책 이미지
책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 프로그래밍 언어 > 파이썬
· ISBN : 9791188621354
· 쪽수 : 416쪽
· 출판일 : 2018-12-18
책 소개
목차
CHAPTER 1 머신러닝 소개 1
머신러닝이란? 2
다양한 머신러닝 접근법 3
지도학습 3
비지도학습 6
강화학습 7
머신러닝에 꼭 필요한 것들 8
유명한 기법 / 알고리즘의 간단한 소개 12
실생활에 적용하기 25
유명한 오픈소스 패키지 27
요약 34
CHAPTER 2 뉴럴 네트워크 35
왜 뉴럴 네트워크인가? 36
뉴럴 네트워크의 기본 37
뉴런과 레이어 38
활성화 함수의 종류 43
역전파 알고리즘 48
현업에서의 활용 사례 57
뉴럴 네트워크에 대한 XOR 함수의 사용 예시 58
요약 65
CHAPTER 3 딥러닝 기초 67
딥러닝이란? 68
기본 개념 70
특징 학습 71
딥러닝 알고리즘 80
딥러닝 사용 예시 81
음성 인식 81
객체 인식과 분류 83
GPU vs. CPU 86
인기 많은 오픈소스 라이브러리 ─ 소개 88
테아노 88
텐서플로 88
케라스 89
케라스를 사용한 간단한 딥 뉴럴 네트워크 코드 샘플 90
요약 96
CHAPTER 4 비지도 특징 학습 99
오토인코더 101
네트워크 디자인 105
오토인코더의 정규화 테크닉 108
오토인코더 요약 114
제한적 볼츠만 머신 115
홉필드 네트워크와 볼츠만 머신 117
볼츠만 머신 120
제한적 볼츠만 머신 122
텐서플로로 향상시키기 124
딥 빌리프 네트워크 130
요약 131
CHAPTER 5 이미지 인식 135
인공모델과 생물학적 모델 사이의 유사성 136
직관적 이해와 정의 137
컨볼루션 레이어 139
컨볼루션 레이어에서의 보폭과 메우기 145
풀링 레이어 147
드롭아웃 149
딥러닝에서의 컨볼루션 레이어 150
테아노에서 컨볼루션 레이어 활용하기 151
케라스를 활용한 숫자 인식 컨볼루션 레이어 예제 153
케라스를 활용한 cifar10 컨볼루션 레이어 예제 157
사전 학습 159
요약 161
CHAPTER 6 순환 뉴럴 네트워크와 언어 모델 163
순환 뉴럴 네트워크 164
RNN ? 향상 방법과 훈련 방법 166
장단기 메모리 173
언어 모델링 176
단어 모델링 177
철자-기반 모델 182
음성 인식 191
음성 인식 전달 경로 191
음성 데이터 입력하기 192
전처리 193
음향 모델 194
디코딩 197
엔드-투-엔드 모델 198
요약 199
참고 문헌 199
CHAPTER 7 보드 게임에서의 딥러닝 205
AI로 게임을 하기 위한 초기 과정 208
게임 상황을 평가하기 위한 최소-최대 알고리즘 209
파이썬으로 틱-택-토 게임 실행하기 212
가치 함수 학습하기 222
인공지능에게 바둑 학습시키기 222
트리에 상한 신뢰 구간 적용하기 226
몬테카를로 트리 탐색에서의 딥러닝 236
강화학습에 대해 빠르게 훑어보기 237
정책 기울기를 위한 정책 강하법 238
알파고에서의 정책 기울기 247
요약 250
CHAPTER 8 컴퓨터 게임에 딥러닝 적용하기 251
지도학습으로 접근해 게임하기 251
유전 알고리즘을 적용한 게임 253
Q-러닝 254
Q-함수 256
Q-러닝 인 액션 257
동적인 게임 263
경험 재반복 268
엡실론 탐욕 271
아타리 벽돌 깨기 273
무작위 규칙을 통한 아타리 벽돌 깨기 274
스크린 전처리하기 276
딥 컨볼루션 네트워크 만들기 278
Q-러닝에서의 수렴 문제 284
정책 기울기 vs. Q-러닝 286
배우-비평가 방법 287
분산 축소를 위한 기준 288
일반화된 우위 예측기 289
비동기 방법들 290
모델-기반 접근 290
요약 293
CHAPTER 9 변칙 탐지 295
변칙과 변칙 탐지란 무엇인가? 296
변칙 탐지에 대한 실생활 응용 299
얕은 머신러닝 기법들 301
데이터 모델링 301
탐지 모델링 302
딥 오토인코더를 활용한 변칙 탐지 303
H2O 306
H2O로 시작하기 307
예시 308
MNIST 숫자 데이터에서의 변칙 탐지 308
요약 324
CHAPTER 10 모든 게 준비된 침입 탐지 시스템 만들기 327
데이터 제품이란 무엇인가? 328
트레이닝 330
웨이트 초기화 331
HOGWILD!를 활용한 병렬 SGD 333
적응형 학습 335
맵/리듀스를 통한 분산 학습 341
스파클링 워터 346
테스팅 348
모델 검증 355
하이퍼 파라미터 조정하기 364
엔드-투-엔드 평가 367
테스팅 요약 372
배포 373
POJO 모델 내보내기 373
변칙 점수 APIs 377
배포 요약 380
요약 381
찾아보기 384
저자소개
책속에서
강화학습의 간단한 예로 고전 게임 틱-택-토(tic-tac-toe)를 들 수 있다. 이 예시에서 게임판의 각 위치는 이전의 경험에 기반을 둔 상황에서 승리할 수 있는 확률(값)과 연관돼 있다. 게임 시작 시점에서는 어떤 위치에서든 이기거나 질 확률이 같기 때문에 각 상태의 확률값은 50%다. 보통 기계는 게임에서 승리하기 위해 높은 값을 갖고 있는 곳으로 위치를 옮기고, 만약 게임에서 지면 다시 평가한다. 각 위치에서 이미 결정된 규칙보다는 가능한 결과를 기반으로 의사결정을 한다. 이렇게 게임을 하는 동안 여러 상태에 대한 확률을 수정하며, 각 위치가 높은 확률인지 낮은 확률인지에 대한 결괏값을 내놓는다.
우리가 이해해야 할 일반적인 개념은 다음과 같다. 모든 뉴럴 네트워크는 함수의 근삿값이다. 그래서 원하는 함수와 각각의 뉴럴 네트워크는 몇 개의 값이 다르다. 이 값들을 에러라고 하며, 이 에러를 최소화하는 것이 목표다. 에러가 뉴럴 네트워크의 웨이트 함수라면, 웨이트 값에 따라 에러를 최소화하려고 한다. 에러 함수는 많은 웨이트의 함수이기 때문에 많은 변수를 가진 함수다. 수학적으로는 함수에서 0인 점들의 집합은 하이퍼 평면이 되고, 이 평면에서 최솟값을 찾으면 에러 함수에서 가장 작은 값을 구할 수 있다. 하나의 점을 선택하고 최솟값의 방향으로 따라가면 최솟값을 찾을 수 있다.
딥러닝의 매력은 계층 구조를 따르는 것 이외에도 많다. 훈련이 끝날 때까지 분류되지 않은(unlabeled) 데이터만을 사용했다. 하나하나 분류한(labeled) 예시에 의존하는 게 아니라 역엔지니어링(reverse-engineering)을 통해 숨어 있는 구조를 학습시킨다. 지도학습은 마지막 분류 단계에서만 자동차인지, 동물인지 등을 분류한다. 이전의 모든 단계는 비지도학습 단계를 따른 것이다.
