딥러닝과 빅데이터 산업동향

제1장 딥러닝과 빅데이터
1. 빅데이터와 머신러닝
1-1. 빅데이터와 인공지능
1-1-1. 빅데이터의 중요성
1-1-2. 빅데이터의 분석 기법
가. 텍스트 마이닝(Text Mining)
나. 오피니언 마이닝(Opinion Mining), 감성분석(Sentiment Analysis)
다. 소셜네트워크 분석(Social Network Analytics)
라. 군집분석(Cluster Analysis)
1-1-3. 빅데이터와 인공지능의 결합
1-1-4. 인공지능(Artificial Intelligence, AI)
가. 인공지능의 개념과 정의
나. 인공지능의 역사
다. 인공지능의 분류
다-1. 약인공지능(ANI, Artificial Narrow Intelligence)
다-2. 강인공지능(AGI, Artificial General Intelligence)
다-3. 초인공지능(ASI, Artificial Super Intelligence)
라. 인공지능의 쟁점
라-1. 인공지능에 대한 긍정론
라-2. 인공지능에 대한 회의론
1-2. 머신러닝(machine learning)
1-2-1. 머신러닝의 개요
1-2-2. 머신러닝의 학습 원리
1-2-3. 머신러닝의 분석 기법
가. 지도학습(supervised learning)
나. 비지도학습(unsupervised learning)
다. 반지도학습(Semi-Supervised Learning)
라. 강화 학습(Reinforcement Learning)
1-2-4. 머신러닝과 빅데이터
2. 딥러닝(Deep Learning)
2-1. 딥러닝(Deep Learning)의 개요 및 정의
2-1-1. 딥러닝의 개요 및 정의
2-1-2. 딥러닝 개발 배경 및 역사
2-1-3. 딥러닝의 동작원리
2-2. 기계학습과 심화학습
2-2-1. 기계학습의 역사
가. 인간의 뇌와 기계학습
나. 기계학습(machine learning)의 개요
2-2-2. 기계학습의 기본 원리
가. 학습 영역
나. 인식 영역
2-2-3. 기계학습 분류
가. 지도학습(Supervised Learning)
나. 비지도학습(Unsupervised Learning)
2-2-4. GPU(Graphics Processing Unit)와 CPU(Central Processing Unit)
가. CPU(Central Processing Unit, 중앙처리장치)
나. GPU(Graphics Processing Unit, 그래픽 처리 장치)
2-3. 딥러닝 연구 분야
2-3-1. 인공신경망(artificial neural networks)
가. 인경신경망의 개요
나. 인경신경망의 구조
다. 인공신경망 학습 알고리즘
다-1. 퍼셉트론(Perceptron)
다-2. 다층퍼셉트론
다-3. 역전파 알고리즘(Back propagation)
2-3-2. 딥러닝 핵심 기술
가. 심층신경망(Deep neural networks)
가-1. 사전학습(pre-traning)
가-2. Dropout
나. 컨볼루션 네트워크(CNN, convolutional neural networks, 회선 신경 네트워크)
다. 순환형 신경 네트워크(Recurrent neural networks)
2-3-3. 음성인식
2-3-4. 이미지 인식
2-3-5. 자연어처리

제2장 딥러닝과 빅데이터 기술동향
1. 딥러닝과 머신러닝 응용 분야
1-1. 딥러닝과 머신러닝의 활용 사례 및 응용 분야
1-1-1. 사이버범죄 및 사기방지 분야
1-1-2. 정보 유출 및 보안 분야
1-1-3. 타겟팅€광고(개인 광고) 분야
1-1-4. 콘텐츠 추천
1-1-5. 자동차€품질€개선 및 자율자동차
1-1-6. 마케팅€분야
1-1-7. 의료 분야
1-1-8. 금융 분야
2. 딥러닝과 머신러닝 업체별 기술동향
2-1. 구글
2-1-1. 텐서플로우(Google TensorFlow)
2-1-2. 알파고
2-1-3. 구글 자율자동차
2-1-4. 구글의 구글나우(Google Now)
2-2. 마이크로소프트
2-2-1. 애저 ML 스튜디오(Microsoft Azure ML Studio)
