첫 딥러닝 실무

딥러닝을 위한 데이터 전처리부터 모델 가속화까지

권영섭 지음

남가람북스 2025년 12월 22일 출간 국내도서 : 2020년 11월 11일 출간

작품소개

책소개

이 책은 코딩에 의존하지 않고, 딥러닝 학습에 필요한 기초 수학, 통계이론 그리고 최적화 개념의 설명과 함께 딥러닝 모델의 어떤 부분에서 적용되는지 소개함으로써 딥러닝에 대한 흥미를 높였습니다.
이것을 바탕으로 딥러닝 구조를 해부하듯이 설명함으로써 그 작동 원리를 쉽게 이해할 수 있도록 노력했습니다. 따라서 이 책은 딥러닝 모델 학습(Training) 과정에서 문제에 부딪혔을 때 그 문제의 원인과 해결 방안을 찾을 수 있도록 도움을 주는 가이드 역할을 하는 책입니다.
또한, 이렇게 딥러닝 모델에 대한 기본기를 다진 후 공개된 데이터 세트가 아닌 세상에 없는 학습 데이터 세트를 어떻게 준비하고 처리해야 하는지 방법을 제시함으로써 실제적인 프로젝트 수행 시 도움이 되도록 한 책입니다.
딥러닝 모델 학습이 끝났다고 해도 실제 적용할 경우 또다시 직면하고 있는 문제가 남아 있습니다. 바로 딥러닝 모델 처리 속도 문제인 데, 이 책은 그 해결 방법까지도 제시하고 있습니다.

[이 책의 대상 독자]
이 책은 다음과 같은 독자를 대상으로 합니다.
1. 딥러닝 핵심 이론에 대한 이해가 필요한 독자
2. 딥러닝 기술을 한 단계 Jump-up 시키고 싶은 독자
3. 딥러닝 학습 과정에서 일어나는 문제 원인과 해결 방안을 체계적으로 알고 싶은 독자
4. 실무에서 딥러닝 프로젝트를 수행할 때 전반적인 Guidance를 필요로 하는 독자

[Q&A]
이 책으로 공부하다가 이해하기 어려운 부분이나 궁금한 사항이 생기면 저자 블로그를 통해서 검색하거나 질문하여 해결하기 바랍니다.

* 저자 블로그: https://blog.naver.com/dancewithdl

목차

서문
들어가면서
추천사 1
추천사 2

1 기초 수학으로 딥러닝 시작하기

1.1 선형대수
스칼라와 벡터
벡터 투영
벡터 노옴과 내적

1.2 행렬
블록 행렬
행렬의 합
행렬의 곱

1.3 미분
미분
기울기
자코비안 행렬

1.4 확률 통계
확률 통계가 필요한 이유
확률과 확률 변수
이산 확률 변수
결합 및 조건부 확률
베이즈 정리
연속 확률 변수
평균과 분산
확률 변수의 변환
확률 분포
이산 변수
연속 변수

2 유사도 척도로 딥러닝 학습 접근하기

2.1 유클리디안 거리

2.2 마할라노비스 거리

2.3 코사인 유사도

2.4 자카드 유사도

3 예측과 최적화 기법으로 딥러닝 학습 이해하기
매개변수 예측
선형 회귀 분석
정규화

3.1 최대 유사도/가능도 추정법

3.2 베이지안 추론
최대 경사 하강법과 최소 자승법
최대 경사 하강법
최소 자승법

4 데이터 전처리 과정 이해하기

4.1 데이터 전처리
데이터 추출
데이터 유형 분석
데이터 정제
데이터 변환
데이터 정규화
데이터 익명화
데이터 확장
데이터 표본 추출
데이터 명명
수치적으로 묘사된 벡터화 작업

4.2 데이터 이상치 처리
표준 편차
박스 플롯
DBScan 군집

4.3 시간-주파수 표현 방법
고속 푸리에 변환의 단점
스펙트로그램
스캘로그램
멜 스펙트로그램

5 딥러닝 기본기 다지기

5.1 자율 주행 자동차와 딥러닝 학습 개념 이해하기

5.2 자동 제어 기법을 통한 학습 개념 이해하기
비례 제어 동작
적분 제어 동작
미분 제어 동작
비례 적분 미분 제어 동작

5.3 단일 뉴런 모델

5.4 다층 신경회로망과 딥러닝

5.5 딥러닝 학습 기법
초기 가중치 벡터 값 설정

5.6 과적합 문제
조기 종료
조정화
드롭아웃과 앙상블

5.7 기울기 소실 문제
ReLU 활성화 함수
배치 정규화

5.8 경사 하강법에 기반한 학습 방법
확률적 경사 하강법
모멘텀
NAG 경사 하강법
아다그라드 알고리즘
RMSProp 알고리즘
아다델타 알고리즘
아담 알고리즘
아다바운드 알고리즘
PID 제어 기법 기반 알고리즘

