『실체가 손에 잡히는 딥러닝, 기초부터 실전 프로그래밍』

[1장] 딥러닝이란
1.1 지능이란 무엇인가
1.2 인공지능(AI)
1.3 머신러닝
1.4 신경망
1.5 딥러닝 개요
1.6 인공지능과 딥러닝의 역사
__1.6.1 제1차 인공지능 전성기: 1950년대~1960년대
__1.6.2 제2차 인공지능 전성기: 1980년대~1990년대 후반
__1.6.3 제3차 인공지능 전성기: 2000년대 이후

[2장] 파이썬 개요
2.1 파이썬을 사용하는 이유
2.2 아나콘다와 주피터 노트북 활용
__2.2.1 아나콘다 다운로드
__2.2.2 아나콘다 설치
__2.2.3 주피터 노트북 실행
__2.2.4 주피터 노트북 사용
__2.2.5 노트북 종료
2.3 파이썬 문법
__2.3.1 변수와 변수형
__2.3.2 연산자
__2.3.3 리스트
__2.3.4 튜플
__2.3.5 딕셔너리
__2.3.6 if문
__2.3.7 for문
__2.3.8 while문
__2.3.9 내포
__2.3.10 함수
__2.3.11 변수의 범위
__2.3.12 클래스
2.4 넘파이
__2.4.1 넘파이 임포트
__2.4.2 넘파이 배열
__2.4.3 배열을 생성하는 다양한 함수
__2.4.4 reshape를 이용한 형태 변환
__2.4.5 배열 연산
__2.4.6 브로드캐스트
__2.4.7 원솟값에 접근
__2.4.8 슬라이싱
__2.4.9 축과 transpose 메소드
__2.4.10 넘파이의 함수
2.5 맷플롯립
__2.5.1 모듈 임포트
__2.5.2 그래프 생성
__2.5.3 그래프 디자인
__2.5.4 산포도 표시
__2.5.5 이미지 표시

[3장] 딥러닝을 위한 수학
3.1 수학 기호
__3.1.1 시그마(Σ)로 총합계 표시
__3.1.2 자연상수 e
__3.1.3 자연로그 log
3.2 선형대수
__3.2.1 스칼라
__3.2.2 벡터
__3.2.3 행렬
__3.2.4 텐서
__3.2.5 스칼라와 행렬의 곱셈
__3.2.6 각 원소 간의 곱셈
__3.2.7 행렬 곱
__3.2.8 행렬 전치
3.3 미분
__3.3.1 상미분
__3.3.2 미분법의 기본 공식
__3.3.3 연쇄법칙
__3.3.4 편미분
__3.3.5 전미분
__3.3.6 다변수의 연쇄법칙
3.4 정규분포

[4장] 신경망
4.1 신경세포 네트워크
4.2 신경세포의 모델화
4.3 뉴런의 네트워크화
4.4 회귀와 분류
__4.4.1 회귀
__4.4.2 분류
4.5 활성화 함수
__4.5.1 계단 함수
__4.5.2 시그모이드 함수
__4.5.3 tanh
__4.5.4 ReLU
__4.5.5 Leaky ReLU
__4.5.6 항등 함수
__4.5.7 소프트맥스 함수
4.6 신경망 구현
__4.6.1 단일 뉴런 구현
__4.6.2 가중치와 편향의 영향
__4.6.3 신경망 구현
__4.6.4 각 층의 구현
__4.6.5 신경망(회귀)
__4.6.6 신경망의 표현력
__4.6.7 신경망(분류)

