신경망 교과서

1장 머신 러닝과 신경망 개론
__1.1 머신 러닝이란?
____1.1.1 머신 러닝 알고리즘
____1.1.2 머신 러닝 워크플로
__1.2 머신 러닝 환경 셋업
__1.3 신경망
____1.3.1 신경망이 뛰어난 이유
____1.3.2 신경망 기본 아키텍처
____1.3.3 파이썬만으로 신경망 만들기
____1.3.4 딥러닝과 신경망
__1.4 판다스: 파이썬 데이터 분석 도구
____1.4.1 판다스 DataFrame
____1.4.2 판다스를 활용한 데이터 시각화
____1.4.3 판다스를 활용한 데이터 전처리
__1.5 텐서플로와 케라스
____1.5.1 케라스의 기본 빌딩 블록
____1.5.2 케라스로 신경망 만들기
__1.6 기타 파이썬 라이브러리
__1.7 마무리

2장 다중 레이어 퍼셉트론을 사용한 당뇨 예측
__2.1 실습 환경 설정
__2.2 당뇨병 예측
__2.3 의료 분야의 인공 지능
____2.3.1 진단 자동화
__2.4 당뇨병 데이터셋
__2.5 탐색적 데이터 분석
__2.6 데이터 전처리
____2.6.1 결측값 처리
____2.6.2 데이터 표준화
____2.6.3 데이터셋 분할
__2.7 다중 레이어 퍼셉트론
____2.7.1 모델 아키텍처
__2.8 케라스 모델 만들기
____2.8.1 모델 구성
____2.8.2 모델 컴파일
____2.8.3 모델 훈련
__2.9 결과 분석
____2.9.1 테스트 정확도
____2.9.2 혼동 행렬
____2.9.3 ROC 곡선
____2.9.4 모델 개선
__2.10 마무리
__2.11 복습

3장 심층 전방향 신경망을 사용한 택시 요금 예측
__3.1 실습 환경 설정
__3.2 뉴욕시 택시 요금 예측
__3.3 뉴욕시 택시 요금 데이터셋
__3.4 탐색적 데이터 분석
____3.4.1 위치 데이터 시각화
____3.4.2 요일 및 시간별 승차 통계
__3.5 데이터 전처리
____3.5.1 결측값 및 이상치 처리
__3.6 특징 공학
____3.6.1 시간 관련 변수
____3.6.2 위치 특징 변수
__3.7 변수 스케일링
__3.8 심층 전방향 신경망
____3.8.1 모델 아키텍처
____3.8.2 회귀 손실 함수
__3.9 케라스로 모델 만들기
__3.10 결과 분석
__3.11 예제 코드 정리
__3.12 마무리
__3.13 복습

4장 컨볼루션 신경망을 사용한 이미지 분류
__4.1 실습 환경 설정
__4.2 컴퓨터 비전과 사물 인식
__4.3 사물 인식 기술 유형
__4.4 신경망에 이미지를 입력하는 방법
__4.5 CNN의 빌딩 블록
____4.5.1 필터링과 컨볼루션
____4.5.2 최대 풀링
__4.6 CNN의 기본 아키텍처
__4.7 최신 CNN 아키텍처
____4.7.1 LeNet(1998)
____4.7.2 AlexNet(2012)
____4.7.3 VGG16(2014)
____4.7.4 Inception(2014)
____4.7.5 ResNet(2015)
____4.7.6 CNN의 미래
__4.8 고양이 개 이미지 데이터셋
__4.9 케라스로 이미지 데이터를 다루는 방법
__4.10 이미지 증강
__4.11 모델 구성
____4.11.1 기본 CNN
____4.11.2 전이 학습
__4.12 결과 분석
__4.13 마무리
__4.14 복습

