실습하며 배우는 딥러닝 입문 with Kaggle

CHAPTER 1 인공지능의 개념
1.1 인공지능 개념 잡기
1.1.1 인공지능이란 무엇인가?
1.1.2 미디어 속의 인공지능
연습문제
1.2 인공지능의 역사
1.2.1 인공지능 이전 시대
1.2.2 인공신경망의 기초 확립
1.2.3 다양한 인공지능 이론의 개발
1.2.4 딥러닝 전성시대와 미래
연습문제
1.3 국가별 인공지능기술과 과학기술정책
1.3.1 미국
1.3.2 중국
1.3.3 유럽
1.3.4 일본
1.3.5 대한민국
연습문제
1.4 인공지능기술
1.4.1 인공지능 기술 개요
1.4.2 데이터
1.4.3 소프트웨어: 인공지능 모델
1.4.4 인공지능 알고리즘
연습문제

CHAPTER 2 캐글 입문
2.1 캐글이란
2.2 캐글 가입하기
2.3 캐글 데이터셋
2.4 캐글 경진 대회와 타이타닉 데이터
2.4.1 캐글 경진 대회
2.4.2 타이타닉 생존자 예측 대회
2.4.3 타이타닉 데이터
2.4.4 인공지능의 학습과 데이터
2.4.5 엑셀을 사용하는 데이터 분석
2.4.6 엑셀을 사용하는 단순 예측
연습문제

CHAPTER 3 파이썬과 코딩의 기초
3.1 코딩이란?
3.2 구글 코랩을 사용하는 파이썬 코딩
연습문제
3.3 계산식, 라이브러리와 함수
3.3.1 계산식과 라이브러리(모듈)
연습문제
3.4 변수
3.4.1 변수의 개념
3.4.2 변수의 종류
3.4.3 변수의 사용 실습
연습문제
3.5 함수
3.5.1 함수의 기본 개념
3.5.2 파라미터가 두 개 이상인 함수
3.5.3 많이 사용되는 다른 함수들
3.5.4 print 함수를 사용하는 문자열의 출력
3.5.5 함수의 사용 실습
연습문제
3.6 조건문
3.6.1 조건문의 개념
3.6.2 다중 조건문
3.6.3 조건식의 조합
3.6.4 조건문의 사용 실습
연습문제
3.7 고급 데이터 타입
3.7.1 리스트
3.7.2 튜플
3.7.3 딕셔너리(사전)
3.7.4 집합
3.7.5 고급 데이터 사용 실습
연습문제
3.8 반복문
3.8.1 while 반복문
3.8.2 for 반복문
3.8.3 break와 continue
3.8.4 반복문 사용 실습
연습문제
3.9 Numpy 배열
3.9.1 배열의 생성과 접근
3.9.2 numpy 배열의 모양 변경
3.9.3 numpy 배열과 슬라이싱
3.9.4 numpy 라이브러리의 기타 함수들
연습문제
3.10 사용자 정의 함수
3.10.1 사용자 정의 함수의 정의
3.10.2 변수의 범위와 함수
3.10.3 사용자 함수의 활용
3.10.4 객체 참조에 의한 파라미터의 전달
연습문제

CHAPTER 4 구글 코랩과 데이터 분석의 기초
4.1 리눅스 시스템 기초
4.2 구글 코랩과 캐글의 연동
4.3 구글 코랩과 타이타닉 데이터
4.4 파이썬 코드로 타이타닉 데이터 분석하기
4.5 데이터 분석 실습: 코로나19 확진자 추이 데이터
연습문제

CHAPTER 5 딥러닝의 개념
5.1 딥러닝 모델의 기본 구조
5.1.1 딥러닝 모델의 기본 구조
5.1.2 딥러닝 모델의 학습
5.1.3 딥러닝 모델과 네트워크층(Layer)
5.1.4 딥러닝 모델의 네트워크 구조
5.2 네트워크의 입력과 출력을 위한 데이터의 변환
5.2.1 네트워크의 입력과 출력
5.2.2 범주형 데이터의 수치화
5.2.3 수치형 데이터의 정규화
5.2.4 타이타닉 데이터의 수치화 및 정규화
연습문제

