Easy! 딥러닝

혁펜하임 지음

북엔드 2025년 03월 21일 출간 국내도서 : 2024년 11월 26일 출간

작품소개

책소개

『Easy! 딥러닝』은 딥러닝을 처음 접하는 독자들을 위한 필수 가이드로, 인공지능의 기초 개념부터 CNN, RNN 등 딥러닝의 주요 주제를 폭넓게 다루고 있다. KAIST 박사이자 유튜버로 활동 중인 혁펜하임이 집필한 이 책은 직관적인 비유를 통해 딥러닝의 원리를 체계적으로 이해할 수 있도록 설계되었다.

복잡한 딥러닝 개념도 저자의 쉽고 친절한 설명 덕분에 초보자도 부담 없이 따라갈 수 있으며, 280여 개의 그림과 동영상 강의는 학습 과정에 도움을 준다. 또한, 수학적 기초가 부족한 독자들을 위해 함수, 미적분 등 필수적인 수학 개념을 부록으로 제공하여 학습의 어려움을 덜어준다.

이 책은 딥러닝을 처음 시작하는 입문자부터 어느 정도 지식을 쌓은 실무자까지 딥러닝의 깊은 이해에 필요한 지식을 얻을 수 있도록 돕는다. 『Easy! 딥러닝』은 명확하고 친근한 설명과 실습을 결합해 딥러닝의 기초를 탄탄히 다질 수 있는 최고의 학습서이다.

목차

지은이의 말
이 책을 보는 방법

Chapter 1 - 왜 현재 AI가 가장 핫할까?
- 1.1 AI(Artificial Intelligence) vs ML(Machine Learning) vs DL(Deep Learning)
- 1.2 규칙 기반(Rule-Based) vs 데이터 기반(Data-Based)
- 1.3 AI는 어떻게 이미지를 분류할까?
- 1.4 AI는 어떻게 번역을 할까?
- 1.5 지도 학습(Supervised Learning)
- 1.6 자기 지도 학습(Self-Supervised Learning)
- 1.7 비지도 학습(Unsupervised Learning)
- 1.8 강화 학습(Reinforcement Learning)

Chapter 2 - 인공 신경망과 선형 회귀, 그리고 최적화 기법들
- 2.1 인공 신경: Weight와 Bias의 직관적 이해
- 2.2 인공 신경망과 MLP(Multi-Layer Perceptron)
- 2.3 인공 신경망은 함수다!
- 2.4 선형 회귀, 개념부터 알고리즘까지 step by step
- 2.5 경사 하강법(Gradient Descent)
- 2.5.1 경사 하강법의 두 가지 문제
- 2.6 웨이트 초기화(Weight Initialization)
- 2.7 확률적 경사 하강법(Stochastic Gradient Descent)
- 2.8 Mini-Batch Gradient Descent
- 2.8.1 Batch Size와 Learning Rate의 조절
- 2.9 Momentum
- 2.10 RMSProp(Root Mean Squared Propagation)
- 2.11 Adam(Adaptive Moment Estimation)
- 2.12 검증 데이터(Validation Data)
- 2.12.1 K-fold 교차 검증(K-fold Cross Validation)


Chapter 3 - 딥러닝, 그것이 알고 싶다.
- 3.1 MLP, 행렬과 벡터로 표현하기
- 3.2 비선형(Non-Linear) 액티베이션의 중요성
- 3.3 역전파(Backpropagation)
- 3.3.1 학습 과정에서 Forward Propagation이 필요한 이유

Chapter 4 - 이진 분류와 다중 분류
- 4.1 Unit Step Function을 이용한 이진 분류
- 4.1.1 Unit Step Function의 두 가지 문제와 Sigmoid
- 4.2 Sigmoid를 이용한 이진 분류
- 4.2.1 BCE(Binary Cross-Entropy) Loss
- 4.2.2 로지스틱 회귀(Logistic Regression)
- 4.3 MSE Loss vs BCE Loss
- 4.4 딥러닝과 MLE(Maximum Likelihood Estimation)
- 4.4.1 Loss 함수와 NLL(Negative Log-Likelihood)
- 4.5 다중 분류
- 4.5.1 Softmax
- 4.5.2 Cross-Entropy Loss
- 4.5.3 Softmax 회귀(Softmax Regression)

Chapter 5 - 인공 신경망, 그 한계는 어디까지인가?
- 5.1 Universal Approximation Theorem
- 5.2 Universal Approximation Theorem 증명
- 5.3 Universal Approximation Theorem 오해와 진실