[5장] 역전파
5.1 학습 규칙
__5.1.1 헵의 규칙
__5.1.2 델타 규칙
5.2 역전파란?
5.3 훈련 데이터와 테스트 데이터
5.4 손실 함수
__5.4.1 오차제곱합
__5.4.2 교차 엔트로피 오차
5.5 경사 하강법
__5.5.1 경사 하강법 개요
__5.5.2 기울기 구하는 방법
__5.5.3 출력층 기울기
__5.5.4 출력층에서 입력값 기울기
__5.5.5 은닉층 기울기
__5.5.6 기울기를 구하는 식 정리
__5.5.7 회귀 문제에서 기울기 구하는 방법
__5.5.8 분류 문제에서 기울기 구하는 방법
5.6 최적화 알고리즘
__5.6.1 최적화 알고리즘 개요
__5.6.2 확률적 경사 하강법
__5.6.3 모멘텀
__5.6.4 아다그라드
__5.6.5 RMSProp
__5.6.6 아담
5.7 배치 사이즈
__5.7.1 에포크와 배치
__5.7.2 배치 학습
__5.7.3 온라인 학습
__5.7.4 미니 배치 학습
5.8 행렬 연산
__5.8.1 행렬의 형식
__5.8.2 행렬을 이용한 순전파
__5.8.3 행렬을 이용한 역전파
5.9 회귀 문제에서의 역전파 구현
__5.9.1 회귀 예(sin 함수의 학습)
__5.9.2 출력층 구현
__5.9.3 은닉층 구현
__5.9.4 역전파 구현
__5.9.5 역전파 구현 전체 코드(회귀)
__5.9.6 실행 결과
5.10 분류 문제에서의 역전파 구현
__5.10.1 분류 사례(소속 영역 학습)
__5.10.2 각 층의 구현
__5.10.3 역전파 구현 전체 코드(분류)
__5.10.4 실행 결과

[6장] 딥러닝 구현
6.1 다층화에 따른 문제
__6.1.1 국소 최적해 함정
__6.1.2 과적합
__6.1.3 기울기 소실
__6.1.4 장기간의 학습 시간 문제
6.2 문제 해결 방안
__6.2.1 하이퍼 파라미터 최적화
__6.2.2 규제화
__6.2.3 가중치와 편향 초깃값
__6.2.4 조기 종료
__6.2.5 데이터 확장
__6.2.6 데이터 전처리
__6.2.7 드롭아웃
6.3 붓꽃 품종 분류
__6.3.1 붓꽃 데이터 세트
__6.3.2 훈련 데이터와 테스트 데이터
__6.3.3 신경망 구성
__6.3.4 학습에 관련된 각 설정
6.4 딥러닝 구현
__6.4.1 데이터 입력과 전처리
__6.4.2 각 층의 구현
__6.4.3 신경망 구축
__6.4.4 미니배치법 구현
__6.4.5 정답률 측정
__6.4.6 붓꽃 데이터 품종 분류를 위한 전체 코드
__6.4.7 실행 결과
__6.4.8 과적합 방지를 위한 대책
__6.4.9 아다그라드 구현
__6.4.10 드롭아웃 구현
__6.4.11 과적합 방지 대책의 결과
__6.4.12 품종 분류

[7장] 컨볼루션 신경망(CNN)
7.1 컨볼루션 신경망(CNN)의 개요
__7.1.1 시각 처리 체계
__7.1.2 CNN 구조
__7.1.3 컨볼루션 층
__7.1.4 풀링층
__7.1.5 전결합층
__7.1.6 패딩
__7.1.7 스트라이드
__7.1.8 CNN 학습
__7.1.9 변수 정리
7.2 im2col과 col2im
__7.2.1 im2col과 col2im의 개요
__7.2.2 im2col 알고리즘
__7.2.3 간단한 im2col 구현
__7.2.4 배치와 채널을 고려한 실전 im2col 코드
__7.2.5 col2im 알고리즘
__7.2.6 col2im 구현
7.3 컨볼루션층 구현
__7.3.1 구현 개요
__7.3.2 순전파
__7.3.3 역전파
7.4 풀링층 구현
__7.4.1 구현 과정 개요
__7.4.2 순전파
__7.4.3 역전파
7.5 전결합층 구현
7.6 컨볼루션 신경망 구현
__7.6.1 사용 데이터 세트
__7.6.2 구축할 신경망
__7.6.3 CNN 코드
__7.6.4 실행 결과
__7.6.5 컨볼루션층의 시각화
__7.6.6 컨볼루션층 효과
7.7 더 깊은 신경망
__7.7.1 신경망 구축
__7.2.2 실행 결과

[8장] 그 밖의 딥러닝 기술
8.1 순환 신경망(RNN)
__8.1.1 RNN의 개요
__8.1.2 LSTM
__8.1.3 GRU
8.2 자연어 처리
__8 2.1 형태소 분석
__8.2.2 단어 임베딩
8.3 생성 모델
__8.3.1 생성적 적대 신경망(GAN)
__8.3.2 VAE
8.4 강화학습
__8.4.1 강화학습 개요
__8.4.2 심층 강화학습
8.5 GPU 활용
__8.5.1 GPU란
__8.5.2 딥러닝에서 GPU 활용
8.6 딥러닝 프레임워크
8.7 딥러닝의 미래