CHAPTER 6 완전 연결층과 다층 신경망
6.1 완전 연결층
6.2 다층 신경망
6.3 역전파 알고리즘
6.4 최적화 도구와 학습률, 배치 크기
6.5 실습에 필요한 추가 개념 정리
6.6 완전 연결층과 타이타닉 데이터
연습문제

CHAPTER 7 이미지를 인식하는 네트워크, 합성곱 신경망
7.1 이미지 데이터의 인식
7.2 합성곱과 이미지
7.3 합성곱층
7.4 합성곱 신경망과 숫자 이미지 인식
7.4.1 MNIST 데이터셋
7.4.2 딥러닝 모델 생성과 학습
7.4.3 테스트
7.4.4 결과 분석
연습문제

CHAPTER 8 시계열 데이터와 딥러닝 네트워크
8.1 시계열 데이터 개요
8.2 티쳐블 머신을 사용하는 사운드 데이터의 인식
8.3 시계열 데이터의 특징
8.4 시계열 데이터의 전처리
8.5 시계열 데이터를 위한 딥러닝 네트워크 구조
8.6 시계열 데이터의 딥러닝 실습
8.6.1 심전도 데이터의 준비
8.6.2 데이터의 기초 분석
8.6.3 딥러닝
연습문제

CHAPTER 9 순환 신경망과 파라미터 최적화
9.1 순환 신경망
9.1.1 순환 네트워크 개요
9.1.2 완전 연결층 리뷰
9.1.3 단순 순환 신경망(Simple Recurrent Neural Network: Simple RNN)
9.2 LSTM층
9.3 딥러닝 파라미터의 최적화
9.3.1 딥러닝 파라미터 최적화 개요
9.3.2 합성곱층의 파라미터
9.3.3 LSTM층의 파라미터
9.3.4 완전 연결층의 파라미터
9.3.5 모델 생성(컴파일) 시의 파라미터
9.3.6 학습 파라미터와 오버피팅(Overfitting)
9.3.7 파라미터 최적화 전략
9.4 합성곱 신경망과 LSTM을 사용하는 시계열 데이터 인식 실습
9.4.1 데이터 개요
9.4.2 학습/테스트 파일 분리와 정답 정보 만들기
9.4.3 데이터 읽기 및 전처리
9.4.4 모델 구조 지정, 학습 및 테스트
9.5 수업용 온라인 대회 만들기
연습문제

CHAPTER 10 생성 네트워크
10.1 생성 네트워크
10.1.1 생성 네트워크 개요
10.1.2 네트워크층
10.1.3 생성 네트워크의 구성
10.2 생성 네트워크 실습
10.3 적대적 생성 네트워크(GAN)
10.3.1 GAN의 개념
10.3.2 GAN의 학습 원리
10.3.3 배치 정규화 층
10.4 GAN 실습
10.4.1 데이터 읽기, Reshape와 정규화
10.4.2 네트워크의 구성
10.4.3 학습
10.4.4 이미지 생성과 생성된 이미지의 확인
연습문제

CHAPTER 11 정답을 찾아가는 에이전시: 강화 학습과 AWS 딥레이서
11.1 강화 학습 개요
11.2 강화 학습의 원리
11.2.1 환경과 에이전트
11.2.2 학습
11.3 아마존 웹 서비스와 딥레이서
11.4 딥레이서 실습
11.5 딥레이서 보상 함수의 수정과 모델 개선
11.5.1 기본 보상 함수 분석
11.5.2 웨이포인트(Waypoints)를 사용하는 보상 함수
11.5.3 새로운 보상 함수의 디자인
11.6 딥레이서 에이전트와 행동(Action)
연습문제