| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000045973915 | |
| 005 | 20200129172455 | |
| 007 | ta | |
| 008 | 190228s2019 ggkad 001c kor | |
| 020 | ▼a 9791158391324 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015044914 | |
| 040 | ▼a 211063 ▼c 211063 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h eng |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2019z13 | |
| 100 | 1 | ▼a Bernico, Mike |
| 245 | 1 0 | ▼a 딥러닝 모델 설계를 떠받치는 기술 : ▼b 딥러닝이 안 풀릴 때 보는 케라스 해법 정리서 / ▼d 마이크 베르니코 지음 ; ▼e 박진수 옮김 |
| 246 | 1 9 | ▼a Deep learning quick reference : ▼b useful hacks for training and optimizing deep neural networks with TensorFlow and Keras |
| 260 | ▼a 파주 : ▼b 위키북스, ▼c 2019 | |
| 300 | ▼a 276 p. : ▼b 삽화, 도표 ; ▼c 24 cm | |
| 440 | 0 0 | ▼a 데이터 사이언스 시리즈 ; ▼v 028 |
| 500 | ▼a 색인수록 | |
| 700 | 1 | ▼a 박진수, ▼e 역 |
| 900 | 1 0 | ▼a 베르니코, 마이크, ▼e 저 |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2019z13 | 등록번호 121252105 (9회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. 2 | 소장처 세종학술정보원/과학기술실(5층)/ | 청구기호 006.31 2019z13 | 등록번호 151345401 (4회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2019z13 | 등록번호 121252105 (9회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 세종학술정보원/과학기술실(5층)/ | 청구기호 006.31 2019z13 | 등록번호 151345401 (4회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
책소개
인공지능의 세계로 들어가는 데는 딥러닝이 핵심적인 필요조건이다. 이 책을 통해 실무 문제에 직면한 데이터 과학자는 딥러닝 기술에 더 다가설 수 있고 딥러닝을 더 실용적으로 만들 수 있으며 딥러닝과 더 깊은 관계를 맺을 수 있다. 실용적인 예제를 제시함으로써 딥러닝을 학문의 세계에서 실무의 세계로 옮긴다.
신경망의 깊숙한 데까지 파고들어 모델을 훈련하고 최적화하자!
인공지능의 세계로 들어가는 데는 딥러닝이 핵심적인 필요조건이다. 이 책을 통해 실무 문제에 직면한 데이터 과학자는 딥러닝 기술에 더 다가설 수 있고 딥러닝을 더 실용적으로 만들 수 있으며 딥러닝과 더 깊은 관계를 맺을 수 있다. 이 책에서는 실용적인 예제를 제시함으로써 딥러닝을 학문의 세계에서 실무의 세계로 옮긴다.
이 책을 통해 심층 신경망 훈련을 지켜보는 일과 딥러닝을 사용해 이진 분류 문제를 해결하는 데 텐서보드를 사용하는 법을 배울 수 있다. 또한 딥러닝 모델에서 하이퍼파라미터를 최적화하는 방법을 배울 수 있다. 워드 임베딩 및 seq2seq 모델과 더불어 CNN, RNN, LSTM을 처음부터 실용적으로 구현하며 실습할 수 있다. 더 나아가 이 책으로 자율 에이전트 문제를 해결하기 위해 심층 Q 신경망과 같은 발전된 주제를 탐구할 수 있고, 두 가지 상호 적대적인 신경망을 사용해 진짜처럼 보이는 가짜 그림을 생성하는 방법을 알 수 있다. 이러한 구현에 필요하고 인기도 있는, 파이썬 기반 딥러닝 프레임워크인 케라스와 텐서플로도 살펴본다. 각 장에서 딥러닝 신경망을 배우는 동안 여러분이 올바른 결정을 내리는 데 도움이 될 모범 사례와 안전한 선택지도 알 수 있다.
이 책의 내용을 배우고 나면 현업 문제를 딥러닝 신경망을 사용해 신속하게 해결할 수 있을 것이다.
★ 이 책에서 다루는 내용 ★
◎ 텐서플로와 케라스를 사용해 회귀 문제와 분류 문제 풀기
◎ 텐서보드 사용법을 배워 신경망을 관찰하며 훈련하기
◎ 하이퍼파라미터 최적화와 안전한 선택지를 택하는 방법과 모범 사례 배우기
◎ CNN, RNN, LSTM 신경망을 빌드하고 처음부터 워드 임베딩 사용하기
◎ 기계번역 애플리케이션이나 채팅 애플리케이션에 쓸 seq2seq 모델을 구축하고 훈련하기
◎ 심층 Q 신경망을 이해하고 이를 활용해 자율 에이전트 문제 해결하기
◎ 심층 Q 신경망을 탐색하고 자율 에이전트 문제 처리하기
★ 주요 특징 ★
◎ 딥러닝의 핵심 개념과 각 개념을 구현하는 기술을 신속히 찾아 볼 수 있다.
◎ CNN, RNN, LSTM 같은 다양한 딥러닝 모델을 훈련하는 데 필수적인 조언, 요령, 기법 등을 제시한다.
