소득공제
PDF
eBook
딥러닝과 바둑
알파고를 능가하는 바둑봇을 만들며 익히는 딥러닝, 강화학습
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
이 분야의 이벤트
이 상품의 태그
상세 이미지
소개
목차
|
[Part 1 기초]CHAPTER 1 딥러닝을 향해 - 머신러닝 기초1.1 머신러닝이란 무엇인가__1.1.1 머신러닝은 AI와 어떤 연관성이 있는가__1.1.2 머신러닝으로 할 수 있는 것과 할 수 없는 것1.2 사례로 보는 머신러닝__1.2.1 애플리케이션에서 머신러닝 사용__1.2.2 지도학습__1.2.3 비지도학습__1.2.4 강화학습1.3 딥러닝1.4 이 책에서 학습할 내용1.5 요약CHAPTER 2 머신러닝 문제로서의 바둑2.1 왜 게임인가2.2 간단한 바둑 소개__2.2.1 바둑판 이해하기__2.2.2 돌 놓기와 잡기__2.2.3 경기 종료 및 점수 계산__2.2.4 패 이해하기2.3 접바둑2.4 추가 학습 자료2.5 머신에 무엇을 가르칠 수 있을까__2.5.1 포석 두기__2.5.2 다음 수 찾기__2.5.3 고려할 수 줄이기__2.5.4 게임 현황 평가하기2.6 바둑 AI가 얼마나 강력한지 측정하는 방법__2.6.1 일반 바둑 등급__2.6.2 바둑 AI 벤치마킹2.7 요약CHAPTER 3 첫 번째 바둑봇 만들기3.1 파이썬으로 바둑 나타내기__3.1.1 바둑판 구현하기__3.1.2 바둑에서 연결 추적하기 : 이음__3.1.3 바둑판에 돌 놓기와 따내기3.2 대국 현황 기록과 반칙수 확인__3.2.1 자충수__3.2.2 패3.3 게임 종료3.4 첫 번째 봇 만들기 : 상상 가능한 최약체 바둑 AI3.5 조브리스트 해싱을 사용한 대국 속도 향상3.6 봇과 대국하기3.7 요약[Part 2 머신러닝과 게임 AI]CHAPTER 4 트리 탐색을 통한 경기4.1 게임 분류4.2 미니맥스 탐색을 사용한 상대 수 예측4.3 틱택토 풀기 : 미니맥스 예제4.4 가지치기를 통한 탐색 공간 축소__4.4.1 위치 평가를 통한 탐색 깊이 축소__4.4.2 알파-베타 가지치기를 사용해서 탐색 폭 줄이기4.5 몬테카를로 트리 탐색을 이용한 경기 상태 평가__4.5.1 파이썬으로 몬테카를로 트리 탐색 구현하기__4.5.2 탐색할 가지 선택법__4.5.3 바둑에 몬테카를로 트리 탐색 적용하기4.6 요약CHAPTER 5 신경망 시작하기5.1 간단한 사례 : 손글씨 숫자 분류__5.1.1 MNIST 숫자 손글씨 데이터셋__5.1.2 MNIST 데이터 처리5.2 신경망 기초__5.2.1 단순한 인공 신경망으로의 로지스틱 회귀__5.2.2 1차원 이상의 결과를 갖는 신경망5.3 순방향 신경망5.4 우리 예측은 얼마나 훌륭한가 : 손실 함수와 최적화__5.4.1 손실 함수란 무엇인가__5.4.2 평균제곱오차__5.4.3 손실 함수에서의 최솟값 찾기__5.4.4 최솟값을 찾는 경사하강법__5.4.5 손실 함수에서의 확률적 경사하강법__5.4.6 신경망에 기울기를 역으로 전파하기5.5 파이썬을 활용한 단계별 신경망 훈련__5.5.1 파이썬에서의 신경망층__5.5.2 신경망에서의 활성화층__5.5.3 순방향 신경망의 구성 요소로서의 파이썬에서의 밀집층__5.5.4 파이썬으로 순차 신경망 만들기__5.5.5 신경망으로 손글씨 숫자 분류하기5.6 요약CHAPTER 6 바둑 데이터용 신경망 설계6.1 신경망용 바둑경기 변환6.2 트리 탐색 게임을 신경망 훈련 데이터로 만들기6.3 케라스 딥러닝 라이브러리 사용하기__6.3.1 케라스 