자료구조 알고리즘 & 머신러닝 상세분석

내용
자료구조 알고리즘 & 머신러닝 상세분석 1
저작권 2
저자 소개 3
목차 4

제1부 자료구조 알고리즘 이해 9
1. 자료구조 알고리즘 개요 10

2. 링크드 리스트(LINKED LIST) 15
2.1 주소(포인터)연산 이해 15
2.2 링크드 리스트 전체소스 19
2.3 LIST_ADD (STACK) 32
2.4 LIST_ADD_TAIL (QUEUE) 39

3. 큐(QUEUE) 45

4. RED-BLACK TREE 59
4.1 RED-BLACK TREE 개념 59
4.2 RED-BLACK TREE 소스 64
4.2.1 include/linux/rbtree.h 64
4.2.2 lib/rbtree.c 67
4.2.3 rbtree_test.c 78
4.2.4 실행 결과 83
4.3 RED-BLACK TREE 구조체 87
4.4 삽입(INSERT) 소스1 분석 90
4.4.1 노드(key=10) 삽입 91
4.4.2 노드(key=20) 삽입 94
4.4.3 노드(key=30) 삽입 97
4.4.4 노드(key=40) 삽입 103
4.4.5 노드(key=50) 삽입 106
4.4.6 노드(key=60) 삽입 109
4.4.7 노드(key=70) 삽입 111
4.4.8 노드(key=80) 삽입 114
4.5 삽입(INSERT) 소스2 분석 120
4.5.1 노드(key=80) 삽입 121
4.5.2 노드(key=70) 삽입 124
4.5.3 노드(key=60) 삽입 127
4.5.4 노드(key=50) 삽입 132
4.5.5 노드(key=40) 삽입 136
4.5.6 노드(key=30) 삽입 139
4.5.7 노드(key=20) 삽입 141
4.5.8 노드(key=10) 삽입 144
4.6 삽입(INSERT) 소스3 분석 150
4.6.1 노드(key=10) 삽입 150
4.6.2 노드(key=30) 삽입 153
4.6.3 노드(key=20) 삽입 156
4.6.4 노드(key=50) 삽입 163
4.6.5 노드(key=40) 삽입 164
4.6.6 노드(key=25, 22) 삽입 167
4.6.7 노드(key=35) 삽입 169
4.7 탐색(SEARCH) 소스 분석 174
4.8 삭제(ERASE) 소스 분석 181
4.8.1 노드(key=10) 삭제 188
4.8.2 노드(key=20) 삭제 192
4.8.3 노드(key=30) 삭제 195
4.8.4 노드(key=40) 삭제 202
4.8.5 노드(key=50) 삭제 205
4.8.6 노드(key=60) 삭제 211
4.8.7 노드(key=70) 삭제 215
4.8.8 노드(key=80) 삭제 218

5. B+TREE 221
5.1 B+TREE 소스 221
5.2 B+TREE 구조체 247
5.3 B+TREE 삽입 알고리즘 250
5.3.1 노드 분할 253
5.3.2 부모노드 생성 255
5.3.3 부모노드 분할 259

제2부 머신러닝 알고리즘 263
6. 머신러닝 알고리즘 264
6.1 머신러닝 소개 264
6.1 TENSORFLOW 설치 269
6.2 TENSORFLOW 기본 272
6.2 LINEAR REGRESSION 274
6.2.1 가설과 비용함수(학습 모델) 274
6.2.2 비용 줄이기(기울기 예측) 276
6.2.3 미분 함수(Convex) 278
6.3 LINEAR REGRESSION LEARNING 281
6.3.1 단항변수 기울기 학습1 281
6.3.2 단항변수 기울기 학습2 282
6.3.3 단항변수 기울기 학습3 284
6.3.4 다항변수 기울기 학습 286
6.3.5 다항변수 매트릭스 처리 289
6.3.6 다항변수 파일 읽기 291
6.4 LOGISTIC(BINARY) CLASSIFICATION 294
6.4.1 분류 학습 294
6.4.2 비용 함수 295
6.4.3 Logistic Regression 297
6.5 MULTINOMIAL(SOFTMAX) CLASSIFICATION 300
6.5.1 Hypothesis 300
6.5.2 Softmax function 301
6.5.3 Cross-Entropy Cost Function 302
6.5.4 TensorFlow 실습 303

7. DEEP LEARNING 310
7.1 딥러닝 기본 310
7.1.1 행동 함수 311
7.1.2 XOR 문제 312
7.1.3 Neural Network 312
7.1.4 Back Propagation 317
7.2 XOR 문제 해결 실습 321
7.2.1 일반적인 XOR 문제 321
7.2.2 XOR Neural Network 323
7.2.3 XOR Deep Learning 325
7.2.4 XOR Deep Learning2 331
7.2.5 XOR ReLU 334
7.3 딥러닝 정확성 향상 337
7.3.1 ReLU 337
7.3.2 Good Weight (초기값) 339
7.3.3 Overfitting 조정 340
7.3.4 DropOut 341
7.3.4 Optimizer 성능 비교 342
7.4 딥러닝 실습 343
7.4.1 일반적인 softmax 344
7.4.2 ReLU 347
7.4.3 DropOut 349
7.4.4 초기값 설정 352
7.4.5 결과 정리 354

8. CONVOLUTIONAL NEURAL NETWORK 355
8.1 CONVOLUTION LAYER 355
8.2 POOLING LAYER 358
8.3 CNN 종류 361
8.3.1 AlexNet 361
8.3.2 GoogLeNet 361
8.3.3 ResNet 362
8.3.4 DeepMind AlphaGo 362
8.4 CNN 실습 363
8.4.1 Adam Optimizer 363
8.4.2 RMS Optimizer 367
8.4.3 결과 정리 371

9. MOTION 분석 372
9.1 MOTION 소스 빌드 372
9.2 MOTION 소스 분석 383

부록A. 이세돌 9단과 알파고 384
A.1 경우의 수 줄이기(REDUCTION) 385
A.2 학습하기 (DEEP LEARNING) 387
A.3 알파고 1차 대국 정리 388
A.3.1 첫번째 싸움의 시작 389
A.3.2 두번째 싸움의 시작 390
A.3.3 승패의 갈림길, 세번째 싸움 393
A.4 알파고 2차 대국 정리 396
A.4.1 초반에 흔들리는 알파고 397
A.4.2 중후반부터 강해지는 알파고 401

부록B. 커널연구회 교육과정 상세안내 406
B.1 커널연구회 교육과정 로드맵 406
B.2 C언어와 자료구조 알고리즘 407
B.3 리눅스 시스템 프로그래밍 411
B.4 ARM 아키텍쳐, STM32 프로그래밍 415
B.5 리눅스 커널 자료구조 알고리즘 실습 418
B.6 리눅스 커널 소스 디버깅 실습 422
B.7 리눅스 커널 DEVICE TREE 실습 426

커널연구회 교육학원 위치(약도) 431