◎ 필수 수학과 필수 이론으로 보강한 각 장에서 케라스 및 텐서플로를 사용해 모델을 훈련하고 정밀하게 조율하기 위한 모범 사례와 안전한 선택지를 제시한다.
정보제공 :
저자소개
마이크 베르니코(지은이)
마이크 베르니코는 스테이트팜 상호금융(State Farm Mutual Insurance Companies)의 수석 데이터 과학자이다. 또한 스프링 필드에 자리 잡은 일리노이 대학교에서 초빙 교수로 일하면서 데이터 과학 요론과 고급 신경망 및 딥러닝을 가르친다. 같은 대학교에서 석사 학위를 받았다. 오픈소스 소프트웨어 옹호자로서 오픈소스가 세상에 끼칠 이점을 지지한다. 자전거 타기, 여행 사진 촬영 및 과실주 만들기와 같은 엄청난 취미 생활을 즐기면서도 늘 배우려고 애쓴다.
박진수(옮긴이)
정보기술(IT)과 관련하여 다양한 개발·저술·번역·기술 편집·기술 교정·자문·발표·기고를 해왔으며, 1인 기업을 세웠다가 닫기도 했다. 최근에는 주로 인공지능과 관련한 번역·자문·강의를 하고 있다. 저술하고 번역한 책들이 많아서 좁은 지면에 모두 나열하기 어렵지만, 원하는 독자라면 이 책들을 온라인 서점에서 역자의 이름으로 쉽게 검색해서 찾아볼 수 있을 것이다. 제이펍에서 출간한 번역서로는 《케라스 창시자의 딥러닝 with R》, 《R로 배우는 텍스트 마이닝》, 《파이썬으로 배우는 응용 텍스트 분석》, 《검색을 위한 딥러닝》, 《객체지향 사고 프로세스》, 《레시피로 배우는 아두이노 쿡북(제3판)》 등이 있다.
목차
▣ 01장: 딥러닝 건축 재료 심층 신경망 아키텍처 __뉴런 __딥러닝의 손실 함수와 비용 함수 __순전파 과정 __역전파 함수 __확률적 경사 하강과 미니배치 경사 하강 딥러닝을 위한 최적화 알고리즘 __경사 하강 시 운동량을 사용하기 __RMSProp 알고리즘 __Adam 최적화기 딥러닝 프레임워크 __텐서플로란 무엇인가? __케라스란 무엇인가? __텐서플로의 인기 있는 대안들 __텐서플로와 케라스에 필요한 GPU __엔비디아 CUDA 툴킷과 cuDNN 설치 __파이썬 설치 __텐서플로와 케라스 설치 딥러닝용 데이터셋 구축 __딥러닝의 편향 오차 및 분산 오차 __train, val, test 데이터 집합 __심층 신경망의 편향과 분산 관리 __k 겹 교차 검증 요약 ▣ 02장: 딥러닝으로 회귀 문제를 풀기 회귀 분석과 심층 신경망 __회귀 분석에 신경망을 사용할 때의 이점 __회귀 분석에 신경망을 사용할 때의 단점 회귀 분석에 심층 신경망을 사용하기 __머신러닝 문제를 계획하는 방법 __예제에 쓸 문제를 정의하기 __데이터셋 적재 __비용 함수 정의 케라스로 MLP를 구축하기 __입력 계층의 모양 __은닉 계층의 모양 __출력 계층의 모양 __신경망 아키텍처 __케라스 모델을 훈련하기 __모델의 성능을 측정하기 케라스로 심층 신경망을 구축하기 __심층 신경망 성능 측정 __모델의 하이퍼파라미터 조율 훈련된 케라스 모델을 저장하고 적재하기 요약 ▣ 03장: 텐서보드로 신경망의 훈련 과정을 살펴보기 텐서보드에 대한 개요 텐서보드를 설정하기 __텐서보드 설치 __텐서보드가 케라스/텐서플로와 대화하는 방법 __텐서보드 실행 케라스와 텐서보드를 연결하기 __케라스 콜백 소개 __텐서보드 콜백을 생성하기 텐서보드를 사용하기 __훈련 시각화 __신경망 그래프 시각화 __문제가 생긴 신경망을 시각화하기 요약 ▣ 04장: 딥러닝으로 이진 분류 문제를 풀기 이진 분류 및 심층 신경망 __심층 신경망의 장점 __심층 신경망의 단점 사례 연구: 간질 발작 인식 __데이터셋 정의하기 __데이터를 적재하기 __모델의 입력과 출력 __비용 함수 __계량을 사용해 성능을 평가하기 케라스에서 이진 분류기를 만들기 __입력 계층 __은닉 계층 __출력 계층 __종합하기 __모델을 훈련하기 케라스에서 검사점 콜백을 사용하기 사용자 지정 콜백에서 ROC AUC를 측정하기 정밀도, 재현율 및 f1 점수 측정하기 요약 ▣ 05장: 케라스로 다중 클래스 분류 문제를 풀기 다중 클래스 분류와 관련된 심층 신경망 __장점 __단점 사례 연구: 손글씨 숫자 분류 __문제 정의 __모델 입력 및 출력 __비용 함수 __계량 케라스로 다중 클래스 분류기를 만들기 __MNIST 적재 __입력 계층 __은닉 계층 __출력 계층 __종합하기 __훈련 __다중 클래스 모델에서 사이킷런의 계량을 사용하기 드롭아웃을 사용해 분산을 통제하기 정칙화를 사용해 분산을 통제하기 요약 ▣ 06장: 하이퍼파라미터 최적화 신경망 아키텍처도 하이퍼파라미터라고 생각해야 하는가? __거인의 어깨 위에 서기 __과적합이 될 때까지 추가한 다음에 정칙화하기 __실천적 조언 어떤 하이퍼파라미터를 최적화해야 하는가? 