디자인 원리 이해__6.3.2 케라스 딥러닝 라이브러리 설치__6.3.3 케라스로 익숙한 첫 번째 문제 실행해보기__6.3.4 케라스에서 순방향 신경망을 사용한 바둑 수 예측6.4 합성곱 신경망으로 공간 분석하기__6.4.1 합성곱 역할에 대한 직관적 이해__6.4.2 케라스로 합성곱 신경망 만들기__6.4.3 풀링층을 사용한 공간 감소6.5 바둑 수 확률 예측하기__6.5.1 마지막 층에서 소프트맥스 활성화 함수 사용__6.5.2 분류 문제에서의 교차 엔트로피 손실6.6 드롭아웃과 정류 선형 유닛을 사용해 더 깊은 신경망 구성__6.6.1 표준화를 위해 일부 뉴런 제거하기__6.6.2 ReLU 활성화 함수6.7 기능 결합을 통해 더 강력한 바둑 수 예측 신경망 만들기6.8 요약CHAPTER 7 데이터로부터 학습하기 : 딥러닝 봇7.1 바둑 대국 기록 가져오기__7.1.1 SGF 파일 포맷__7.1.2 KGS에서 바둑 대국 기록을 다운로드해서 재현하기7.2 딥러닝용 바둑 데이터 준비__7.2.1 SGF 기록을 사용해서 바둑 대국 재현하기__7.2.2 바둑 데이터 전처리기 만들기__7.2.3 데이터를 효율적으로 불러오는 바둑 데이터 생성기 만들기__7.2.4 바둑 데이터 처리 및 생성기의 병렬 실행7.3 인간의 대국 기록으로 딥러닝 모델 훈련하기7.4 더 실질적인 바둑 데이터 변환기 만들기7.5 적응 경사법을 사용해서 효율적으로 훈련하기__7.5.1 SGD에서의 붕괴와 모멘텀__7.5.2 에이다그래드로 신경망 최적화하기__7.5.3 에이다델타로 적응 경사법 조정하기7.6 직접 실험하고 성능 평가하기__7.6.1 모델 구조 및 하이퍼파라미터 검정 지침__7.6.2 훈련 및 검정 데이터로 성능 지표 평가하기7.7 요약CHAPTER 8 맨땅에 봇 배포하기8.1 심층 신경망으로 수 예측 에이전트 만들기8.2 바둑봇을 웹 프론트엔드로 제공하기__8.2.1 바둑봇 예제 처음부터 끝까지 다루기8.3 클라우드에서 바둑봇 훈련 후 배포하기8.4 다른 봇과의 대화에 사용할 바둑 텍스트 프로토콜8.5 로컬에서 다른 봇과 대결하기__8.5.1 봇이 차례를 넘기거나 기권해야 할 때__8.5.2 봇과 다른 바둑 프로그램 간 대국 두기8.6 바둑봇을 온라인 바둑 서버에 배포하기__8.6.1 온라인 바둑 서버에 봇 등록하기8.7 요약CHAPTER 9 체험을 통한 학습 : 강화학습9.1 강화학습 주기9.2 경험을 통해 어떻게 달라질까9.3 학습 가능한 에이전트 만들기__9.3.1 확률분포에 따른 샘플링__9.3.2 확률분포 제한__9.3.3 에이전트 초기화__9.3.4 물리 장치로부터 에이전트 불러오고 저장하기__9.3.5 수 선택 구현9.4 자체 대국 : 컴퓨터 프로그램이 연습하는 방법__9.4.1 경험 데이터 나타내기__9.4.2 대국 시뮬레이션9.5 요약CHAPTER 10 정책 경사를 사용하는 강화학습10.1 임의의 경기에서 좋은 결정을 정의하는 방법10.2 경사하강법을 사용해서 신경망 정책 수정하기10.3 자체 대국 훈련 팁__10.3.1 성능 향상 평가하기__10.3.2 작은 성능 차이 측정하기__10.3.3 확률적 경사하강(SGD) 최적화기10.4 요약CHAPTER 11 가치 기법을 사용하는 강화학습11.1 Q-학습을 사용한 대국11.2 케라스로 Q-학습 만들기__11.2.1 케라스로 입력값이 둘인 신경망 만들기__11.2.2 케라스로 ε-탐욕 정책 구현하기__11.2.3 행동-가치 함수 훈련11.3 요약CHAPTER 12 행위자-비평가 방식 강화학습12.1 어느 