코딩은 처음이라 with 딥러닝
$21.74
SKU
9788931466140
[Free shipping over $100]
Standard Shipping estimated by Fri 12/6 - Thu 12/12 (주문일로부 10-14 영업일)
Express Shipping estimated by Tue 12/3 - Thu 12/5 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2022/04/25 |
| Pages/Weight/Size | 188*257*15mm |
| ISBN | 9788931466140 |
| Categories | IT 모바일 > 컴퓨터 공학 |
Description
이 책은 크게 전반부와 후반부, 두 부분으로 구분할 수 있습니다. 전반부는 Part 1~Part 3으로 인공지능과 딥러닝 소개 및 원리 파악을 위한 딥러닝 실습 예시로 구성되어 있으며, 간략히 딥러닝을 살펴봄으로써 개략적인 개념을 잡는 단계다. 후반부는 더 깊게 딥러닝을 배우기 위한 구체적인 과정으로 선형 모델에서 신경망 모델, 이미지 분류, 자연어 처리의 원리를 파악한 후 코딩 실습에 적응할 수 있도록 설명하고 있다. 딥러닝을 이해하기 위한 인공지능 개요와 머신러닝에 대한 내용을 Part 1에서 다루고, Part 2에서는 딥러닝이 진행되는 과정을 이해하기 위해 딥러닝 흐름을 소개한다. Part 3에서는 딥러닝의 흐름을 실제 선형분류 예제를 통해 이해해본다.
Part 4부터는 본격적으로 딥러닝에 대해 배울 수 있다. 딥러닝은 머신러닝과 달리 여러 층으로 구성되어 있지만, 각 층을 구성하는 요소는 기본적으로 하나의 층으로 된 선형 모델로 이루어져 있다. 우선 하나의 층으로 이루어진 선형 모델(linear model)을 Part 4에서 다룬 후, 여러 선형 모델의 결합인 신경망(Multi-Layer Perceptrons, Neural Networks)을 Part 5에서 다룰 것이다. Part 6에서는 Computer Vision의 기본인 합성곱 신경망(convolutional neural networks; CNN) 모델을 다루고, Part 7에서는 자연어 처리에 필요한 word embedding과 RNN 모델, LSTM 모델과 seq2seq 모델을 다룰 것이다. Part 8에서는 이 책에서 배운 내용을 바탕으로 코딩을 해보는 프로젝트 과제 4개가 주어져 있다.
Part 4부터는 본격적으로 딥러닝에 대해 배울 수 있다. 딥러닝은 머신러닝과 달리 여러 층으로 구성되어 있지만, 각 층을 구성하는 요소는 기본적으로 하나의 층으로 된 선형 모델로 이루어져 있다. 우선 하나의 층으로 이루어진 선형 모델(linear model)을 Part 4에서 다룬 후, 여러 선형 모델의 결합인 신경망(Multi-Layer Perceptrons, Neural Networks)을 Part 5에서 다룰 것이다. Part 6에서는 Computer Vision의 기본인 합성곱 신경망(convolutional neural networks; CNN) 모델을 다루고, Part 7에서는 자연어 처리에 필요한 word embedding과 RNN 모델, LSTM 모델과 seq2seq 모델을 다룰 것이다. Part 8에서는 이 책에서 배운 내용을 바탕으로 코딩을 해보는 프로젝트 과제 4개가 주어져 있다.
Contents
지은이의 글
이 책의 특징
베타 리더
PART1 인공지능이란
1. 인공지능: 데이터 분석을 위한 알고리즘
2. 머신러닝과 딥러닝
3. 머신러닝 과정
4. Kaggle 소개
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART2 딥러닝 흐름 잡기
1. 딥러닝 과정
2. 데이터 설계 및 수집
3. 문제 분류
4. 모델 설정
5. 손실 계산
6. 최적화
7. 예측 및 평가
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART3 기본 흐름 파악하기
1. 선형분류 과정
2. 준비 과정
3. 모델 설정
4. 손실 계산
5. 최적화
6. 선형 회귀 최적화 과정
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART4 선형 모델
1. 선형 모델 과정
2. 이미지 데이터
3. 선형 분류기: Score 함수
4. Softmax 분류기
5. 최적화: SGD
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART5 신경망 모델
1. 신경망 모델 과정
2. 층(Layer)의 결합
3. 활성화 함수
4. 학습 분석: 과적합
5. 오류 역전파 Error BackPropagation
6. 규제 강화
7. 최적화 기법
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART6 이미지 분류
1. 이미지 분류 과정
2. 이미지 데이터 불러오기
3. CNN 모델 소개
4. CNN 구성 요소
5. CNN Architectures
6. 전이 학습 Transfer Learning
이번 장의 마무리
연습 문제
실습 예제1
실습 예제2
심화 문제
PART7 자연어 처리
1. 자연어 처리 과정
2. 단어를 벡터로 Word Embedding
3. Sequence를 다루는 모델
4. Seq2Seq 모델
이번 장의 마무리
연습 문제
실습 예제1
실습 예제2
심화 문제
PART8 Project
프로젝트1 이미지 다중 분류: Dog bread(kaggle)
프로젝트2 이미지 다중 분류(경진대회): 동물 분류
프로젝트3 자연어 분류: Sentiment Analysis on Movie Reviews(kaggle)
프로젝트4 자연어 분류(경진대회): Topic Modeling for Research Articles
연습 문제 정답
찾아보기
이 책의 특징
베타 리더
PART1 인공지능이란
1. 인공지능: 데이터 분석을 위한 알고리즘
2. 머신러닝과 딥러닝
3. 머신러닝 과정
4. Kaggle 소개
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART2 딥러닝 흐름 잡기
1. 딥러닝 과정
2. 데이터 설계 및 수집
3. 문제 분류
4. 모델 설정
5. 손실 계산
6. 최적화
7. 예측 및 평가
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART3 기본 흐름 파악하기
1. 선형분류 과정
2. 준비 과정
3. 모델 설정
4. 손실 계산
5. 최적화
6. 선형 회귀 최적화 과정
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART4 선형 모델
1. 선형 모델 과정
2. 이미지 데이터
3. 선형 분류기: Score 함수
4. Softmax 분류기
5. 최적화: SGD
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART5 신경망 모델
1. 신경망 모델 과정
2. 층(Layer)의 결합
3. 활성화 함수
4. 학습 분석: 과적합
5. 오류 역전파 Error BackPropagation
6. 규제 강화
7. 최적화 기법
이번 장의 마무리
연습 문제
실습 예제
심화 문제
PART6 이미지 분류
1. 이미지 분류 과정
2. 이미지 데이터 불러오기
3. CNN 모델 소개
4. CNN 구성 요소
5. CNN Architectures
6. 전이 학습 Transfer Learning
이번 장의 마무리
연습 문제
실습 예제1
실습 예제2
심화 문제
PART7 자연어 처리
1. 자연어 처리 과정
2. 단어를 벡터로 Word Embedding
3. Sequence를 다루는 모델
4. Seq2Seq 모델
이번 장의 마무리
연습 문제
실습 예제1
실습 예제2
심화 문제
PART8 Project
프로젝트1 이미지 다중 분류: Dog bread(kaggle)
프로젝트2 이미지 다중 분류(경진대회): 동물 분류
프로젝트3 자연어 분류: Sentiment Analysis on Movie Reviews(kaggle)
프로젝트4 자연어 분류(경진대회): Topic Modeling for Research Articles
연습 문제 정답
찾아보기