2-2-2. DMLT(Distributed Machine Learning Toolkit)
2-2-3. CNT(Computational Network Toolkit)
2-2-4. 코타나
2-2-5. Adam
2-3. 아마존
2-3-1. AML(Amazon Machine Learning)
2-3-2. 에코
2-4. 페이스북
2-4-1. 딥페이스
2-4-2. 페이스북 M
2-5. IBM
€2-5-1. 왓슨(Watson)
2-6. 넷플릭스(Netflix)
2-7. 페이팔
2-8. 애플
2-8-1. 시리
2-9. 알리바바
2-9-1. 타오바오
2-10. 텐센트
2-11. 바이두
2-12. 퀄컴

제3장 국내외 인공지능 동향 및 시장 전망
1. 국내 동향
1-1. 국내 인공지능 동향
1-1-1. ETRI
1-1-2. 삼성
1-1-3. 네이버
1-1-4. 현대자동차
1-1-5. 솔트룩스
1-1-6. 루닛(Lunit)
1-1-7. 뷰노(VUNO)
1-1-8. 솔리드웨어
1-1-9. 스탠다임(Standigm)
1-1-10. 유비파이(UVify)
2. 해외 동향
2-1. 미국
2-2. 일본
2-3. 중국의 인공지능 시장 발전 현황
2-4. EU
3. 시장 전망
3-1. 국내외 시장 전망
3-1-1. 국내외 인공지능 시장 규모
3-1-2. 특허동향
3-1-3. 빅데이터 시장 전망

참고 문헌

그림 목차
[그림 1] 빅데이터의 비전
[그림 2] 국내 기업의 빅데이터 도입률
[그림 3] 국내 빅데이터 시장규모
[그림 4] 빅데이터 시장 전망 추이
[그림 5] 빅데이터 분석기술
[그림 6] 데이터 마이닝의 의미
[그림 7] 텍스트마이닝 프로세스 절차도
[그림 8] 오피니언 마이닝(Opinion Mining)
[그림 9] 소셜 분석 구성도
[그림 10] Twitter Browser
[그림 11] K-means 알고리즘
[그림 12] 빅데이터 지식처리 인공지능 SW의 개념도
[그림 13] 데이터 분석의 분류
[그림 14] 빅데이터와 인공지능
[그림 15] 인공지능, 머신러닝, 딥러닝 개념도
[그림 16] 튜링 기계 개념
[그림 17] 인공지능의 기초, 트리 탐색
[그림 18] computer€science와€information€science의€계통도
[그림 19] 인공지능 기술의 분류
[그림 20] 몬테카를로 트리 서치
[그림 21] 몬테카를로 트리 서치에 따른 알파고의 바둑 진행 예측
[그림 22] 인공지능의 지속적인 성장
[그림 23] 레이 커즈와일이 언급한 연산 능력의 기하급수적 성장 곡선
[그림 24] 컴퓨터에 의한 직업의 대체 가능성
[그림 25] 머신러닝 개념
[그림 26] 머신러닝 학습 시스템의 기본 모델
[그림 27] 머신러닝의 과정
[그림 28] 학습에서 예측으로 이어지는 머신러닝의 프로세스 개념도
[그림 29] 지도학습
[그림 30] 강화학습
[그림 31] 딥러닝 개요
[그림 32] 딥러닝 사물 인식 과정
[그림 33] 인공지능의 역사 및 딥러닝의 혁신
[그림 34] 인공지능 발전 과정과 딥러닝의 추세
[그림 35] 딥러닝의 역사
[그림 36] 딥러닝의 구조
[그림 37] 깊은 신경망 인식과정
[그림 38] 빅데이터와 딥러닝
[그림 39] HTM 네트워크 알고리즘
[그림 40] 시냅스
[그림 41] 인공신경망
[그림 42] 뉴럴 네트워크 구조
[그림 43] 딥러닝의 역사
[그림 44] 인간의 신경망을 모방한 인공지능 신경망
[그림 45] 기계학습의 원리
[그림 46] 학습과정의 예
[그림 47] 인식과정의 예
[그림 48] 고양이를 인식하는 과정
[그림 49] CPU 처리 과정
[그림 50] CPU와 GPU
[그림 51] 기계학습 애플리케이션
[그림 52] GPGPU
[그림 53] 신경세포의 구성과 인공신경망
[그림 54] 인공신경망의 구조와 패턴인식 과정
[그림 55] 인공신경망 기본 형태
[그림 56] 퍼셉트론 구조
[그림 57] 선형 분류 가능 분포와 선형 분류 불가능 분포(XOR)
[그림 58] 단층퍼셉트론과 다층퍼셉트론
[그림 59] 선형 맞춤(linear fitting)과 비선형 변환(nonlinear transformation or activation)
[그림 60] 다층퍼셉트론 구조