결정이 중요한지는 어드밴티지가 알려준다__12.1.1 어드밴티지란 무엇인가__12.1.2 자체 대국 중에 어드밴티지 구하기12.2 행위자-비평가 학습용 신경망 설계12.3 행위자-비평가 에이전트를 사용한 대국12.4 경험 데이터로 행위자-비평가 에이전트 훈련하기12.5 요약[Part 3 전체는 부분의 합보다 크다]CHAPTER 13 알파고 : 모든 AI 기법의 합작품13.1 알파고의 신경망 훈련__13.1.1 알파고의 신경망 구조__13.1.2 알파고 바둑판 변환기__13.1.3 알파고 스타일의 정책 신경망 훈련하기13.2 정책 신경망으로 자체 대국 부트스트래핑13.3 자체 대국 데이터로 가치 신경망 도출하기13.4 정책 신경망과 가치 신경망을 사용한 탐색 개선__13.4.1 신경망으로 몬테카를로 롤아웃 개선하기__13.4.2 결합 가치 함수를 사용한 트리 탐색__13.4.3 알파고의 탐색 알고리즘 구현13.5 각자의 알파고를 훈련할 때 실제로 고민해야 할 부분13.6 요약CHAPTER 14 알파고 제로 : 강화학습과 트리 탐색의 결합14.1 트리 탐색용 신경망 만들기14.2 신경망으로 트리 탐색 안내하기__14.2.1 트리 따라 내려가기__14.2.2 트리 확장__14.2.3 수 선택14.3 훈련14.4 디리클레 잡음을 사용한 탐색 향상14.5 더 깊은 신경망을 만드는 현대적 기법__14.5.1 배치 정규화__14.5.2 잔차 신경망14.6 추가 참고 자료14.7 정리14.8 요약부록 A 수학 기초 부록 B 역전파 알고리즘 부록 C 바둑 프로그램 및 서버 부록 D 아마존 웹서비스를 사용한 봇 훈련 및 배포 부록 E 온라인 바둑 서버에 봇 등록하기
|
저자 소개 3
Max Pumperla
독일 함부르크에 사는 데이터 과학 교수이자 소프트웨어 엔지니어. 매우 적극적인 오픈소스 기여자이며 여러 파이썬 패키지의 메인테이너로 활동 중이다. 현재 애니스케일에서 소프트웨어 엔지니어로 일하고 있다. 이전에는 패스마인드의 제품 연구 책임자로서 레이 RLlib, 서브, 튠을 활용해 대규모 산업 애플리케이션을 위한 강화학습 설루션을 개발했으며, 스카이마인드에서 DL4J의 개발에 중요한 역할을 맡았다. 또한, 케라스 생태계의 성장과 확장을 도왔으며 하이퍼옵트의 메인테이너이다.
막스 펌펄라의 다른 상품
분산 시스템 및 데이터 과학 분야 경력 18년차다. 아너(Honor) 사 데이터 과학자며, 구글 및 미보(Meebo)에서 일했다. 막스와 케빈은 파이썬으로 개발된 몇 안 되는 오픈소스 바둑봇 중 하나인 베타고를 개발했다
세상은 데이터로 이루어져 있다고 생각하며, 이를 잘 활용하고자 목표를 가지고 다양한 데이터 분석 및 활용 방안을 만들고 연구하고 있습니다. 카이스트 및 포항공과대학교에서 산업공학과 전산학을 전공했으며, 다양한 산업군에서 데이터 분석을 해오고 있으며, AI GDE로도 활동하고 있습니다.
저서로는 『데이터 분석가의 숫자유감』, 『데이터 과학자 원칙』 (골든래빗), 『데이터를 엮는 사람들, 데이터 과학자』 (비제이퍼블릭),이 있고, 역서로는 『파이썬을 활용한 베이지안 통계』 , 『딥러닝과 바둑』 (한빛미디어), 『빅데이터 분석 도구 R 프로그래밍』 (에이콘출판사) 등이 있으며 『실전
세상은 데이터로 이루어져 있다고 생각하며, 이를 잘 활용하고자 목표를 가지고 다양한 데이터 분석 및 활용 방안을 만들고 연구하고 있습니다. 카이스트 및 포항공과대학교에서 산업공학과 전산학을 전공했으며, 다양한 산업군에서 데이터 분석을 해오고 있으며, AI GDE로도 활동하고 있습니다.
