Do it! 딥러닝 교과서 : 퍼셉트론부터 GAN까지 핵심 이론 총망라!

__01 딥러닝 개요
1.1 딥러닝이란?
1.2 인공 신경망의 탄생
1.3 딥러닝의 역사

__02 순방향 신경망
2.1 순방향 신경망의 구조와 설계 항목
2.2 분류와 회귀 문제
2.3 이진 분류 모델
2.4 다중 분류 모델
2.5 회귀 모델
2.6 입력 계층
2.7 활성 함수
2.8 신경망 모델의 크기
2.9 신경망 학습 관련 내용(*)

__03 신경망 학습
3.1 신경망 학습의 의미
3.2 신경망 학습과 최적화
3.3 경사 하강법
3.4 역전파 알고리즘
3.5 데이터셋 구성과 훈련 데이터 단위
3.6 손실 함수 정의(*)

__04 최적화
4.1 확률적 경사 하강법
4.2 SGD 모멘텀
4.3 네스테로프 모멘텀
4.4 AdaGrad
4.5 RMSProp
4.6 Adam

__05 초기화와 정규화
5.1 가중치 초기화
5.2 정규화
5.3 배치 정규화
5.4 가중치 감소

__06 콘벌루션 신경망
6.1 시각 패턴 인식을 위한 신경망 모델
6.2 콘벌루션 신경망의 구조
6.3 콘벌루션 신경망의 가정 사항
6.4 개선된 콘벌루션 연산
6.5 업샘플링 연산

__07 콘벌루션 신경망 모델
7.1 르넷-5
7.2 알렉스넷
7.3 제트에프넷
7.4 브이지지넷
7.5 구글넷
7.6 레즈넷
7.7 콘벌루션 신경망 비교
7.8 다양한 모델의 등장

__08 순환 신경망
8.1 기억을 갖는 신경망 모델 RNN
8.2 순환 신경망의 주요 모델
8.3 시간펼침 역전파
8.4 LSTM과 GRU
8.5 순환 신경망 개선

__09 생성 모델
9.1 생성 모델
9.2 VAE
9.3 GAN