딥러닝 텐서플로 교과서

기초부터 CNN, RNN, 시계열 분석, 성능 최적화,

서지영 지음

길벗 2021년 05월 18일 출간 국내도서 : 2021년 04월 30일 출간

작품소개

책소개

기본기에 충실한 딥러닝 입문서!
기초부터 CNN, RNN, 시계열 분석, 자연어 처리, 강화 학습, 생성 모델까지 텐서플로 2로 구현하며 배운다!

머신 러닝 핵심 알고리즘부터 합성곱 신경망, 설명 가능한 CNN, 순환 신경망, LSTM 같은 딥러닝 알고리즘 이론을 이해하는 데 집중하며, 각 알고리즘을 언제, 어떤 상황에서 사용하면 좋은지도 함께 살펴본다. 또한, 기본 알고리즘 외에 전이 학습, 자연어 처리, 시계열 분석, 강화 학습, GAN 등 꼭 알아둬야 할 개념도 빠트리지 않고 충분히 설명한다. 각 개념을 학습한 뒤에는 텐서플로 2로 직접 구현해 보면서 딥러닝의 개념, 구현 방법, 적용 범위 등을 확실하게 이해할 수 있다.

목차

1장 머신 러닝과 딥러닝
1.1 인공지능, 머신 러닝과 딥러닝
1.2 머신 러닝이란
__1.2.1 머신 러닝 학습 과정
__1.2.2 머신 러닝 학습 알고리즘
1.3 딥러닝이란
__1.3.1 딥러닝 학습 과정
__1.3.2 딥러닝 학습 알고리즘

2장 실습 환경 설정과 텐서플로 기초
2.1 텐서플로 개요
__2.1.1 텐서플로 특징 및 장점
__2.1.2 텐서플로의 일반적인 아키텍처
2.2 텐서플로 2.x 기초 문법
__2.2.1 데이터 준비
__2.2.2 모델 정의
__2.2.3 모델 컴파일
__2.2.4 모델 훈련
__2.2.5 모델 평가
__2.2.6 훈련 과정 모니터링
__2.2.7 모델 사용
2.3 실습 환경 설정
__2.3.1 아나콘다 설치
__2.3.2 가상 환경 생성 및 텐서플로 2 설치
2.4 텐서플로 2 코드 맛보기

3장 머신 러닝 핵심 알고리즘
3.1 지도 학습
__3.1.1 K-최근접 이웃
__3.1.2 서포트 벡터 머신
__3.1.3 결정 트리
__3.1.4 로지스틱 회귀와 선형 회귀
3.2 비지도 학습
__3.2.1 K-평균 군집화
__3.2.2 밀도 기반 군집 분석
__3.2.3 주성분 분석(PCA)

4장 딥러닝 시작
4.1 인공 신경망의 한계와 딥러닝 출현
4.2 딥러닝 구조
__4.2.1 딥러닝 용어
__4.2.2 딥러닝 학습
__4.2.3 딥러닝의 문제점과 해결 방안
__4.2.4 딥러닝을 사용할 때 이점
4.3 딥러닝 알고리즘
__4.3.1 심층 신경망
__4.3.2 합성곱 신경망
__4.3.3 순환 신경망
__4.3.4 제한된 볼츠만 머신
__4.3.5 심층 신뢰 신경망
4.4 우리는 무엇을 배워야 할까?

5장 합성곱 신경망 I
5.1 합성곱 신경망
__5.1.1 합성곱층의 필요성
__5.1.2 합성곱 신경망 구조
__5.1.3 1D, 2D, 3D 합성곱
5.2 합성곱 신경망 맛보기
5.3 전이 학습
__5.3.1 특성 추출 기법
__5.3.2 미세 조정 기법
5.4 설명 가능한 CNN
__5.4.1 특성 맵 시각화
5.5 그래프 합성곱 네트워크
__5.5.1 그래프란
__5.5.2 그래프 신경망
__5.5.3 그래프 합성곱 네트워크