5.9 활성화 함수
보편적 근사 정리
시그모이드 함수
하이퍼볼릭 탄젠트 함수
ReLU 함수
LReLU 함수
PReLU 함수
Elu 함수

6 주요 딥러닝 모델과 응용하기

6.1 합성곱 신경망
합성곱 신경망의 태동
완전 연결 신경망의 문제점
합성곱 신경망의 구조

6.2 합성곱 신경망의 응용
기계나 설비 이상 상태 판정
상담이나 면접 시 화자의 감정 상태 판단
식물 병충해 및 영양 결핍 진단
지능형 표면 검사 시스템

6.3 적대적 생성 신경망

6.4 적대적 생성 신경망의 응용
DCGAN
GAN 기반 데이터 확장
GAN 기반 이미지 변환

7 딥러닝 모델 가속화

7.1 딥러닝 모델 압축
가지치기
가중치 공유
양자화

7.2 낮은 차수 행렬 분해

7.3 지식 증류/전수

7.4 딥러닝 모델 구조 자동 탐색

7.5 딥러닝 실행 가속

책을 마무리하면서

참고문헌

찾아보기

출판사 서평

이 책은 딥러닝 모델 구조를 자세히 알려주며 적용할 때 발생하는 문제의 해결책을 찾을 수 있습니다.

기초: 딥러닝 학습에 필요한 기초 다지기(1장~3장)
딥러닝 학습에 필요한 수학의 기초를 통해 딥러닝을 시작할 수 있도록 하며, 유사도 척도를 통해 딥러닝 학습에 접근하며 그리고 최적화 기법을 통해 딥러닝 학습을 이해할 수 있게 합니다.

준비: 딥러닝 학습 데이터 세트 준비하기(4장)
공개된 학습 데이터가 아닌 나만의 딥러닝 프로젝트를 수행할 때 첫 번째 부딪히는 문제인 ‘학습 데이터 준비’ 과정을 배웁니다. 딥러닝 프로젝트를 수행하는 데 필요한 시간과 노력의 80%를 차지하는 학습 데이터 준비는 그동안 알고리즘의 중요성에 가려져 있었습니다. 하지만, 딥러닝 프로젝트의 성공적인 수행을 위해서 학습 데이터 세트의 준비 과정에 많은 시간을 투자하는 것이 필요합니다.

학습: 학습의 개념부터 딥러닝 모델 구조를 자세하게 익히기(5장)
간단한 자율주행자동차 모델을 통해 ‘학습’이 진행되는 과정을 설명함으로써 학습 개념을 누구나 이해할 수 있도록 했습니다. 이것을 바탕으로 단일 뉴런 신경회로망에부터 층과 수를 넓히고 깊이 있게 확장한 딥러닝 모델 구조를 자세하게 파헤치면서 설명하고 있고, 학습 과정에서 부딪히는 문제와 그것을 극복할 수 있는 방법에 대해서 자연스럽게 습득할 수 있도록 했습니다.

적용: 주요 딥러닝 모델 소개와 실제적인 딥러닝 모델 응용 시 부딪히는 문제 극복하기(6장~7장)
주요 딥러닝 모델의 구조와 원리를 소개하고, 이러한 모델의 응용 가능 분야에 대해서 몇 가지 소개하고 있습니다. 특히 학습이 완료된 딥러닝 모델을 적용할 때 부딪히는 또 다른 문제가 바로 연산 속도입니다. 엄청난 양의 컴퓨터 연산이 필요한 딥러닝 모델을 적용할 때, 고가의 컴퓨터 하드웨어 추가 없이 딥러닝 모델을 가볍게 함으로써 고속 처리할 수 있는 기법까지도 배울 수 있습니다.

인물정보

저자(글) 권영섭

미국에서 퍼지 로직(Fuzzy Logic)과 인공신경회로망을 융합한 지능제어로 박사학위를 받았습니다. 현재는 포스코 기술연구원 공정엔지니어링연구소에서 신공정 개발이나 딥러닝 응용 연구개발에 매진하고 있습니다.
‘문제가 있는 곳에 답이 있다’는 신념으로 문제를 해결하는 것을 즐기고 있으며, 그 결과로 약 50여 개의 특허를 출원한 ‘아이디어 맨’으로 통하고 있습니다.
지금은 딥러닝 관련 기술과 Know-How를 책으로 출간함으로써 딥러닝 저변 확대에 많은 관심을 가지고 있습니다.