[그림 61] 3층 구조를 가진 다층퍼셉트론
[그림 62] 역전파 알고리즘의 학습 과정
[그림 63] 사라지는 경사 현상
[그림 64] DNN에서 세 개의 숨겨진 층을 갖는 심층신경망 생성 과정
[그림 65] 인공신경망과 심층신경망의 차이
[그림 66] 심층신경망(DNN) 알고리즘
[그림 67] 심층 신경망 인식 과정
[그림 68] 심층망 학습을 위한 사전학습
[그림 69] Algorithm of conventional Dropout and Random Dropout
[그림 70] 물체인식에 사용된 CNN
[그림 71] 컨볼루션 신경망의 일반 구조
[그림 72] convolution 신경망
[그림 73] CNN 작동원리
[그림 74] Convolutional Neural Network의 구조
[그림 75] Convolution layer
[그림 76] Max-pooling Layer
[그림 77] 기존 신경망과 Recurrent neural networks의 구조
[그림 78] 매순간의 인공신경망을 쌓아 올린 리커런트 뉴럴 네트워크
[그림 79] 순환신경망(좌)과 LSTM(우) 비교
[그림 80] LSTM의 구조(좌) 및 동작(우)
[그림 81] 음성인식
[그림 82] 음성 언어기술의 융합성, 확장성
[그림 83] 음성인식 기술의 원리
[그림 84] 음성인식기 기본 구조
[그림 85] 음성인식 기술 분류
[그림 86] 음성인식 기술의 발전 방향
[그림 87] 음성인식 시스템
[그림 88] 인공지능 패러다임의 변화
[그림 89] CNN 추출된 특징맵의 모습
[그림 90] 딥러닝 알고리즘을 활용한 얼굴인식 프로세스
[그림 91] 얼굴인식 과정 예시
[그림 92] 딥러닝을 이용한 이미지 인식
[그림 93] 이미지 인식을 위한 구글의 심화학습
[그림 94] 페이스북 딥페이스 동작 원리 모습
[그림 95] 문장 해석
[그림 96] 자연언어처리를 위한 인공지능 기법
[그림 97] FDS에서 분석 및 탐지기능의 범위와 머신러닝
[그림 98] 페이팔의 딥러닝 방식 적용
[그림 99] 룰 기반 FDS와 딥러닝 기반 FDS
[그림 100] 개인 관심사 기반 광고 추천 방식
[그림 101] 콘텐츠 추천
[그림 102] 미래 머신러닝으로 작동하는 구글차
[그림 103] 아마존의 온라인 쇼핑 절차
[그림 104] 의료 분야에서의 IBM 왓슨 활용 개념도
[그림 105] 인공지능 기반 헬스케어 서비스
[그림 106] 딥러닝 기술을 이용한 금융시장 예측
[그림 107] 텐서플로우 시뮬레이터 화면
[그림 108] 구굴의 이미지를 문장으로 묘사해내는 기술
[그림 109] 구글의 자율자동차
[그림 110] 구글 나우
[그림 111] 옥스포드 프로젝트
[그림 112] Microsoft Azure 기계학습 스튜디오 기능 개요
[그림 113] GUI기반의 머신러닝 알고리즘 구성 예
[그림 114] 마이크로소프트의 애저(Azure) 머신러닝
[그림 115] CNTK 구조
[그림 116] 아마존 웹서비스
[그림 117] Amazon.com 추천서비스에 의한 판매 예시
[그림 118] 비서 서비스 알렉사(Alexa)가 장착된 스피커 ‘에코(Echo)’
[그림 119] 페이스북 딥페이스 동작 원리
[그림 120] 페이스북 M 구동 이미지
[그림 121] IBM mapping the path to cognitive computing
[그림 122] 왓슨의 Deep Q&A 기술
[그림 123] 왓슨 온콜리지 의료진단지원 과정
[그림€124]€넷플릭스의€콘텐츠€추천€방법
[그림 125] 개인화된 페이지 구성 예시
[그림 126] 넷플릭스의 추천의 요소들
[그림 127] 페이팔의 딥러닝을 이용한 기술
[그림 128] 시리의 정보 제공
[그림 129] 타오바오 이미지 검색
[그림 130] 텐센트의 전략
[그림 133] Qualcomm Zeroth Machine intelligence Platform
[그림 134] 퀄컴의 딥러닝 프로젝트
[그림 135] 지니톡
[그림 136] 엑소브레인 세부과제 구성
[그림 137] 인공지능이 자연어의 문장구조를 파악하는 알고리즘
[그림 138] 삼성의 s보이스