6장 합성곱 신경망 II
6.1 이미지 분류를 위한 신경망
__6.1.1 LeNet-5
__6.1.2 AlexNet
__6.1.3 VGGNet
__6.1.4 GoogLeNet
__6.1.5 ResNet
6.2 객체 인식을 위한 신경망
__6.2.1 R-CNN
__6.2.2 공간 피라미드 풀링
__6.2.3 Fast R-CNN
__6.2.4 Faster R-CNN
6.3 이미지 분할을 위한 신경망
__6.3.1 완전 합성곱 네트워크
__6.3.2 합성곱 & 역합성곱 네트워크
__6.3.3 U-Net
__6.3.4 PSPNet
__6.3.5 DeepLabv3/DeepLabv3+

7장 시계열 분석
7.1 시계열 문제
7.2 AR, MA, ARMA, ARIMA
__7.2.1 AR 모델
__7.2.2 MA 모델
__7.2.3 ARMA 모델
__7.2.4 ARIMA 모델
7.3 순환 신경망(RNN)
__7.3.1 RNN 계층과 셀
7.4 RNN 구조
__7.4.1 RNN 셀 구현
__7.4.2 RNN 계층 구현
7.5 LSTM
__7.5.1 LSTM 구조
__7.5.2 LSTM 셀 구현
__7.5.3 LSTM 계층 구현
7.6 게이트 순환 신경망(GRU)
__7.6.1 GRU 구조
__7.6.2 GRU 셀 구현
__7.6.3 GRU 계층 구현
7.7 RNN, LSTM, GRU 성능 비교
7.8 양방향 RNN
__7.8.1 양방향 RNN 구조
__7.8.2 양방향 RNN 구현

8장 성능 최적화
8.1 성능 최적화
__8.1.1 데이터를 사용한 성능 최적화
__8.1.2 알고리즘을 이용한 성능 최적화
__8.1.3 알고리즘 튜닝을 위한 성능 최적화
__8.1.4 앙상블을 이용한 성능 최적화
8.2 하드웨어를 이용한 성능 최적화
_

출판사 서평

기초부터 CNN, RNN, 시계열 분석, 자연어 처리, 강화 학습, 생성 모델까지
텐서플로 2로 배우는 딥러닝 핵심 원리!

머신 러닝, 딥러닝 핵심 알고리즘을 배우자
딥러닝 학습의 핵심은 알고리즘이다. 이 책은 K-최근접 이웃, 서포트 벡터 머신, 결정 트리, K-평균 군집화와 같은 머신 러닝 핵심 알고리즘부터 합성곱 신경망, 전이 학습, 설명 가능한 CNN, LSTM과 같은 딥러닝 알고리즘 이론을 이해하는 데 집중한다. 또한, 각 알고리즘을 언제, 어떤 상황에서 사용하면 좋은지도 함께 살펴본다.

텐서플로 2로 시작하자
텐서플로 2는 불필요한 API를 삭제하고 즉시 실행이 가능하게 해 1 버전보다 사용자의 생산성이 많이 향상되었으며, 진입 문턱도 낮아졌다. 이러한 텐서플로 2를 이용해 개념을 이해할 수 있는 많은 예제와 실습으로 알고리즘 구현 방법을 배운다. 책의 전반부에서 후반부까지 코드가 갑자기 어려워지지 않도록 난이도를 조절했으며, 이 예제들을 구현해 보면서 딥러닝의 개념, 구현 방법, 적용 범위 등을 확실하게 이해할 수 있다.

전이 학습, 자연어 처리, 강화 학습, 생성 모델 등 최신 기술도 함께 익히자
기본적인 알고리즘 외에도 각광받고 있는 많은 이론이 있다. 책에서는 머신 러닝, 딥러닝 핵심 알고리즘 외에 전이 학습, 자연어 처리, 클러스터링, GAN, 강화 학습 등 꼭 알아둬야 할 개념도 빠트리지 않고 설명한다.

작가정보

저자(글) 서지영

저자 : 서지영
17년 가까이 IT 업계에 종사 중이며, 지금까지도 퇴근 후에 항상 공부한다. 4~5년 전에는 기술사 공부를 해서 정보관리기술사와 컴퓨터시스템응용기술사를 취득하였으며, 2019년부터는 대학원에서 빅데이터 및 인공지능에 대한 전문적인 연구를 진행하고 있다. 지금까지의 경험과 지식을 공유하고 싶어 집필을 시작했으며, 집필서로는 『모두의 인공지능 기초 수학』(길벗)이 있다.