머신러닝 TensorFlow.js JavaScript

1부 TensorFlow.js
1. 개요
1.1. TensorFlow.js 개요
1.1.1. TensorFlow.js란?
1.1.2. TensorFlow.js 목적, 방향성
1.2. 머신러닝, 딥러닝
1.2.1. 머신러닝
1.2.2. 추론
1.2.3. 딥러닝
1.3. Tensor와 Flow
1.4. 개발자 관점에서의 TensorFlow.js

2. Tensor 생성
2.1. 함수 작성 기준
2.2. Tensor 생성
2.3. Tensor 출력
2.4. 값 타입
2.5. TypedArray 오브젝트
2.6. scalar, rank, shape
2.7. scalar Tensor 생성
2.8. 1차원 Tensor 생성
2.9. 다차원 Tensor 생성

3. 함수, 식, 행렬
3.1. 변수, 상수, 계수
3.2. 독립변수, 종속변수
3.3. 함수
3.4. 1차식, 2차식
3.4.1. 항, 차수
3.4.2. 1차식
3.4.3. 2차식
3.5. 벡터
3.5.1. 벡터 덧셈, 뺄셈
3.5.2. 벡터 브로드캐스팅
3.5.3. 내적
3.5.4. 외적
3.6. 행렬
3.6.1. 행렬 덧셈, 뺄셈
3.6.2. 행렬 브로드캐스팅
3.6.3. 행렬 곱셈

4. Tensor 연산
4.1. 산술연산
4.1.1. 산술연산 함수 목록
4.1.2. tf.Tensor 값 더하기
4.1.3. 다수의 tf.Tensor 값 더하기
4.1.4. 누적 합산
4.2. 논리연산
4.2.1. 논리연산 함수 목록
4.2.2. 상태에 따라 값 반환
4.2.3. true인 인덱스 반환
4.3. 수열
4.3.1. 수열 개념
4.3.2. 등차수열
4.3.3. 등비수열
4.3.4. 항수로 등차수열 생성
4.3.5. 차이로 등차수열 생성
4.3.6. 시그마, 파이
4.4. 초깃값 설정
4.4.1. 초깃값 설정 함수 목록
4.4.2. 초깃값 설정 함수
4.5. 수학식 함수
4.5.1. 수학식 함수 목록
4.5.2. 최솟값과 최댓값 사이의 값

5. Tensor Class
5.1. 함수 목록
5.2. shape 변환
5.2.1. 벡터, 스칼라로 변환
5.2.2. 랭크 변환
5.2.3. 값 타입 변환
5.2.4. shape 변환
5.3. 동기, 비동기 처리
5.3.1. 동기 방법으로 텐서 값 추출
5.3.2. 비동기 방법으로 텐서 값 추출

6. Tensor 추출, 변환
6.1. 함수 목록
6.2. 추출
6.2.1. 인덱스로 추출
6.2.2. 범위로 추출
6.3. 결합
6.3.1. Tensor 연결
6.3.2. Tensor 스택
6.3.3. 반복 복제
6.3.4. 순서 변경
6.4. 분할
6.4.1. 1차원 낮추어 분할
6.4.2. 지정한 수로 분할
6.5. 변환
6.5.1. 값 타입 변환
6.5.2. rank 확장, 압축
6.5.3. 앞뒤에 엘리먼트 삽입
6.5.4. shape 변환
6.6. 논리 AND, OR 비교
6.7. 최댓값, 최솟값
6.7.1. 최댓값, 최솟값
6.7.2. 최댓값, 최솟값 인덱스
6.8. 평균, 합계, 곱하기
6.8.1. 평균, 합계
6.8.2. 행, 열 곱하기
6.9. 난수 생성
6.9.1. 균등 분포 난수
6.9.2. 정규분포 난수 127
6.10. 변수 생성, 값 변경

7. 메모리 관리
7.1. 함수 목록
7.2. 메모리 정보
7.3. 메모리 해제
7.4. 스코프 메모리 해제
7.5. 메모리 해제 방지

8. TensorFlow.js 모델링
8.1. 모델, 트레이닝
8.2. 데이터 세트
8.3. 지도 학습
8.4. TensorFlow.js 모델
8.4.1. 모델 학습 단계
8.4.2. 모델에서 사용할 데이터 정의
8.4.3. 모델의 변수 정의
8.4.4. 모델 정의
8.4.5. 모델 학습
8.4.6. 모델 테스트
8.4.7. 모델 평가, 튜닝, 테스트