Chapter 6 - 깊은 인공 신경망의 고질적 문제와 해결 방안
- 6.1 기울기 소실(Vanishing Gradient)과 과소적합(Underfitting)
- 6.1.1 ReLU(Rectified Linear Unit)
- 6.1.2 Sigmoid vs ReLU 실험 결과 분석
- 6.1.3 ReLU 그 후..
- 6.1.4 배치 정규화(Batch Normalization)
- 6.1.5 배치 정규화(Batch Normalization) 실험 결과 분석
- 6.1.6 레이어 정규화(Layer Normalization)
- 6.2 Loss landscape 문제와 ResNet의 Skip-Connection
- 6.3 과적합(Overfitting)
- 6.3.1 데이터 증강(Data Augmentation)
- 6.3.2 Dropout
- 6.3.3 오토인코더(Autoencoder)에 Dropout 적용, 실험 결과 분석
- 6.3.4 Regularization
- 6.3.5 Regularization과 MAP(Maximum A Posteriori)
- 6.3.6 L2-Regularization vs L1-Regularization 실험 결과 분석

Chapter 7 - 왜 CNN이 이미지 데이터에 많이 쓰일까?
- 7.1 CNN은 어떻게 인간의 사고방식을 흉내 냈을까?
- 7.2 이미지 인식에서 FC 레이어가 가지는 문제
- 7.3 컨볼루션(Convolution)의 동작 방식
- 7.3.1 컨볼루션은 어떻게 위치별 특징을 추출할까?
- 7.3.2 특징 맵(Feature Map)
- 7.3.3 어떤 특징을 추출할지 AI가 알아낸다!
- 7.4 다채널 입력에 대한 컨볼루션
- 7.5 1x1 컨볼루션의 의미
- 7.6 Padding & Stride
- 7.7 Pooling 레이어
- 7.8 CNN의 전체 구조: 특징 추출부터 분류까지
- 7.9 CNN의 특징 맵 실험 결과 분석
- 7.10 VGGNet 완벽 해부
- 7.10.1 Receptive Field 개념과 여러 번 컨볼루션 레이어를 통과하는 이유
- 7.11 CNN에 대한 추가적인 고찰

Chapter 8 - 왜 RNN보다 트랜스포머가 더 좋다는 걸까?
- 8.1 연속적인 데이터와 토크나이징(Tokenizing)
- 8.2 RNN의 동작 방식
- 8.3 다음 토큰 예측(Next Token Prediction)
- 8.4 RNN의 구조적 한계
- 8.5 RNN의 여러 가지 유형
- 8.6 Seq2seq 개념 및 문제점
- 8.7 Attention: 시점마다 다른 Context Vector의 사용
- 8.7.1 Attention: Context Vector 만들기
- 8.7.2 Attention의 학습 원리와 해석
- 8.7.3 RNN+Attention의 두 가지 문제점
- 8.8 트랜스포머의 Self-Attention
- 8.9 맺으며..

부록: 딥러닝을 위한 필수 기초 수학
- 1-1강. 함수
- 1-2강. 로그함수
- 2-1강. 벡터와 행렬
- 2-2강. 전치와 내적
- 3-1강. 극한과 입실론-델타 논법
- 3-2강. 미분과 도함수
- 3-3강. 연쇄 법칙
- 3-4강. 편미분과 그래디언트
- 4-1강. 랜덤 변수와 확률 분포
- 4-2강. 평균과 분산
- 4-3강. 균등 분포와 정규 분포
- 5-1강. MLE(Maximum Likelihood Estimation)
- 5-2강. MAP(Maximum A Posteriori)
- 6강. 정보 이론 기초