『실무가 훤히 보이는 머신러닝 & 딥러닝』

[1부] 인공지능 서비스와 기술의 이해

[1장] 인공지능이란 무엇인가
1.1 인공지능 기술의 태동과 발전
1.2 인공지능을 활용한 주요 비즈니스 사례
1.3 정리

[2장] 인공지능을 적용하기 위한 방법
2.1 인공지능 적용 기술의 분류
2.2 인공지능 개발을 위한 분산 플랫폼 환경
2.3 인공지능 개발을 지원하는 도구
2.4 딥러닝과 머신러닝 전용 프레임워크
2.5 인공지능 개발을 위한 프로그램 언어
2.6 데이터를 효과적으로 다루기 위한 포맷
2.7 접근과 사용이 용이한 클라우드 기반 인공지능 서비스
2.8 정리

[2부] 머신러닝과 딥러닝

[3장] 머신러닝의 이해와 지도학습을 이용한 분류
3.1 머신러닝의 유형
3.2 의사결정나무
3.3 서포트 벡터 머신 알고리즘
3.4 정리

[4장] 비지도학습을 이용한 군집화
4.1 K-평균 알고리즘으로 군집화 개념 이해하기
4.2 K-평균 직접 구현해 보기
4.3 붓꽃 데이터로 군집화 실습하기
4.4 와인 데이터로 군집화 실습하기
4.5 정리

[5장] 딥러닝을 이용한 이미지 분류
5.1 딥러닝 기술의 이해
5.2 CNN이란
5.3 손글씨 이미지 인식
5.4 음식 이미지 인식
5.5 정리

[6장] 텐서플로를 이용한 이미지 객체 추출
6.1 객체 추출 개요
6.2 객체 인식 사용해보기
6.3 객체 인식 응용하기
6.4 객체 인식을 위한 이미지 라벨링 도구
6.5 정리

[3부] 자연어 처리 기술의 이해

[7장] 한글 자연어 처리
7.1 자연어 처리의 개요
7.2 텍스트 데이터 전처리
7.3 텍스트 데이터의 벡터화
7.4 한글 자연어 처리 과정
7.5 한글 형태소 분석기 알아보기
7.6 한글 형태소 분석기 사용해보기
7.7 토픽 모델링
7.8 정리

[8장] 워드투벡을 이용한 자연어 처리
8.1 자연어 처리의 꽃, 단어 임베딩 이해하기
8.2 word2vec을 이용한 실습 해보기
8.3 word2vec을 이용해 영화 후기 분석하기
8.4 정리

[9장] 텍스트 감정 분석하기
9.1 텍스트 감정 분석이란?
9.2 케라스를 이용한 감정 분석
9.3 서포트 벡터 머신을 이용한 감정 분석
9.4 정리

[4부] 챗봇 서비스와 구현 기술의 이해
[10장] 챗봇 서비스 기술의 소개
10.1 챗봇이란?
10.2 챗봇의 주요 서비스 형태
10.3 챗봇을 구성하는 기술
10.4 정리

[11장] 클라우드 서비스를 이용한 챗봇 개발
11.1 왓슨을 이용한 대화 시나리오 개발
11.2 슬랙 봇 추가하기
11.3 챗봇 프로그램 실행하기
11.4 정리

[12장] RNN을 이용해 대화 서비스 개발하기
12.1 딥러닝 기반 개발환경 준비
12.2 RNN으로 대화 엔진 만들기
12.3 세탁소 챗봇 서비스 개발하기
12.4 홈 IoT 제어 챗봇 개발하기
12.5 정리

[부록 A] 파이썬 3 설치하기
A.1 우분투에 설치하기
A.2 맥 OS X에 설치하기
A.3 윈도우에 설치하기

[부록 B] 윈도우에서 넘파이와 사이파이 설치하기
B.1 넘파이 모듈 설치
B.2 사이파이 모듈 설치

[부록 C] 케라스 설치하기
C.1 가상 개발환경 생성하기
C.2 패키지 추가 설치하기
C.3 주피터 노트북 설치하기