2부 선형 회귀
9. 선형 회귀
9.1. 개요
9.1.1. 선형
9.1.2. 회귀
9.1.3. 분류
9.1.4. 선형 회귀 모델
9.2. 선형 회귀 모델 구성
9.2.1. 선형 회귀 모델 데이터
9.2.2. 선형 회귀 모델 가설
9.2.3. 학습 측정 기준
9.3. 두 점 사이 거리
9.3.1. L1 Norm
9.3.2. L2 Norm
9.3.3. norm() 함수
9.3.4. 잔차
9.3.5. 최소제곱법
9.4. 손실함수
9.4.1. 손실함수 목적
9.4.2. 평균 제곱 오차
9.4.3. 모델 코드 분석

10. 경사 하강법 Ⅰ
10.1. 개요
10.2. 미분 개요
10.2.1. 수렴, 극한
10.2.2. 기울기, 평균변화율
10.2.3. 미분계수, 순간변화율
10.2.4. 미분과 모델 학습
10.3. 경사 하강법 알고리즘 분석
10.3.1. 알고리즘 분석 시나리오
10.3.2. 손실함수 값 계산
10.3.3. 역전파
10.3.4. 기울기 계산
10.3.5. 가중치와 바이어스 계산
10.4. 학습률
10.4.1. 수렴
10.4.2. 발산

11. 경사 하강법 Ⅱ
11.1. 배치 경사 하강법
11.2. 배치 사이즈
11.3. 확률적 경사 하강법
11.4. 미니배치 경사 하강법
11.5. Iris 데이터 세트
11.5.1. 붓꽃 데이터 세트 형태
11.5.2. 배치 사이즈와 학습률
11.6. 선형 회귀 손실함수
11.6.1. L1 손실함수
11.6.2. L2 손실함수
11.6.3. Huber 손실함수
11.6.4. Pseudo-Huber 손실함수

12. 옵티마이저
12.1. 지역, 전역 최솟값
12.2. 옵티마이저 목적
12.3. 옵티마이저 식
12.4. Momentum
12.5. Nesterov
12.6. AdaGrad
12.7. AdaDelta
12.8. RMSProp
12.9. Adam
12.10. AdaMax

13. 다중·다항 회귀 모델
13.1. 보스턴 하우징 데이터 세트
13.2. 다중 회귀
13.2.1. 다중 회귀 특징
13.2.2. 다중 회귀 가설
13.2.3. 다중 회귀 손실함수
13.2.4. 다중 회귀 행렬 형태
13.2.5. 다중 회귀 모델
13.2.6. 다변량 선형 회귀
13.3. 다항 회귀
13.3.1. 다항 회귀 형태
13.3.2. 다항 회귀 모델
13.4. 오버피팅
13.5. 노이즈

14. 선형 회귀 정규화
14.1. 정규화 개요
14.2. Lasso 회귀
14.3. Ridge 회귀
14.4. Elastic Net

3부 분류
15. 로지스틱 회귀
15.1. 개요
15.2. sigmoid 함수
15.3. log 함수
15.4. 로지스틱 회귀 가설
15.5. 로지스틱 회귀 손실함수
15.6. 로지스틱 회귀 모델

16. 활성화 함수
16.1. 개요
16.2. hardSigmoid 함수
16.3. step 함수
16.4. ReLU 함수
16.5. LeakyReLU 함수
16.6. ReLU6 함수
16.7. softplus 함수
16.8. tanh 함수
16.9. softsign 함수
16.10. ELU 함수
16.11. SELU 함수

17. 소프트맥스 회귀
17.1. 개요
17.2. softmax 함수
17.3. One-Hot 인코딩
17.4. 소프트맥스 회귀 손실함수
17.5. 소프트맥스 예측 결과 분석

4부 이미지 인식
18. 이미지 인식
18.1. Node.js 환경 설정
18.2. MNIST 데이터 세트
18.3. MNIST 모델
18.4. MNIST 모델 코드 분석

부록
1. TensorFlow.js 설치
2. 그래프 작성 방법
Index