멀티모달까지 직접 구현하는 딥러닝 with 파이토치

__추천인의 글
__독자에게 전하는 말
__이 책의 학습 방법
__보조 학습 자료

1-1 텐서 자료형
__텐서: 파이토치의 기본 데이터 형식
__텐서 다루기
__텐서의 조작
__연습문제
1-2 자동 미분
__텐서와 미분
__자동 미분의 사용법
__연습문제
1-3 첫 번째 딥러닝 모델
__회귀 분석 모델의 설계
__회귀 분석 모델의 구현
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

2-1 기계가 선을 긋는다면?
__퍼셉트론: 인공 뉴런의 조상
__퍼셉트론을 분류에 사용하는 원리
__연습문제
2-2 퍼셉트론으로 구현한 AND 게이트
__AND 게이트 시뮬레이터 모델
__모델 학습과 평가
__연습문제
2-3 파이토치 고수준 API
__파이토치의 방식으로 모델 만들기
__파이토치에서 제공하는 클래스 도구
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

3-1 복잡한 분류 문제
__다층 퍼셉트론의 등장 배경
__다층 퍼셉트론
__연습문제
3-2 다층 퍼셉트론으로 구현한 XOR 게이트
__파이토치로 다층 퍼셉트론 모델 만들기
__결과로 돌아보는 다층 퍼셉트론의 결정 경계
__연습문제
3-3 좀 더 복잡한 분류 문제
__회오리 모양으로 분포한 데이터의 분류
__모델 구현하기
__더 좋은 분류 모델을 위한 도구
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

4-1 데이터에서 시작하는 슬기로운 딥러닝 생활
__딥러닝 모델의 데이터
__일반적으로 좋은 모델 만들기
__연습문제
4-2 파이토치로 데이터를 다루는 표준 절차
__데이터 파이프라인
__파이토치의 방식으로 데이터 다루기
__연습문제
4-3 공개 이미지 데이터셋의 사용
__torchvision 라이브러리
__MNIST 숫자 분류기 모델
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

5-1 딥러닝에 맞는 이미지 취급법
__이미지를 제대로 이해하는 방법
__합성곱: 이미지 맞춤 특징 추출기
__연습문제
5-2 합성곱 신경망 모델 만들기
__합성곱 신경망을 구성하는 부품
__합성곱 신경망 숫자 분류기 모델
__연습문제
5-3 좀 더 복잡한 이미지를 다루는 딥러닝
__CIFAR -10 이미지 분류 모델
__과적합을 완화하는 또 다른 방법
__연산 장치와 하드웨어 가속기의 활용
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

6-1 순환 신경망
__순환 신경망: 순서 맞춤 특징 추출기
__순환 신경망의 입력 데이터
__연습문제
6-2 순서를 예측하는 생성 모델 만들기
__다음 토큰을 예측하는 단순 RNN 모델
__자기회귀: 순환 신경망으로 생성하기
__연습문제
6-3 순서를 기준으로 판단하는 모델 만들기
__띄어쓰기를 예측하는 단순 RNN 모델
__LSTM: 기억을 제어하는 순환 신경망
__띄어쓰기 모델을 개선하려면
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

7-1 똑똑한 어휘 사전, 임베딩
__임베딩: 더 똑똑한 토큰 인코딩
__임베딩 벡터
__임베딩 벡터에 담긴 의미
__연습문제
7-2 임베딩을 사용하는 순환 신경망 모델
__임베딩 계층을 사용하는 모델 정의하기
__임베딩 계층을 사용하는 모델의 학습
__연습문제
7-3 데이터를 압축하는 오토인코더
__오토인코더: 표현의 압축
__오토인코더로 MNIST 데이터 재현해 보기
__연습문제
7-4 잠재 공간과 전이 학습
__잠재 벡터의 분포와 잠재 공간
__인코더를 재활용해 만드는 숫자 분류기
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

