[1부] 기본편

▣ 01장: 머신러닝 라이브러리 텐서플로와 케라스
1.1 텐서플로와 딥러닝
__1.1.1 텐서플로란
__1.1.2 딥러닝이란
1.2 딥러닝으로 할 수 있는 것
1.2.1 이미지 처리
1.2.2 자연어 처리
1.2.3 음성 처리
__1.2.4 강화학습
__1.2.5 그 외
1.3 텐서플로의 특징
__1.3.1 방향성 비순환 그래프
__1.3.2 다양한 환경에서 동작
__1.3.3 분산 처리
__1.3.4 텐서 보드를 이용한 가시화
__1.3.5 다양한 수준의 API와 에코시스템
1.4 케라스(Keras)
__1.4.1 케라스의 특징
1.5 딥러닝 라이브러리의 동향
__1.5.1 Define and Run과 Define by Run
__1.5.2 여러 라이브러리 간의 모델 공유
__1.5.3 딥러닝의 에코시스템
1.6 이 책의 구성과 내용
__1.6.1 1부에서 다루는 내용
__1.6.2 2부에서 다루는 내용

▣ 02장: 개발 환경을 구축하자
2.1 텐서플로와 GPU
__2.1.1 CPU 버전과 GPU 버전의 차이
2.2 파이썬 환경 구축
__2.2.1 아나콘다란?
__2.2.2 아나콘다 설치
__2.2.3 가상 환경 구축
__2.2.4 필요한 라이브러리 설치
__2.2.5 주피터 노트북으로 동작 확인
2.3 GPU 환경과 클라우드 활용
__2.3.1 GPU 버전 텐서플로 설치
__2.3.2 클라우드 이용
2.4 정리
__2.4.1 개발 환경에 대해서

▣ 03장: 간단한 예제로 배우는 텐서플로의 기본
3.1 텐서플로와 데이터 플로우 그래프
__3.1.1 데이터 플로우 그래프
__3.1.2 세션
3.2 데이터 플로우 그래프의 구성 요소
__3.2.1 데이터 플로우 그래프의 구성 요소란
3.3 다차원 배열과 텐서
__3.3.1 텐서 계산
__3.3.2 텐서 연산과 플레이스홀더
3.4 세션과 Saver
__3.4.1 세션과 Saver의 이용 방법
3.5 텐서보드를 이용한 그래프 가시화
__3.5.1 그래프 가시화
__3.5.2 요약 출력
__3.5.3 텐서보드의 기동과 실행
3.6 최적화와 경사법
__3.6.1 딥러닝과 최적화
__3.6.2 경사법(경사하강법)
__3.6.3 머신러닝에 경사법 적용
__3.6.4 데이터 세트 준비
__3.6.5 데이터의 전처리
__3.6.6 모델 정의
__3.6.7 손실 함수의 정의와 학습
__3.6.8 확률적 경사하강법과 미니배치
3.7 최적화와 경사법
__3.7.1 텐서플로 기본에 대해서

▣ 04장: 신경망과 케라스
4.1 최적화와 경사법
__4.1.1 퍼셉트론이란
__4.1.2 시그모이드 뉴런
4.2 순전파 신경망과 케라스로 구현
__4.2.1 순전파 신경망
__4.2.2 케라스를 사용한 구현
__4.2.3 구축한 모델 학습
4.3 Functional API
__4.3.1 Functional API의 이용
4.4 딥러닝 라이브러리의 동향
__4.4.1 순전파 신경망을 케라스로 구현

▣ 05장: 케라스를 이용한 CNN 구현
5.1 CNN의 개요
__5.1.1 입력 이미지의 크기와 파라미터 수
__5.1.2 합성곱 층과 풀링 층
5.2 케라스로 CNN 구현
__5.2.1 CIFAR-10 데이터 세트
__5.2.2 예제 데이터 임포트
__5.2.3 데이터 변형
__5.2.4 합성곱 층 추가
__5.2.5 풀링 층 추가
__5.2.6 드롭아웃 층 추가
__5.2.7 합성곱 층, 풀링 층 추가
__5.2.8 완전연결 계층 추가
__5.2.9 모델 학습
5.3 정리
__5.3.1 CNN 구현에 대해서

▣ 06장: 사전 학습 모델 활용
6.1 사전 학습 모델의 활용 목적
__6.1.1 딥러닝 모델을 구축할 때의 어려움
__6.1.2 사전 학습 모델이란
__6.1.3 ImageNet의 이미지 데이터 세트
__6.1.4 케라스에서 이용할 수 있는 사전 학습 모델
6.2 학습시키지 않고 그대로 사용
__6.2.1 모델을 그대로 사용
__6.2.2 모델 불러오기
__6.2.3 입력 이미지 준비
__6.2.4 예측
6.3 사전 학습 모델의 일부를 재학습(전이학습)
__6.3.1 전이학습을 하는 경우와 장점
__6.3.2 모델 불러오기
__6.3.3 모델 편집
__6.3.4 모델 컴파일
__6.3.5 생성기 생성
__6.3.6 iterator 생성
__6.3.7 모델 학습
6.4 정리
__6.4.1 사전 학습 모델의 활용에 대해서