5장 오토인코더를 사용한 이미지 노이즈 제거
__5.1 실습 환경 설정
__5.2 오토인코더
__5.3 잠재 표현
__5.4 오토인코더를 사용한 데이터 압축
__5.5 MNIST 데이터셋
__5.6 기본 오토인코더
____5.6.1 케라스로 오토인코더 만들기
____5.6.2 은닉 레이어 크기가 오토인코더 성능에 미치는 영향
__5.7 오토인코더를 사용한 노이즈 제거
____5.7.1 심층 컨볼루션 오토인코더를 사용한 노이즈 제거
__5.8 오토인코더를 사용한 문서 노이즈 제거
____5.8.1 기본 컨볼루션 오토인코더
____5.8.2 심층 컨볼루션 오토인코더
__5.9 마무리
__5.10 복습

6장 LSTM을 사용한 영화 리뷰 감성 분석
__6.1 실습 환경 설정
__6.2 시퀀스 문제
__6.3 자연어 처리와 감성 분석
____6.3.1 감성 분석이 어려운 이유
__6.4 RNN 신경망
____6.4.1 RNN의 내부 구조
____6.4.2 RNN의 단기 의존성과 장기 의존성
____6.4.3 경사 소실 문제
__6.5 LSTM 신경망
____6.5.1 LSTM의 원리
____6.5.2 LSTM 신경망의 내부
__6.6 IMDb 영화 리뷰 데이터셋
__6.7 단어의 벡터 표현
____6.7.1 원핫 인코딩
____6.7.2 단어 임베딩
__6.8 모델 아키텍처
____6.8.1 입력
____6.8.2 단어 임베딩 레이어
____6.8.3 LSTM 레이어
____6.8.4 밀집 레이어
____6.8.5 출력
__6.9 모델 구성
____6.9.1 데이터 입수
____6.9.2 제로 패딩
____6.9.3 단어 임베딩 레이어와 LSTM 레이어
____6.9.4 모델 컴파일 및 훈련
__6.10 결과 분석
____6.10.1 혼동 행렬
__6.11 예제 코드 정리
__6.12 마무리
__6.13 복습

7장 샴 신경망을 사용한 안면 인식
__7.1 실습 환경 설정
__7.2 안면 인식 시스템
__7.3 얼굴 검출과 얼굴 인식
____7.3.1 얼굴 검출
____7.3.2 얼굴 인식
__7.4 얼굴 인식 시스템 요구 사항
____7.4.1 속도
____7.4.2 확장성
____7.4.3 적은 데이터로 높은 정확도 보장
__7.5 원샷 학습
____7.5.1 벡터 간 유클리드 거리
__7.6 샴 신경망
__7.7 대조 손실
__7.8 얼굴 데이터셋
__7.9 케라스 샴 신경망
__7.10 모델 훈련
__7.11 결과 분석
__7.12 예제 코드 정리
__7.13 실시간 안면 인식 프로그램
____7.13.1 온보딩 과정
____7.13.2 얼굴 인식 및 인증
____7.13.3 안면 인식 고도화
__7.14 마무리
__7.15 복습

8장 신경망과 인공 지능의 미래
__8.1 요약
____8.1.1 머신 러닝과 신경망 개론
____8.1.2 다중 레이어 퍼셉트론을 사용한 당뇨 예측
____8.1.3 심층 전방향 신경망을 사용한 택시 요금 예측
____8.1.4 컨볼루션 신경망을 사용한 이미지 분류
____8.1.5 오토인코더를 사용한 이미지 노이즈 제거
____8.1.6 LSTM을 사용한 영화 리뷰 감성 분석
____8.1.7 샴 신경망을 사용한 안면 인식
__8.2 최신 신경망 기술
____8.2.1 GAN 신경망
____8.2.2 심층 강화 학습
__8.3 신경망의 한계
__8.4 인공 지능과 머신 러닝의 미래
____8.4.1 범용 인공 지능
____8.4.2 머신 러닝 자동화
__8.5 머신 러닝의 최신 기술을 습득하려면
____8.5.1 기술 서적
____8.5.2 연구 논문
____8.5.3 데이터셋을 다루는 연습
__8.6 머신 러닝 도구
__8.7 마무리

찾아보기