8-1 단순해도 깊어서 좋은 VGGNet
__딥러닝에서 깊이의 의미
__VGGNet: 단순하지만 깊은 모델
__연습문제
8-2 안정적으로 더 깊게 쌓기, 배치 정규화
__깊은 모델을 안정적으로 학습하는 전략
__배치 정규화가 추가된 VGGNet
__연습문제
8-3 깊이의 한계를 극복하는 덧셈의 마법, ResNet
__ResNet: 차이에 집중해 학습하는 더 깊은 모델
__잔차 학습을 적용한 모델 만들기
__연습문제
8-4 진짜 VGGNet과 ResNet 활용해 보기
__허깅페이스 허브를 통한 공개 모델 활용
__허깅페이스의 사전 학습 모델을 사용한 전이 학습
__연습문제
학습노트
__요점 정리
__8장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들

9-1 Seq2Seq 모델
__Seq2Seq: 인코더-디코더로 순차 데이터를 생성하는 모델
__Seq2Seq 모델로 구현한 날짜 형식 변환기
__기본 Seq2Seq 모델에서 개선해야 할 점
__연습문제
9-2 Seq2Seq 모델의 배치 학습
__배치 학습을 위한 표준 절차와 도구
__순차 데이터의 미니배치 학습
__연습문제
9-3 어텐션
__어텐션: 중요한 곳에 집중
__어텐션 메커니즘의 구현
__어텐션의 효과
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

10-1 병렬 처리를 위한 새로운 패러다임, 트랜스포머
__트랜스포머의 개념과 동작 방식
__트랜스포머 구조로 만든 날짜 변환기 모델
__연습문제
10-2 트랜스포머의 변형 1, 인코더만 사용하는 트랜스포머
__BERT: 인코더만 사용하는 트랜스포머
__인코더만 사용하는 날짜 형식 분류기 모델
__연습문제
10-3 트랜스포머의 변형 2, 디코더만 사용하는 트랜스포머
__GPT: 디코더만 사용하는 트랜스포머
__디코더만 사용하는 문장 생성 모델
__텍스트 생성 모델의 추론 방법
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

11-1 변분 오토인코더: 잠재 공간에서 이미지를 생성하기
__오토인코더의 한계와 변분 오토인코더의 등장
__Fashion -MNIST 데이터셋으로 학습한 변분 오토인코더 모델
__연습문제
11-2 GAN: 적대적 경쟁으로 이미지를 생성하기
__경쟁으로 더 좋은 모델을 만드는 전략
__Fashion -MNIST 데이터셋을 학습한 DCGAN 모델
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

12-1 transformers 라이브러리로 LLM 다루기
__transformers 라이브러리와 Auto 모델 클래스
__한국어 LLM 실행하기
__LLM을 애플리케이션에 통합하는 방식
__연습문제
12-2 LLM을 미세 조정해 작업에 특화시키기
__미세 조정의 의미와 모델 선택
__한국어 요약 데이터셋 준비
__모델 준비와 전이 학습 실행
__연습문제
12-3 양자화로 LLM 가볍게 돌리기
__양자화가 필요한 이유와 작동 원리
__bitsandbytes로 추론 양자화 적용하기
__연습문제
12-4 검색 증강 생성으로 환각 줄이기
__RAG의 개념과 구성
__간단한 RAG 파이프라인 구현
__연습문제
학습노트
__요점 정리
__12장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들

13-1 멀티모달 모델의 구조와 구현
__멀티모달 모델의 등장 배경과 프로젝션 아이디어
__CLIP과 GPT -2를 연결해 만든 이미지 설명 모델
__연습문제
13-2 Q -Former: 이미지 정렬 트랜스포머
__이미지를 보고 텍스트를 생성하는 BLIP -2 모델
__BLIP -2의 구현 방식과 Q -Former
__연습문제
학습노트
__요점 정리
__13장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들

__찾아보기