저서로는 『데이터 분석가의 숫자유감』, 『데이터 과학자 원칙』 (골든래빗), 『데이터를 엮는 사람들, 데이터 과학자』 (비제이퍼블릭),이 있고, 역서로는 『파이썬을 활용한 베이지안 통계』 , 『딥러닝과 바둑』 (한빛미디어), 『빅데이터 분석 도구 R 프로그래밍』 (에이콘출판사) 등이 있으며 『실전 데이터 분석 35』 (책만), 『딥러닝 레볼루션』 (한국경제신문사) 등을 감수했습니다.
저서로는 『데이터 분석가의 숫자유감』, 『데이터 과학자 원칙』 (골든래빗), 『데이터를 엮는 사람들, 데이터 과학자』 (비제이퍼블릭),이 있고, 역서로는 『파이썬을 활용한 베이지안 통계』 , 『딥러닝과 바둑』 (한빛미디어), 『빅데이터 분석 도구 R 프로그래밍』 (에이콘출판사) 등이 있으며 『실전 데이터 분석 35』 (책만), 『딥러닝 레볼루션』 (한국경제신문사) 등을 감수했습니다.
권정민의 다른 상품
품목정보
- 발행일
- 2020년 06월 30일
- 이용안내
-
- 배송 없이 구매 후 바로 읽기
- 이용기간 제한없음
- TTS 불가능
- 저작권 보호를 위해 인쇄 기능 제공 안함
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 17.13MB ?
- ISBN13
- 9791162247839
출판사 리뷰
|
★ 딥러닝 바둑봇을 만들며 딮러닝을 깊게 이해하자이 책을 덮을 때쯤 알파고 형태의 바둑 엔진이 어떻게 구현되었는지 이해하게 될 뿐만 아니라 몬테카를로 트리 탐색, 딥러닝, 강화학습 같은 현대 AI 알고리즘의 주요 구성 요소를 매우 실질적으로 이해할 수 있게 될 것이다. 저자는 실제로 돌려볼 수 있는 흥미로운 바둑 예제를 사용해서 이런 기술 주제를 조심스럽게 연결해두었다. 그외에도 지금까지 발명된 세상 모든 게임 중 가장 아름답고 도전적인 바둑의 기초 지식도 배우게 될 것이다.★ 알파고 동작하는 딥러닝 바둑봇을 만들고 배포하라실제로 작동하는 파이썬 코드도 제시하고, 개념 설명도 훌륭하다. 책 내용을 익히면 바둑봇 직접 구현할 수 있도록 안내한다. 바둑봇이 작동하는 데 필요한 데이터 포맷, 배포, 클라우드 컴퓨팅 같은 주제도 자세히 다룬다. 온라인 바둑 서버에 봇을 등록하는 방법도 알려준다. 한 마디로 이 책은 현대 인공지능과 머신러닝을 장착한 바둑봇을 만드는 전 과정을 알려준다.★ 다루는 핵심 내용1. 스스로 학습하는 게임 AI를 만들고 훈련하기2. 고전 게임 AI를 딥러닝으로 개선하기3. 딥러닝에 사용하는 신경망을 구현하기★ 장별 요약[1부 기초]책의 나머지 부분에서 다루는 주요 개념을 소개한다._1장 딥러닝을 향해 - 머신러닝 기초, 인공지능, 머신러닝, 딥러닝의 고차원적인 개요를 가볍게 제시한다. 이들이 어떻게 서로 연관되어 있는지, 그리고 이 분야의 기술로 할 수 있는 것과 없는 것을 설명한다._2장 머신러닝 문제로서의 바둑바둑의 규칙을 소개하고 컴퓨터에 게임을 가르칠 때 무엇을 해야 하는지 설명한다._3장 첫 번째 바둑봇 만들기바둑판을 만들고, 그 위에 바둑돌을 놓고, 풀게임을 하는 부분까지 파이썬으로 구현한다. 이 장을 마치면 가장 단순한 바둑 AI가 실제로 작동하게 만들 수 있다.[2부 머신러닝과 게임 AI]강력한 바둑 AI를 만들 수 있는 기술적, 이론적 기반을 설명한다. 