책 이미지
책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 컴퓨터 공학 > 자료구조/알고리즘
· ISBN : 9791186710524
· 쪽수 : 320쪽
· 출판일 : 2019-08-13
책 소개
목차
Chapter 1. 딥러닝을 배우기 전 알아 둬야 할 머신러닝과 신경망 이야기
Q 생각해보기
1.1 어떤 동작을 ‘똑똑’하다고 할까
1.1.1 일반적인 시스템 개발과 인공지능 시스템 개발의 차이
1.1.2 데이터를 ‘학습’한다는 의미
1.1.3 지금까지의 인공지능 연구와 성과
1.2 머신러닝의 사고방식
1.2.1 지도 학습, 비지도 학습, 강화 학습
1.2.2 머신러닝의 장점과 한계
1.2.3 가볍게 살펴보는 머신러닝 사례
1.3.3 작은 크기의 신경망부터 구성
1.3 신경망
1.3.1 신경망과 딥러닝
1.3.2 신경망의 동작 살펴보기
1.4 파이썬 기초
1.4.1 개발 목적에 적합한 프로그래밍 언어 선택하기
1.4.2 파이썬의 특징
1.4.3 파이썬 개발 환경 설치
1.4.4 파이썬의 숫자 타입과 산술 연산자
1.4.5 변수, 리스트, 튜플
1.4.6 조건문과 반복문
1.4.7 함수, 클래스, 객체
1.4.8 스크립트 파일 사용
1.4.9 라이브러리 사용
연습 문제 ①, ②
Chapter 2. 수열, 통계, 확률 근거에 따라 결정하는 방법
Q 생각해보기
2.1 대량의 데이터를 다루는 수열과 집합
2.1.1 수열 표현과 점화식
2.1.2 수열의 합과 시그마
2.1.3 수열을 다루는 리스트와 리스트 내포
2.1.4 집합
2.1.5 평균, 분산, 표준편차
2.1.6 데이터의 표준값
2.1.7 데이터의 분포
2.2 답이 정확한지 확인하는 확률
2.2.1 확률의 개념
2.2.2 확률변수와 확률분포
2.2.3 결합확률과 조건부확률
2.2.4 베이즈 정리
2.3 대량의 데이터에서 추정하는 방법
2.3.1 표본 추정
2.3.2 표본을 추출할 때 사용하는 난수
2.3.3 확률분포 추정
연습 문제 ③, ④
Chapter 3. 벡터와 행렬 - 다양한 입출력을 한꺼번에 처리
Q 생각해보기
3.1 데이터를 일렬로 정리하는 벡터
3.1.1 스칼라, 벡터, 행렬, 텐서
3.1.2 벡터의 합, 차, 크기
3.1.3 벡터의 내적
3.2 다차원 데이터를 다루는 행렬
3.2.1 행렬의 덧셈과 곱셈
3.2.2 전치행렬과 역행렬
3.2.3 행렬의 사상과 연립방정식
연습 문제 ⑤, ⑥
Chapter 4. 함수와 미분 - 최적값에 수렴하는 방법
Q 생각해보기
4.1 입력으로 출력을 결정하는 함수
4.1.1 대응표와 함수의 그래프
4.1.2 지수함수와 로그함수
4.1.3 오차의 최솟값 계산
4.2 미분으로 그래프의 접선 계산
4.2.1 접선의 기울기
4.2.2 복잡한 함수의 미분
4.2.3 미분 가능 함수
4.3 여러 개 변수를 미분하는 편미분
4.3.1 편미분과 기울기 벡터
4.3.2 다변수 함수의 최솟값 계산 조건
연습 문제 ⑦, ⑧
Chapter 5. 예측과 최적화 - 학습으로 결과 도출
Q 생각해보기
5.1 데이터로 예측하는 회귀분석과 로지스틱 회귀
5.1.1 1차함수를 이용한 예측
5.1.2 회귀분석
5.1.3 다중회귀분석과 확률적 경사하강법
5.1.4 로지스틱 회귀
5.2 신경망의 손실함수 최적화
5.2.1 역전파
5.3 학습 모델 평가
5.3.1 교차 검증
5.3.2 과대적합을 막는 학습
연습 문제 ⑨, ⑩
Chapter 6. 신경망과 딥러닝 - 정확도 향상과 이미지 인식 등의 응용
Q 생각해보기
6.1 과거 신경망의 문제점
6.1.1 기울기 소실 문제와 활성화 함수
6.1.2 가중치의 초깃값을 정하는 오토 인코더
6.1.3 과대적합과 드롭아웃
6.2 합성곱 신경망
6.2.1 이미지 데이터의 특징 표현
6.2.2 합성곱층
6.2.3 풀링층
6.2.4 합성곱 신경망의 학습
6.2.5 데이터 확장에 따른 이미지 추가와 전이 학습
6.2.6 생성적 적대 신경망
6.2.7 미니배치 학습과 배치 정규화
6.3 순환 신경망과 재귀 신경망
6.3.1 학습 데이터가 변하는 신경망
6.3.2 LSTM과 GRU
연습 문제 ⑪
Chapter 7. 강화 학습 - 스스로 학습하는 인공지능 구축
Q 생각해보기
7.1 몬테카를로 방법과 동적 계획법
7.1.1 결과 평가의 가치 추정
7.1.2 마르코프 결정 과정의 모델링
7.1.3 몬테카를로 방법을 이용한 학습
7.1.4 동적 계획법과 벨만 방정식
7.2 On-policy 학습과 Off-policy 학습
7.2.1 시간차 학습
7.2.2 Sarsa 학습
7.2.3 Q 학습
7.3 심층강화학습
7.3.1 강화 학습과 신경망의 결합
7.3.2 새롭게 등장할 심층 강화 학습 이론
연습 문제 ⑫
연습 문제 해답
