러닝의 기초
2.1 신경망
2.2 신경망 학습
2.3 활성화함수
2.4 손실함수
2.5 하이퍼파리미터

CHAPTER 3 심층 신경망의 기본 원칙
3.1 딥러닝 정의
3.2 심층 신경망의 공통 설계와 원리
3.3 심층 신경망 구축하기

CHAPTER 4 주요 심층 신경망 구조
4.1 비지도 사전학습 신경망
4.2 합성곱 신경망
4.3 순환 신경망
4.4 재귀 신경망
4.5 요약 및 논의

CHAPTER 5 심층 신경망 구축하기
5.1 심층 신경망을 올바른 문제에 일치시키기
5.2 DL4J 도구 모음
5.3 DL4J API의 기본 개념
5.4 다층 퍼셉트론 신경망으로 CSV 데이터 모델링하기
5.5 합성곱 신경망을 활용한 손글씨 이미지 모델링
5.6 순환 신경망을 활용한 시퀀스 데이터 모델링
5.7 이상 탐지를 하는 오토인코딩 장치 사용
5.8 VAE를 사용하여 MNIST 숫자 재구성
5.9 자연어 처리에서의 딥러닝 애플리케이션

CHAPTER 6 심층 신경망 튜닝하기
6.1 심층 신경망 튜닝의 기본 개념
6.2 신경망 구조와 입력 데이터 매칭시키기
6.3 출력 계층과 모델의 목표 연관짓기
6.4 계층 수, 파라미터 수, 메모리 다루기
6.5 가중치 초기화 전략
6.6 활성화함수 사용하기
6.7 손실함수 적용하기
6.8 학습률 이해하기
6.9 희소성이 학습에 주는 영향
6.10 최적화 기법 적용하기
6.11 병렬화와 GPU로 더 빠르게 학습하기
6.12 미니배치 크기와 에포크 조절하기
6.13 규제 사용하기
6.14 분류 불균형 다루기
6.15 과대적합 다루기
6.16 training UI에서 신경망 통계 보기

CHAPTER 7 심층 신경망 구조별 튜닝하기
7.1 합성곱 신경망
7.2 순환 신경망
7.3 제한된 볼츠만 머신
7.4 심층 신뢰 신경망

CHAPTER 8 벡터화
8.1 머신러닝에서 벡터화하는 법
8.2 ETL과 벡터화에 DataVec 사용하기
8.3 이미지 데이터 벡터화
8.4 순차 데이터 벡터화
8.5 텍스트 벡터화
8.6 그래프로 작업하기

CHAPTER 9 스파크에서 딥러닝과 DL4J 사용하기
9.1 하둡과 스파크에서 DL4J 사용하는 방법
9.2 스파크 실행 구성 및 튜닝하기
9.3 스파크와 DL4J용 메이븐 POM 작성하기
9.4 하둡 및 스파크 문제 해결
9.5 스파크에서 DL4J 병렬 처리
9.6 스파크에서 DL4J API 사용하는 법
9.7 스파크 다층 퍼셉트론 예제
9.8 LSTM으로 스파크에서 셰익스피어 텍스트 생성하기
9.9 스파크에서 합성곱 신경망으로 MNIST 모델링하기

부록 A 인공지능이란?
부록 B RL4J 및 강화학습
부록 C 반드시 알아야 하는 숫자들
부록 D 신경망과 역전파 : 수학적 접근
부록 E ND4J API 활용하기
부록 F DataVec 활용하기
부록 G DL4J 소스로 작업하기
부록 H DL4J 프로젝트 설정
부록 I DL4J 프로젝트에 알맞게 GPU 설정하기
부록 J DL4J 설치 시 문제 해결