하이퍼 파라미터 최적화 전략으로는 어떤 것들이 있는가? __공통 전략 93 __사이킷런의 임의 탐색 기능을 사용하기 __하이퍼밴드 요약 ▣ 07장: CNN을 처음부터 훈련하기 합성곱 소개 __합성곱의 계층은 어떻게 작용하는가? __합성곱 계층의 이점 __풀링 계층 __배치 정규화 케라스에서 합성곱 신경망을 훈련하기 __입력 __출력 __비용 함수와 계량 __합성곱 계층 __완전 연결 계층 __케라스의 다중 GPU 모델 __훈련 데이터를 확대하기 __케라스의 ImageDataGenerator __생성기를 사용한 훈련 요약 ▣ 08장: 사전 훈련 CNN을 사용한 전이 학습 전이 학습의 개요 전이 학습을 사용해야만 하는 때 __제한된 데이터 __공통 문제 정의역 원본 및 대상의 크기와 유사도의 영향 __더 많은 데이터가 항상 유용하다 __원본/대상 정의역 유사도 케라스로 하는 전이 학습 __대상 정의역 개요 __원본 정의역 개요 __원본 신경망 아키텍처 __전이 신경망 아키텍처 __데이터 준비 __데이터 입력 __훈련(특징 추출) __훈련(미세 조정) 요약 ▣ 09장: RNN을 처음부터 훈련하기 재귀 신경망 __뉴런이 재귀하는 이유는? __장단기 기억 신경망 __시간 펼침 역전파 시계열 문제 __저량 및 유량 __ARIMA 및 ARIMAX 예측 LSTM을 사용한 시계열 예측 __데이터 준비 __신경망 출력 __신경망 아키텍처 __상태 저장 및 상태 비저장 LSTM __훈련 __성능 측정 요약 ▣ 10장: 처음부터 워드 임베딩으로 LSTM을 훈련하기 자연어 처리 소개 __의미 분석 __문서 분류 텍스트 벡터화 __NLP 용어 __단어 주머니 모델 __어간 추출, 표제어 추출 및 불용어 __계수 벡터화와 TF-IDF 벡터화 워드 임베딩 __간단한 예제 __예측을 통한 워드 임베딩 학습 __셈을 통한 워드 임베딩 학습 __단어에서 문서로 가져오기 케라스 임베딩 계층 자연어 처리를 위한 1D CNN 문서 분류에 대한 사례 연구 __케라스 임베딩 계층 및 LSTM을 이용한 정서 분석 __GloVe를 사용하는 문서 분류와 사용하지 않는 문서 분류 __데이터 준비 요약 ▣ 11장: Seq2Seq 모델을 훈련하기 시퀀스-투-시퀀스 모델 __시퀀스-투-시퀀스 모델 응용 __시퀀스-투-시퀀스 모델의 아키텍처 __문자 대 단어 __교사 강요 __주의집중 __번역 계량 기계 번역 __데이터를 이해하기 데이터를 적재하기 __원핫인코딩 __신경망 아키텍처를 훈련하기 __신경망 아키텍처(추론용) __종합하기 __훈련 __추론 요약 ▣ 12장: 심층강화학습을 사용하기 강화학습 개요 __마르코프 결정 과정 __Q 학습 __무한 상태 공간 __심층 Q 신경망 __이용 대 탐색 __딥마인드 케라스 강화학습 프레임워크 __Keras-RL 설치 __OpenAI gym 설치 __OpenAI gym 사용하기 케라스에서 강화학습 에이전트를 구축하기 __카트폴 __루나랜더 요약 ▣ 13장: 생성적 적대 신경망 GAN의 개요 심층 합성곱 GAN의 아키텍처 __적대적 훈련 아키텍처 __생성기 아키텍처 __판별기 아키텍처 __적층한 훈련 GAN 훈련에 실패하는 방법 __안정성 __최빈값 붕괴 GAN을 위한 안전한 선택지 케라스 GAN을 사용해 MNIST 이미지를 생성하기 __데이터셋을 적재하기 __생성기를 구축하기 __판별기를 구축하기 __적층 모델을 구축하기 __훈련 루프 __모델 평가 케라스 GAN을 사용해 CIFAR-10 이미지를 생성하기 __CIFAR-10을 적재하기 __생성기를 구축하기 __판별기 구축 __훈련 루프 __모델을 평가하기 요약