[그림 139] 네이버의 자동검색기능
[그림 140] 현대기아차의 ‘커넥티드 카’ 4대 중점 분야
[그림 141] 인공지능의 개념-솔트룩스에서 개발한 인공두뇌 ‘아담’
[그림 142] 루닛의 딥러닝 데모
[그림 143] Weakly Supervised Learning€알고리즘- 사진에서 자전거 위치 인식하기
[그림 144] VUNO-Med 를 통한 폐질환 이미지 분석
[그림 145] SoildCore Algorithm training
[그림 146] 미국 Brain Initiative 개요
[그림 147] 인간 모습과 유사한 일본 로봇
[그림 148] 일본의 대화형 로봇 시장 규모 추이
[그림 150] 인공지능의 세계 시장규모 전망
[그림 151] 음성인식
[그림 152] 인공지능이 만드는 새로운 시장
[그림 153] 세계 스마트머신 시장 규모 전망
[그림 154] 인공지능 관련 벤처투자 규모 추이
[그림 156] 인공지능 기술의 연도별 특허건수 및 검색 DB별 특허건수
[그림 157] 주요 출원인 현황
[그림 158] 최근 10년간 국내 특허 출원
[그림 159] 국내 빅데이터 기술 및 서비스 시장 전망

표 목차
[표 1] 데이터 분석의 차이
[표 2] 비정형 데이터 분석 기법
[표 3] 군집 분석의 기법
[표 4] 군집 유형
[표 5] 주요 연구자 및 기관에서 보는 인공지능에 대한 정의
[표 6] 인공지능 발전의 역사
[표 7] 인공지능의 역사
[표 8] 인공지능의 3단계
[표 9] 인간과 인공지능의 대결 역사
[표 10] 인공지능의 대표적인 응용 분야
[표 11] 인공지능으로 대체될 수 있는 직업과 대체할 수 없는 직업
[표 12] 인공지능의 주요 분야
[표 13] 지도학습 원리 및 머신러닝 기범의 종류
[표 14] 지도학습과 비지도학습의 분석과 대표적인 알고리즘
[표 15] 비지도학습 모델과 주요 기술
[표 16] 머신러닝의 학습 방법
[표 17] 머신러닝 관련 주요 기업 동향
[표 18] 인공지능, 머신러닝, 딥러닝의 개념
[표 19] 딥러닝의 정의
[표 20] 딥러닝과 타 기계학습 알고리즘 비교
[표 21] 기계학습의 역사
[표 22] 기계학습의 응용 분야
[표 23] 기계학습 알고리즘
[표 24] 지도학습과 비지도학습 방법
[표 25] 딥러닝 주요 알고리즘
[표 26] 신경망의 발전 과정
[표 27] 자연신경망(a)와 인공신경망(b)의 비교
[표 28] 음성인식 기술의 역사 및 발전과정
[표 29] 음성인식의 특징
[표 30] 음성인식 기술의 현재와 미래
[표 31] 음성인식 상용화 사례
[표 32] 자연어처리 구성 및 처리 단계
[표 33] 이상금융거래 탐지 모델에 활용되는 머신러닝 알고리즘의 예
[표 34] 자율주행 자동차 관련 핵심 기술
[표 35] 의료분야에서 사용되는 디지털 헬스케어 플랫폼 기술 현황
[표 36] 온라인 로보어드바이저의 유형(미국)
[표 37] 주요 기업의 인공지능 분야 M&A
[표 38] 글로벌 주요 기업의 인공지능 플랫폼 현황
[표 39] 구글 알파고 기술 적용 분야
[표 40] 구글의 알파고
[표 41] 왓슨과 알파고
[표 42] 구글의 최근 인수업체 리스트
[표 43] 마이크로소프트의 최근 인수업체 리스트
[표 44] 아마존의 머신러닝 플랫폼
[표 45] 아마존 최근 인수업체 리스트
[표 46] 페이스북 최근 인수업체 리스트
[표 47] 왓슨의 적용 분야
[표 48] 인공지능 왓슨의 적용 사례
[표 49] 왓슨의 에코시스템의 주요 기능
[표 50] IBM 최근 인수업체 리스트
[표 51] 애플 최근 인수업체 리스트
[표 52] 음성인식 기술 비교
[표 53] 알리바바 최근 인수업체 리스트
[표 54] 텐센트 최근 인수업체 리스트
[표 55] 컴퓨터의 처리 방식
[표 56] 각국 정부의 인공지능 연구 투자 현황
[표 57] 인공지능에 뛰어든 국내 주요 중소기업·스타트업
[표 58] 국내 주요 인공지능 R&D 과제 현황, 엑소브레인 세부과제별 기술개발 내용 및 전략
[표 59] 주요 국가의 인공지능 투자 정책
[표 60] 중국의 인터넷기업 인공지능 투자 현황
[표 61] 각국의 인공지능 관련 시장 전망