▣ 07장: 자주 사용하는 케라스 기능
7.1 케라스의 레이어(Layer) 객체
__7.1.1 케라스 레이어
__7.1.2 드롭아웃(Dropout) 레이어
__7.1.3 BatchNormalization(배치정규화) 레이어
__7.1.4 Lambda(람다) 레이어
7.2 활성화 함수(Activation)
__7.2.1 다양한 활성화 함수
__7.2.2 케라스에서 활성화 함수의 이용 방법
__7.2.3 2부에서 사용할 중요한 활성화 함수
7.3 ImageDataGenerator
__7.3.1 ImageDataGenerator의 생성과 전처리
__7.3.2 ImageDataGenerator를 사용한 데이터 불러오기
7.4 정리
__7.4.1 소개한 케라스의 기능에 대해서

[2부] 응용편

▣ 08장: CAE를 이용한 노이즈 제거
8.1 CAE의 유용성
__8.1.1 CAE의 적용 예제와 유용성
8.2 오토인코더, CAE, DAE
__8.2.1 오토인코더란
__8.2.2 CAE란
__8.2.3 DAE란
8.3 노이즈 제거
__8.3.1 노이즈 제거
__8.3.2 데이터 세트 불러오기
__8.3.3 인위적인 노이즈 데이터 작성
__8.3.4 CAE 모델 구축
__8.3.5 모델 요약 확인
__8.3.6 가우시안 노이즈 데이터를 이용한 학습과 예측
__8.3.7 마스킹 노이즈 데이터를 이용한 학습과 예측
__8.3.8 노이즈 이미지 2종류의 예측 결과
8.4 정리
__8.4.1 CAE에 대해서

▣ 09장: 자동 채색
9.1 자동 채색이란
9.2 자동 채색을 위한 연구
__9.2.1 구축할 네트워크 전체 그림
__9.2.2 전처리-후처리 연구(RGB를 LAB로 변환)
9.3 자동 채색을 해보자
__9.3.1 자동 채색 처리의 흐름
__9.3.2 데이터 불러오기
__9.3.3 전처리: 「RGB」를 「LAB」로 변환
__9.3.4 모델 구축
__9.3.5 모델의 학습-예측
__9.3.6 후처리:예측 결과 「AB」를 입력하고 「L」과 RGB」로 변환
9.4 정리
__9.4.1 자동 채색에 대해서자동 채색에 대해서

▣ 10장: 초해상
10.1 CNN을 이용한 초해상
__10.1.1 초해상이란
__10.1.2 SRCNN
__10.1.3 데이터 전처리
__10.1.4 입력 데이터 생성
__10.1.5 모델 구축
__10.1.6 학습-검증
10.2 CAE를 이용한 초해상
__10.2.1 CAE와 스킵 연결
__10.2.2 케라스로 구현
10.3 정리
__10.3.1 CAE와 초해상

▣ 11장: 화풍 변환
11.1 화풍 변환의 방법
__11.1.1 화풍 변환이란
__11.1.2 손실 함수를 연구함으로써 적용 범위가 넓어진다
__11.1.3 구축할 네트워크 개요
11.2 화풍 변환 모델의 학습방법
__11.2.1 학습의 입력과 출력
11.3 화풍 변환 모델의 학습방법
__11.3.1 화풍 변환 실행 순서
__11.3.2 순서 - 네트워크 구축
__11.3.3 순서 - 학습 데이터 준비
__11.3.4 순서 - 손실 함수 정의
__11.3.5 순서 - 모델 학습
__11.3.6 순서 - 모델을 사용해서 화풍 변환
__11.3.7 학습할 때 유의점
11.4 화풍 변환 모델의 학습방법
__11.4.1 화풍 변환에 대해서

▣ 12장: 이미지 생성
12.1 CAE와 이미지 생성
__12.1.1 인코더와 디코더
12.2 DCGAN을 이용한 이미지 생성
__12.2.1 DCGAN
12.3 BEGAN
__12.3.1 BEGAN의 특징
__12.3.2 BEGAN의 수렴 판정
12.4 BEGAN 구현
__12.4.1 데이터 준비
__12.4.2 모델 정의
__12.4.3 손실 함수 정의와 모델 컴파일
__12.4.4 학습
12.5 화풍 변환 모델의 학습방법
__12.5.1 이미지 생성과 BEGAN에 대해서