첫째마당 딥러닝 시작을 위한 준비 운동
1장 나의 첫 딥러닝
1.1 딥러닝 실행을 위한 준비 사항
1.2 딥러닝 작업 환경 만들기
1.3 미지의 일을 예측하는 원리
1.4 폐암 수술 환자의 생존율 예측하기
1.5 딥러닝의 개괄 잡기

2장 딥러닝을 위한 기초 수학
2.1 일차 함수, 기울기와 y절편
2.2 이차 함수와 최솟값
2.3 미분, 순간 변화율과 기울기
2.4 편미분
2.5 지수와 지수 함수
2.6 시그모이드 함수
2.7 로그와 로그 함수

3장 가장 훌륭한 예측선 긋기: 선형 회귀
3.1 선형 회귀의 정의
3.2 가장 훌륭한 예측선이란?
3.3 최소 제곱법
3.4 코딩으로 확인하는 최소 제곱
3.5 평균 제곱 오차
3.6 잘못 그은 선 바로잡기
3.7 코딩으로 확인하는 평균 제곱 오차

4장 오차 수정하기: 경사 하강법
4.1 경사 하강법의 개요
4.2 학습률
4.3 코딩으로 확인하는 경사 하강법
4.4 다중 선형 회귀란
4.5 코딩으로 확인하는 다중 선형 회귀

5장 참 거짓 판단 장치: 로지스틱 회귀
5.1 로지스틱 회귀의 정의
5.2 시그모이드 함수
5.3 오차 공식
5.4 로그 함수
5.5 코딩으로 확인하는 로지스틱 회귀
5.6 로지스틱 회귀에서 퍼셉트론으로

셋째마당 신경망의 이해
6장 퍼셉트론
6.1 가중치, 가중합, 바이어스, 활성화 함수
6.2 퍼셉트론의 과제
6.3 XOR 문제

7장 다층 퍼셉트론
7.1 다층 퍼셉트론의 설계
7.2 XOR 문제의 해결
7.3 코딩으로 XOR 문제 해결하기

8장 오차 역전파
8.1 오차 역전파의 개념
8.2 코딩으로 확인하는 오차 역전파

9장 신경망에서 딥러닝으로
9.1 기울기 소실 문제와 활성화 함수
9.2 속도와 정확도 문제를 해결하는 고급 경사 하강법

넷째마당 딥러닝 기본기 다지기
10장 모델 설계하기
10.1 모델의 정의
10.2 입력층, 은닉층, 출력층
10.3 모델 컴파일
10.4 교차 엔트로피
10.5 모델 실행하기

11장 데이터 다루기
11.1 딥러닝과 데이터
11.2 피마 인디언 데이터 분석하기
11.3 pandas를 활용한 데이터 조사
11.4 데이터 가공하기
11.5 matplotlib를 이용해 그래프로 표현하기
11.6 피마 인디언의 당뇨병 예측 실행

12장 다중 분류 문제 해결하기
12.1 다중 분류 문제
12.2 상관도 그래프
12.3 원-핫 인코딩
12.4 소프트맥스
12.5 아이리스 품종 예측 실행

13장 과적합 피하기
13.1 데이터의 확인과 실행
13.2 과적합 이해하기
13.3 학습셋과 테스트셋
13.4 모델 저장과 재사용
13.5 k겹 교차 검증

14장 베스트 모델 만들기
14.1 데이터의 확인과 실행
14.2 모델 업데이트하기
14.3 그래프로 확인하기
14.4 학습의 자동 중단

15장 선형 회귀 적용하기
15.1 데이터 확인하기
15.2 선형 회귀 실행

다섯째마당 딥러닝의 활용
16장 이미지 인식의 꽃, CNN 익히기
16.1 데이터 전처리
16.2 딥러닝 기본 프레임 만들기
16.3 더 깊은 딥러닝
16.4 컨볼루션 신경망(CNN)
16.5 맥스 풀링
16.6 컨볼루션 신경망 실행하기

17장 딥러닝을 이용한 자연어 처리
17.1 텍스트의 토큰화
17.2 단어의 원-핫 인코딩
17.3 단어 임베딩
17.4 텍스트를 읽고 긍정, 부정 예측하기 .

18장 시퀀스 배열로 다루는 순환 신경망(RNN)
18.1 LSTM을 이용한 로이터 뉴스 카테고리 분류하기
18.2 LSTM과 CNN의 조합을 이용한 영화 리뷰 분류하기

19장 세상에 없는 얼굴 GAN, 오토인코더
19.1 가짜 제조 공장, 생성자
19.2 진위를 가려내는 장치, 판별자
19.3 적대적 신경망 실행하기
19.4 이미지의 특징을 추출하는 오토인코더

20장 전이 학습을 통해 딥러닝의 성능 극대화하기
20.1 소규모 데이터셋으로 만드는 강력한 학습 모델
20.2 전이 학습으로 모델 성능 극대화하기
20.3 맺음말

심화 학습
심화 학습1 오차 역전파의 계산법
심화 학습2 파이썬 코드로 확인하는 신경망

부록
부록 A 구글 코랩과 파이참에서 딥러닝 실행하기
부록 B 잘 알려지지 않은 딥러닝 시작에 관한 이야기