상세정보

어려워도 꼭 알아야 할 수학 지식과 딥러닝 핵심 이론들에 더해 재미있는 아이디어가 빛나는 한국형 딥러닝 실습까지 제공하는, 중급자용 딥러닝 종합교재이다. 1부는 딥러닝 실습을 맛보게 해준다. 질병을 예측하고, 자동응답 챗봇, 화재감시 시스템을 만드는가 하면, 가요도 작곡하고 심지어는 간단한 마이너리티 리포트까지 도출해본다.

2부는 딥러닝 관련 수학을 정면 돌파한다. 이론으로 파고들어가기 전에 기반을 다지는 부분이다. 각각 수식들의 전개를 생략 없이 다루며 독자들을 세심하게 안내한다. 3부는 비로소 딥러닝 이론들을 다룬다. 1부의 호기심과 재미, 2부의 수학 지식이라는 기본력을 바탕으로 딥러닝 이론을 다룬다.

다들 어려워했던 수식들 하나하나, 딥다(Deep+多) 파고들어 설명하는 딥러닝 책

바야흐로 인공지능의 시대, 딥러닝 공부에도 왕도가 있을까? 인간이 편하자고 컴퓨터를 학습시키는 것이 딥러닝인데, 공부하는 사람들은 골머리 앓느라 편하지 않다. 이 책의 저자 역시 많은 책과 논문을 통해 딥러닝에 도전하면서 정작 힘들었던 부분은 그간의 책들에 생략되었던 수학적 지식이었다. 딥러닝 이론 자체가 어려운 게 아니라 그를 위한 수학에 아직 익숙하지 않았던 것뿐이었다.

1부는 딥러닝 실습을 맛보게 해준다. 질병을 예측하고, 자동응답 챗봇, 화재감시 시스템을 만드는가 하면, 가요도 작곡하고 심지어는 간단한 마이너리티 리포트까지 도출해본다. 2부는 딥러닝 관련 수학을 정면 돌파한다. 이론으로 파고들어가기 전에 기반을 다지는 부분이다. 각각 수식들의 전개를 생략 없이 다루며 독자들을 세심하게 안내한다. 3부는 비로소 딥러닝 이론들을 다룬다. 1부의 호기심과 재미, 2부의 수학 지식이라는 기본력을 바탕으로 딥러닝 이론을 다룬다.

딥러닝 하드 트레이닝을 표방하는 이 책은 어려워도 꼭 알아야 할 수학 지식과 딥러닝 핵심 이론들에 더해 재미있는 아이디어가 빛나는 한국형 딥러닝 실습까지 제공하는, 중급자용 딥러닝 종합교재이다. ‘딥다’는 사전에 ‘들입다’의 준말로 나오지만 여기서는 딥러닝을 만나 ‘Deep+多’라는 의미가 추가되었다.

깊고(Deep) 다(多)양하게 학습해야 할 중급자를 위한 딥러닝 하드 트레이닝

누구나 쉽게 배울 수 있다고 주장하는 책들이 수없이 많지만 이 책 『딥다 딥러닝』의 저자는 딥러닝이 결코 쉽지 않으며, 수학적인 사전 지식이 없이는 도전하기 어렵다는 것을 처음부터 강조한다. 설사 어떻게 기본은 익혔을지라도 딥러닝을 실제로 우리 환경에서 활용할지에 대해서는 더욱 난감해진다고 말한다.

과감한 상상력으로 만들어낸 딥러닝 실습을 맛보는 것으로 시작해서 기본이 되는 딥러닝 수학 지식들을 살펴본 후에 다양한 딥러닝 이론들을 학습할 수 있게 구성된 이 책은 독자들이 적어도 6개월 정도는 끈기있게 공부해야 할 하드 트레이닝 교재다. 독자들은 인터넷카페(cafe.naver.com/deepdalearning)를 통해 자료를 받거나 질의를 할 수 있다.