책 속으로

- 2쪽: 이 책의 가장 큰 특징은 복잡한 개념들을 직관적이고 비유적인 설명으로 최대한 쉽게 풀어냈다는 점입니다. 예를 들어, 기울기 소실 문제를 이해하기 위해 신경망을 ‘식당’에 비유했고, 배치 정규화를 ‘모래알의 재배치’로 설명했으며, Dropout을 ‘직원들의 휴가’에 빗대었습니다. 이러한 접근 방식은 어려운 개념들을 단순히 암기하는 것이 아니라, 그 본질과 의미를 더 깊이 이해할 수 있게 도와줍니다.
- 12쪽: 현재 AI만큼 뜨거운 분야가 있을까요? 인류 역사를 통틀어 이렇게까지 빠르게 발전한 분야는 찾아보기 힘듭니다. ChatGPT와 같은 대규모 언어 모델은 방대한 지식을 바탕으로 인간의 언어 능력을 뛰어넘는 모습을 보여주며 우리를 놀라게 했습니다. 또, 예술의 영역만큼은 AI가 절대 침범할 수 없을 것이라는 사람들의 생각을 비웃기라도 하듯 AI가 만든 작품이 미술 대회와 작곡 공모전을 휩쓸고 있습니다
- 88쪽: 아이디어는 단순합니다. 노드 수가 줄어드는 레이어에서는 액티베이션을 하지 않음으로써 비선형성은 다소 포기하되 정보 손실을 막고, 반대로 노드 수가 늘어나는 레이어에서는 비선형 액티베이션을 사용함으로써 정보 손실을 최소화하면서 충분한 비선형성을 확보하자는 것입니다.
- 113쪽: MLE는 “관측된 Measurement가 나올 가능성을 가장 크게 하는 파라미터를 선택하자”는 방법입니다. 부록에서 제시한 예시를 떠올려봅시다. 검은 공이 나왔을 때, 검은 공이 나올 가능성을 가장 크게 하는 주머니를 선택했습니다. 이와 마찬가지로, 이진 분류를 MLE 관점에서 해석하면 강아지 레이블이 나왔을 때, 강아지 레이블이 나올 가능성을 가장 크게 하는 신경망의 w를 선택하는 것과 같습니다..
- 141쪽: 이를 더 잘 이해하기 위해, 인공 신경망을 식당에 비유해 보겠습니다. 이 식당에서는 입력으로 면과 춘장과 같은 재료가 들어오고, 첫 번째 레이어는 재료 손질, 두 번째 레이어는 요리, 세 번째 레이어는 플레이팅을 담당합니다. 각 노드는 한 명의 직원을 나타냅니다. 이 식당의 목표는 두 가지 재료로 세 명이 재료 손질, 세 명이 요리, 두 명이 플레이팅을 해서 최종적으로 맛있는 짜장면 두 그릇을 만드는 것입니다.
- 293쪽: 딥러닝에 처음 입문하시는 분들은 Chapter 1을 읽은 후, Chapter 2를 읽기 전에 이 부록을 미리 살펴보시는 것도 좋은 방법입니다. 이를 통해 전반적인 수학적 기초를 다질 수 있으며, 본문의 내용을 더욱 수월하게 이해할 수 있게 될 것입니다. 각 장의 내용은 기본 개념부터 시작하여 점진적으로 심화되는 형태로 구성되어 있습니다.
- 322쪽: 랜덤 변수(Random Variable)는 특정 사건을 실숫값에 대응시키는 함수입니다. 예를 들어, 동전 던지기에서 “앞면이 나왔다”는 사건을 1로, “뒷면이 나왔다”는 사건을 0으로 대응시킬 수 있습니다. 이렇게 랜덤 변수는 불확실한 사건을 수학적으로 다룰 수 있게 해줍니다.
- 344쪽: 정보 이론의 개념들은 딥러닝에서 다양하게 활용됩니다. Cross-Entropy는 분류 문제의 손실 함수로 널리 쓰이며 KL-Divergence는 이미지 생성 모델에서 핵심적인 역할을 합니다. 이러한 개념들은 주로 손실 함수를 구성하기 위한 수학적 도구로 활용되며, 모델이 데이터의 분포를 얼마나 잘 학습했는지 정량적으로 평가하는 기준이 됩니다.

출판사 서평

딥러닝의 세계에 첫발을 내딛는 독자들에게 『Easy! 딥러닝』은 단순한 책을 넘어선 필수 지침서이다. KAIST 박사이자 10만 구독자를 보유한 유튜버 '혁펜하임'이 집필한 이 책은, 복잡하고 난해한 딥러닝 개념을 누구나 이해할 수 있도록 쉽고 친절하게 풀어내며, 이론과 실습을 완벽하게 결합한 독보적인 입문서이다.

딥러닝이 어렵다는 인식은 이제 과거의 이야기이다. 『Easy! 딥러닝』은 딥러닝을 처음 접하는 독자들을 위해 치밀하게 구성되었으며, 약 280개의 삽화를 통해 추상적인 개념을 직관적으로 이해할 수 있게 돕는다. 독자는 도서에 실린 내용을 저자가 제공하는 동영상 강의를 통해 더 쉽게 학습할 수 있다. 책과 동영상 강의가 함께 어우러진 이 완벽한 조합은 독자들이 딥러닝의 핵심을 놓치지 않고 확실히 습득할 수 있도록 보장한다.

