책 이미지
책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 인공지능
· ISBN : 9791172240653
· 쪽수 : 280쪽
책 소개
목차
머리말
1장 인공지능 개요
1. 인공지능 역사
1-1. 인공지능의 탄생
1-2. 인공지능의 발전
1-3. 인공지능 트렌드
2. 인공지능의 개념
2-1. 인공지능(Artificial Intelligence)
2-2. 기계학습(Machine Learning)
2-3. 딥러닝(Deep Learning)
3. 인공지능의 분류
3-1. 기술적 관점
3-2. 구현 방식에 따른 관점
4. 인공지능 개발 환경
2장 기계학습
1. 기계학습 개요
2. 기계학습 과정
2-1. 데이터 수집
2-2. 데이터 전처리
2-3. 데이터 가공
2-4. 학습 모델 선택과 모델 훈련
3장 딥러닝과 인공 신경망
1. 인공 신경망 개요
1-1. 뉴런 및 신경망 구조
1-2. 가중치와 편향
1-3. 활성화 함수
1-4. 학습 알고리즘
1-5. 손실 함수
1-6. 신경망 종류
2. 퍼셉트론
2-1. 퍼셉트론: AND 문제
2-2. 퍼셉트론: AND 문제 해결 과정
3. 심층 신경망 - 딥러닝
4. CNN(Convolutional Neural Network, 합성곱 신경망)
5. RNN(Recurrent Neural Network, 순환 신경망)
6. 트랜스포머(Transformer)
7. 욜로(Yolo)
4장 자연어 처리(Natural Language Processing)
1. 자연어 처리 개요
1-1. 자연어 이해(NLU, Natural Language Understanding)
1-2. 자연어 생성(NLG, Natural Language Generation)
1-3. 형태소 분석
1-4. 표제어 추출
1-5. 구문 분석
1-6. 기계 번역
2. 자연어 이해(Natural Language Understanding)
2-1. 형태소 분석
2-2. 표제어 추출
2-3. 구분 분석
3. 자연어 생성(Natural Language Generating)
3-1. 자연어 생성 방법
3-2. 자연어 생성 과정
4. 자연어 번역
4-1. 번역 모델
5장 컴퓨터 비전
1. 컴퓨터 비전 개요
2. 컴퓨터 비전의 발전 과정
3. 이미지 처리
3-1. 이미지 처리 과정
3-2. 이미지 처리 분야
4. 객체 인식
4-1. 데이터 가공을 위한 이미지 라벨링 종류
5. 이미지 생성
5-1. 생성형 적대 신경망(GAN, Generative Adversarial Network)
5-2. VAE(Variational Auto Encoder)
5-3. 뉴럴 변환(Neural Style Transfer)
5-4. 슈퍼 레졸루션(Super Resolution)
6장 대표적인 기계학습 라이브러리
1. 사이킷 런(Scikit-Learn)
1-1. 사이킷 런의 대표적인 특징
1-2. 사이킷 런의 설치와 사용
2. 케라스(Keras)
2-1. 케라스의 대표적인 특징
2-2. 케라스의 설치와 사용
3. 텐서플로(TensorFlow)
3-1. 텐서플로의 대표적인 특징
3-2. 텐서플로의 설치와 사용
4. 파이토치(PyTorch)
4-1. 파이토치의 특징
4-2. 파이토치의 설치와 사용
참고 자료
저자소개
책속에서
인공지능은 데이터에 기반하여 학습한 내용을 토대로 예측 혹은 판단하는 것으로 정의할 수 있습니다. 앨런이 만든 기계의 동작 원리도 암호 해독을 위한 기본적인 내용을 학습하고, 이것을 중심으로 독일군의 정교한 암호 체계인 에니그마를 무력화하는 튜링 머신을 완성하였습니다.
KNN은 이해하기 쉽고 간단한 원리로 동작하며, 데이터의 분포에 크게 영향을 받기 때문에 이상치나 노이즈에 민감하게 동작합니다. 예측 시에 데이터 값들 간의 거리를 매번 계산해야 하기 때문에 많은 자원을 사용하게 됩니다. 그리고 가장 중요한 하이퍼 파라메터인 K값을 적절히 선택해야 합니다. 분류 문제의 경우, K값은 홀수로 지정해야 다수결로 결정할 수 있게 되어, 보통 K값은 3 이상의 홀수로 지정하게 됩니다.
Q-Learning은 강화학습의 기본 알고리즘입니다. 에이전트가 환경과 상호 작용하며, 어떤 상태에서 어떤 행동을 선택해야 하는지를 학습하는 방법입니다. Q-Learning은 상태-행동 공간을 탐험하면서 최적의 정책을 찾는 데 중점을 두고 있습니다. 이를 통해 에이전트는 최적의 행동을 선택하여 누적 보상을 최대화하도록 학습합니다.