가장 쉬운 딥러닝 입문 교실

▣ 1장: 딥러닝과 머신러닝
Lesson 1-1 딥러닝의 기본
___계층이 깊은 신경망
Lesson 1-2 딥러닝의 역사
___인공지능의 진화로 보는 딥러닝
Lesson 1-3 머신러닝의 기초 지식
___지도 학습과 비지도 학습
___강화 학습
___규칙기반? 지식기반?
___통계적 머신러닝
___전처리와 특징 추출
___배치 학습과 온라인 학습
___성능 평가
___일반화 능력
Lesson 1-4 머신러닝을 위한 수학
___수의 체계와 수식
___변수와 정수
___등식과 대입식
___벡터와 첨자
___합을 나타내는 기호
___최솟값·최댓값
___절댓값
___거리와 노름
___미분과 편미분
___합성함수의 미분
___지수와 로그
COLUMN 1 인공지능이란

▣ 2장: 파이썬 준비와 기본 문법
Lesson 2-1 파이썬 설치 -윈도우 편-
___윈도우에 설치
Lesson 2-2 파이썬 설치 -맥 편-
___맥에서는 파이썬2가 바로 사용 가능합니다
___홈브루 설치
___pyenv 설치
___Python 3을 설치합니다
Lesson 2-3 라이브러리 설치 -윈도우 편-
___윈도우용 아나콘다 설치
Lesson 2-4 라이브러리 설치 -맥 편-
___맥용 아나콘다 설치
Lesson 2-5 파이썬 기본 문법
___Hello, Python!!
___변수
___상수(Constant)
___데이터형
___연산
___리스트형과 튜플형
___집합형
___딕셔너리
___문자열의 연결과 반복
___문자열 포맷
___시퀀스 연산
___함수
___if 문
___반복문
___모듈 호출
COLUMN 2 자바로 구현

▣ 3장: 딥러닝 체험
Lesson 3-1 텐서플로와 케라스 설치
___윈도우 편: 텐서플로 설치
___윈도우 편: 케라스 설치
___맥 편: 텐서플로 설치
___맥 편: 케라스 설치
Lesson 3-2 주피터 노트북을 사용합시다
___주피터 노트북 준비
___주피터 노트북 사용법
Lesson 3-3 수치 계산 라이브러리 넘파이 사용법
___기본적인 사용법
Lesson 3-4 그래프 라이브러리 맷플롯립 사용법
___기본적인 사용법
Lesson 3-5 케라스로 딥러닝 체험
___캐글에서 이미지를 다운로드
___이미지 인식 프로그램 작성
COLUMN 3 텐서플로란？

▣ 4장: 신경망 기초
Lesson 4-1 뉴런과 퍼셉트론
___신경세포(뉴런)
___퍼셉트론
Lesson 4-2 활성화 함수
___여러 가지 활성화 함수
Lesson 4-3 헵의 규칙과 델타 규칙
___가중치(결합하중)의 학습 규칙
Lesson 4-4 신경망의 학습
___개와 고양이를 분류한다
___XOR 문제
___다층 퍼셉트론(신경망)
___OR 문제
___AND 문제
___NAND 문제
___신경망에서의 식별
Lesson 4-5 학습 방법의 차이와 손실 함수
___신경망의 학습 방법
___학습 프로세스로 보는 손실 함수
___여러 가지 손실 함수
Lesson 4-6 경사법
___파라미터는 어떻게 조정하나?
___신경망의 오차의 경사 구하는 법
Lesson 4-7 오차 역전파법（Back propagation）
___오차 역전파법이란?
___연쇄 법칙
Lesson 4-8 MNIST
___Step 1. 주피터 노트북으로 신규 파일을 작성합니다
___Step 2. 손글씨 이미지 데이터 준비
___Step 3. 모델 작성
___Step 4. 신경망의 학습
COLUMN 4 차원의 저주와 과적합

▣ 5장: 합성곱 신경망
Lesson 5-1 합성곱 신경망의 기초
___이미지 분류와 시신경
___하나의 뉴런으로 입력 이미지 전체를 학습시킨다
Lesson 5-2 합성곱 연산
___수용 영역을 슬라이드한다
___포커스의 이동
Lesson 5-3 합성곱층
___다른 패턴을 인식시키려면?
Lesson 5-4 심층 합성곱 신경망
___3차원 데이터를 입력받을 수 있도록 한다
___수축하는 출력의 형태
Lesson 5-5 제로 패딩을 이용한 합성곱
___입력 데이터의 주변 정보 손실
___제로 패딩
Lesson 5-6 범위를 넓히는 합성곱
___스트라이드란
___제로 패딩 이용
Lesson 5-7 합성곱 ReLU층
___비선형 변환으로 인식률 향상
Lesson 5-8 풀링층
___풀링층을 이용한 처리
___풀링층의 장점과 주의점
Lesson 5-9 완전 연결 계층
___완전 연결 계층의 처리
___완전 연결 계층의 수정
___더 복잡한 판단을 하고 싶을 때
Lesson 5-10 심층 합성곱 신경망의 학습
___모델 학습과 훈련
___Step 1. 손실 E 정의
___Step 2. 가중치 w 초기화
___Step 3. 가중치 w를 반복해서 수정
Lesson 5-11 과적합과 드롭아웃
___과적합의 예
___과적합을 방지하는 드롭아웃
___드롭아웃의 장점
Lesson 5-12 합성곱의 더 자세한 정보
___합성곱층 vs. 완전 연결 계층
___깊고 작은 국소 수용 영역 vs. 얕고 넓은 수용 영역
COLUMN 5 GPU를 이용한 학습

▣ 6장: 딥러닝의 응용
Lesson 6-1 순환 신경망（RNN）
___RNN의 특징
___RNN에 의한 정보의 전개
Lesson 6-2 LSTM 신경망
___LSTM의 특징
Lesson 6-3 GRU(Gated Recurrent Unit)
___GRU의 특징
___더 효율적으로 기억할 수 있다
Lesson 6-4 RNN 언어 모델
___다음에 어떤 단어가 올지 추측한다
Lesson 6-5 Sequence-To-Sequence 모델
___시퀀스-투-시퀀스 모델의 특징
Lesson 6-6 어텐션(Attention)
___어텐션의 특징
COLUMN 6 하향식과 상향식