딥러닝의 최신 트렌드

Chapter 01 딥러닝의 기본
01 퍼셉트론(Perceptron)과 엣지(Edge)
02 인공신경망(Artificial Neural Network)
03 손실 함수(Loss Function)
04 학습 과정
05 딥러닝의 부상
06 심층신경망(Deep Neural Network)
07 합성곱신경망(Convolutional Neural Network)
08 순환신경망(Recurrent Neural Network)
09 적대적생성신경망(Generative Adversarial Network)
10 강화 학습(Reinforcement Learning)
11 어텐션 메커니즘(Attention Mechanism)
[Plus Tip] 딥러닝의 3대 석학

Chapter 02 딥러닝의 한계
01 딥러닝과 데이터
02 데이터의 가치
03 데이터와 개인정보
04 데이터의 수집과 알고리즘의 편향
05 지속적인 학습에 대한 어려움
06 지식 전이와 전이 학습
07 딥러닝과 컴퓨팅 파워
08 인공신경망의 학습과 최적의 모델
09 인공신경망의 가중치와 설명 가능성
10 좁은 인공지능과 범용 인공지능
[Plus Tip] 범용 인공지능의 시대는 언제 올 것인가?

Chapter 03 딥러닝의 표현 학습
01 풀어진 표현(Disentangled Representation)
02 확률 분포와 함수
03 확률의 가능도와 딥러닝의 확률 분포
04 베이즈 정리와 추론
05 변분 오토인코더(VAE)
06 풀어진 표현 학습
07 풀어진 표현 학습의 방법론
08 풀어진 표현과 비지도 학습
09 풀어진 표현 학습의 활용
[Plus Tip] 비지도 학습의 맹점

Chapter 04 딥마인드의 알파스타
01 알파스타(AlphaStar)의 시작
02 알파스타와 알파고의 차이점
03 알파스타의 인공지능 알고리즘과 학습 방법
04 알파스타의 입력과 출력
05 알파스타의 지도 학습과 에이전트
06 알파스타의 강화 학습
07 알파스타의 리그 학습
08 알파스타의 지도 학습 알고리즘(트랜스포머)
09 알파스타의 지도 학습 알고리즘(포인터 네트워크)
10 알파스타의 강화 학습 알고리즘(정책과 가치)
11 알파스타의 강화 학습 알고리즘(정책 변화도)
12 알파스타의 강화 학습 알고리즘(액터-크리틱)
13 알파스타의 강화 학습 알고리즘(오프 폴리시 액터-크리틱)
14 알파스타의 강화 학습 알고리즘(경험 리플레이)
15 알파스타의 강화 학습 알고리즘(자가 모방 학습)
[Plus Tip] 게임 인공지능

Chapter 05 딥러닝의 한계를 뛰어넘는 최신 기술
01 메타 학습(Meta-Learning)
02 원샷 학습(One-Shot Learning)
03 지속적인 학습(Continual Learning)
04 신경망 구조 탐색(Neural Architecture Search)
05 스파이킹 신경망(Spiking Neural Network)
06 활성 학습(Active Learning)
07 그래프 신경망(Graph Neural Network)
08 메모리 네트워크(Memory Network)
09 뉴럴 튜링 머신(Neural Turing Machine)
10 BERT 모델
11 생성적 사전 학습 모델
12 캡슐 네트워크(Capsule Network)
[Plus Tip] 인공지능의 미중 기술 패권

Chapter 06 딥러닝의 효율을 향상시키는 다양한 기술
01 딥러닝의 학습용 하드웨어
02 딥러닝의 추론용 하드웨어
03 딥러닝의 계산 효율과 정밀도
04 모바일 네트워크(Mobile Network)
05 네트워크 프루닝(Network Pruning)
06 심층 압축(Deep Compression)
07 이진신경망(Binary Neural Network)
08 Once For All 신경망
09 인공신경망의 지식 증류
10 딥러닝 하드웨어의 성능 측정(MLPerf)
[Plus Tip] 딥러닝과 슈퍼 컴퓨터