특히 이 책은 딥러닝 학습에 필요한 수학적 기초를 부록으로 다루고 있다. 함수부터 미적분, 확률과 통계 같은 기초 개념이 딥러닝 학습을 뒷받침해주며, 딥러닝의 이론적 바탕을 탄탄히 다질 수 있도록 돕는다. 수학적 배경이 부족해 딥러닝 공부에 어려움을 겪던 독자들도 이 책을 통해 필요한 수학 기초를 충분히 익힐 수 있다. 시장에 나와있는 기존의 여러 도서들이 기초 수학에 대한 이해를 전제로 하는 것과 달리 이 책은 입문자에게 친화적인 기획을 바탕으로 제작되었다는 것을 알 수 있다.

『Easy! 딥러닝』은 그 이름처럼 쉽고 친근한 접근 방식을 취하면서도 학문적으로는 철저하고 깊이 있게 구성되어 있다. 독자들은 이 책을 통해 딥러닝의 기본 원리부터 실제 모델을 설계하고 데이터를 처리하는 방법까지 차근차근 배워나갈 수 있으며, 딥러닝 이론을 단순히 암기하는 것이 아니라 그 원리를 이해하고 현장에 어떻게 적용할 수 있을지 학습하게 된다.

저자 혁펜하임은 오랜 연구와 교육 경험을 바탕으로 딥러닝의 핵심을 쉽게 풀어내면서도, 그 깊이를 놓치지 않는 균형감을 자랑한다. 그는 딥러닝 학습에서 발생할 수 있는 다양한 질문과 어려움을 미리 예측하고, 그에 대한 명쾌한 해법을 제시한다. 특히 대학교와 유튜브에서 진행한 다년간의 강의를 통해 수많은 독자들과 소통해온 그의 경험과 노하우가 녹아 있어, 독자들은 책을 읽으며 실제 강의를 듣는 듯한 생생한 학습 경험을 얻게 될 것이다.

『Easy! 딥러닝』은 입문자가 딥러닝을 배우는 데 필요한 모든 것을 아우르는 완벽한 가이드이다. 딥러닝의 기초부터 차근차근 쌓아올리며 이론과 실습, 수학적 기초까지 모두 갖춘 이 책은, 딥러닝을 처음 접하는 독자뿐만 아니라 이미 딥러닝의 일부를 알고 있는 학습자들에게도 큰 도움이 될 것이다. 딥러닝에 대한 두려움을 없애고 자신감을 갖고 학습을 이어나갈 수 있게 돕는 이 책은, 입문자들이 단단한 기초를 다질 수 있는 최고의 선택이 될 것이다.

이 책과 함께라면 딥러닝이 더 이상 어렵게 느껴지지 않을 것이다. “딥러닝은 원래 쉽다”는 저자의 말처럼 이 책에 실린 노련한 설명과 꼼꼼한 실습 안내를 따라가다 보면, 독자들은 딥러닝의 복잡한 개념도 쉽게 이해하고 이를 실전에서 응용할 수 있는 자신감과 실력을 얻게 될 것이다.

인물정보

저자(글) 혁펜하임

누구나 쉽게 이해할 수 있는 최고의 설명법을 연구하는 딥러닝 전문 강사.
서강대학교에서 전자공학과 학사, KAIST에서 전기 및 전자공학부 석사 및 박사 학위를 받았다. 이후 삼성전자에서 책임연구원으로 근무하며 다양한 프로젝트를 수행했다. 현재 삼성서울병원 및 성균관대학교 의과대학에서 초빙강사로 강의를 진행하고 있으며, 딥러닝 강의 플랫폼 ‘혁펜하임 아카데미’의 대표로 활동 중이다.
서울대, 고려대, 한양대, 성균관대 등 여러 대학과 삼성전자, 삼성디스플레이, LG화학, GS칼텍스를 포함한 15개 이상의 주요 기업 및 기관에서 딥러닝 강의를 진행했다. 또한, 유튜브 채널을 운영하며 딥러닝 이론과 더불어 파이썬 코딩, 선형대수학, 컨벡스 최적화, 강화학습, 신호 및 시스템 등 다양한 주제의 강의를 무료로 제공하고 있다.

홈페이지 hyukppen.modoo.at
인스타그램 instagram.com/hyukppen
유튜브 @hyukppen