정보제공 :

"서문 _ 딥러닝은 사실 쉽지 않습니다 

1부 _ 딥러닝을 써먹는 방법 
--질병 패턴의 예측 : 패턴의 생성과 예측
--Word2Vec과 미술관 옆 동물원 : 단어 사이의 거리개념 표현하기
--상담 데이터 분류 ; 분류를 어떻게 접근할까?
--자동응답 챗봇 만들기 : 어떤 대답을 하도록 만들까?
--화재감지 시스템 : 온도를 어떻게 정의하지?
--백화점 매출 예측 : 매출을 꼭 숫자로만 표현해야 하나?
--가요 작곡가의 탄생 : 음표를 자동으로 생성하는 방법은?
--추천 시스템 유사도 함수 : 어떤 고객과 상품들이 서로 가까울까?
--마이너리티 리포트 : 미래를 예언한다는 것

2부 _ 딥러닝 수학 정면돌파 
--경사하강법(Gradient Descent)
---기울기
---경사하강법

__오류 역전파(Error Back Propagation)
____오류 역전파
____행렬 편미분, 텐서, 야코비안
____데이터 구조와 시스템 구현의 문제

__MCMC와 미니배치
____SGD, batch, mini-batch
____MCMC(마르코프 연쇄 몬테카를로)

__활성화 함수와 교차 엔트로피
____활성화 함수
____소프트맥스와 교차 엔트로피

__오버피팅 개선
____가중치 감쇠
____드롭아웃

__학습효과 향상
____학습 데이터의 확장
____가중치 초기화
____하이퍼 파라미터 설정
____헤세 테크닉과 모멘텀
____네스테로프 모멘텀과 학습속도 조절

__자기부호화기(Auto Encoder)
____자기부호화기와 화장실 거울
____백색화
____사전훈련
____희소 자기부호화기
____디노이징 자기부호화기
____올리비아 핫세의 사진
____데이터 압축과 복구 그리고 주성분 분석과 비교
____SDA(Stacked Denoising Autoencoder) 만들기

3부 _ 딥러닝 이론 딥다 파기
__FNN(Feed forward Neural Network)
____개념의 시작
____우편번호 인식

__CNN(Convolutional Neural Network)
____신경세포
____콘볼루션
____CNN에서 역전파
____필기체 인식
____컬러 이미지

__RBM(Restricted Boltzmann Machine)
____데이터의 확률분포 모델
____RBM에서 θ구하기
____RBM 학습
____간단한 실험

__RNN(Recurrent Neural Network)
____노래 가사
____BPTT - 직관적인 설명
____BPTT - 수학적인 이해
____RNN 코딩의 구현
____문장의 자동생성

__LSTM과 GRU
____더 인간에 가깝게
____구체적인 그림
____LSTM에서의 역전파
____그러니까 GRU
____구현과 실행
____Adaptive learning rate method - Adagrad, RMSprop, Adam
____소스분석

__DBN(Deep Belief Network)
____딥 빌리프 네트워크의 이해
____생성 모델과 판별 모델
____SBN 로그우도의 lower bound
____DBN에서의 로그우도의 lower bound
____Fine Tuning

__Class-RBM
____논문으로 만나는 Class-RBM
____Class-RBM에서의 로그우도
____Discriminative RBM

__Deep RL
____강화학습 개요
____마르코프 의사결정 프로세스(MDP)
____벨만 기대방정식과 Q함수
____동적 프로그래밍
____몬테카를로 방법
____시간차 예측방법(TD)
____살사(SARSA)와 Q러닝
____Deep SARSA
____몬테카를로 정책 그래디언트
____DQN
____A2C(Advantage Actor-Critic)
____A3C(Asynchronous Advantage Actor-Critic)
____볼츠만 선택

__GAN
____Generative Adversarial Nets
____GAN의 기본적인 공식
____Entropy와 JSD
____GAN의 최적화 방법
____최적해의 컨버전스 가능성

맺음말 _ 미래는 딥러닝에서 시작된다"