특히 알파고에서 매우 효과적으로 사용한 트리 탐색, 신경망, 강화학습의 세 가지 기법을 소개한다._4장 트리 탐색을 통한 경기경기의 각 차례에서 탐색과 평가를 하는 알고리즘을 전반적으로 설명한다. 단순한 무작위 대입 미니맥스 탐색 방식을 만드는 것부터 시작해서 알파-베타 가지치기, 몬테카를로 탐색 같은 고급 알고리즘까지 만들어본다._5장 신경망 시작하기인공 신경망을 실질적으로 소개한다. 손으로 쓴 숫자를 맞추는 신경망을 파이썬으로 처음부터 구현해볼 것이다._6장 바둑 데이터용 신경망 설계바둑 데이터가 이미지 데이터와 어떤 유사한 특징을 가지고 있는지 설명하고 수 예측을 위한 합성곱 신경망을 소개한다. 이 장에서는 모델을 만드는 데 유용한 딥러닝 라이브러리인 케라스를 사용한다._7장 데이터로부터 학습하기 : 딥러닝 봇앞의 두 장에서 얻은 지식을 사용해서 심층 신경망 바둑봇을 만든다. 아마추어 게임에서 가져온 실제 경기 데이터로 봇을 훈련시키고 이 방법의 한계를 지적한다._8장 맨땅에 봇 배포하기봇을 외부에 제공해서 사용자 인터페이스를 통해 사람이 봇과 경기를 할 수 있도록 할 것이다. 이때 봇이 로컬과 바둑 서버 두 곳에서 다른 봇과 어떻게 경기를 하게 만드는지도 배울 것이다._9장 체험을 통한 학습 : 강화학습강화학습 기초와 이를 바둑에서 혼자 경기를 하는 데 어떻게 사용할 수 있는지 알아본다._10장 정책 경사를 사용하는 강화학습7장의 수 예측을 개선하는 데 필수적인 방법인 정책 경사(policy gradients)를 차근차근 소개한다._11장 가치 기법을 사용하는 강화학습4장의 트리 탐색과 결합했을 때 매우 강력해지는 수단인 가치 기법(value method)을 사용해서 바둑판에서의 위치에 값을 매기는 방법을 살펴본다._12장 행위자-비평가 방식 강화학습바둑판에서의 위치와 다음 수가 주어졌을 때의 장기적인 가치를 예측함으로써 다음 수를 효과적으로 고를 수 있도록 하는 기법을 소개한다.[3부 전체는 부분의 합보다 크다]앞서 개발한 모든 구성 요소를 알파고처럼 애플리케이션으로 합치면 그 성능이 최고에 달한다. 알파고와 알파고 제로를 설명한다_13장 알파고 : 모든 AI 기법의 합작품기술적 및 수학적으로 이 책의 최고점이라고 할 수 있다. 이 장에서는 처음에는 신경망으로 바둑 데이터를 훈련하고(5~7장) 이를 통해 혼자 경기를 치르게 하고(8~11장) 여기에 똑똑한 트리 탐색 방식(4장)을 결합하여 초인 수준의 바둑봇을 만드는 방법을 논의한다._14장 알파고 제로 : 강화학습과 트리 탐색의 결합이 책의 마지막 장으로, 보드게임 AI의 현재 최신 동향을 다룬다. 알파고 제로의 동력인 트리 탐색과 강화학습의 혁신적인 조합을 자세히 살펴볼 것이다.[부록 A 수학 기초]선형대수학과 미적분학의 기초를 되짚어보고, 파이썬 라이브러리인 NumPy로 몇 가지 선형대수를 나타내는 방법을 보여준다.[부록 B 역전파 알고리즘]5장에서 사용했던 다수의 신경망에서의 학습 과정을 보다 수학적으로 자세히 설명한다.[부록 C 바둑 프로그램 및 서버]바둑을 더 알고자 하는 독자를 위한 추가 자료를 제공한다.[부록 D 아마존 웹서비스를 사용한 봇 훈련 및 배포]봇을 아마존 클라우드 서버에서 동작하게 하기 위한 내용을 안내한다.[부록 E 온라인 바둑 서버에 봇 등록하기]우리가 만든 봇을 전 세계의 바둑 선수들이 시험해볼 수 있도록 유명한 바둑 서버에 연결하는 방법을 설명한다.
|
