| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000045995523 | |
| 005 | 20190821174448 | |
| 007 | ta | |
| 008 | 190821s2019 ggkad b 001c kor | |
| 020 | ▼a 9791189909024 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015260067 | |
| 040 | ▼a 247009 ▼c 247009 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h jpn |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2019z20 | |
| 100 | 1 | ▼a 我妻幸長 |
| 245 | 2 0 | ▼a (실체가 손에 잡히는) 딥러닝 : ▼b 기초부터 실전 프로그래밍 / ▼d 아즈마 유키나가 지음 ; ▼e 최재원 옮김 |
| 246 | 1 1 | ▼a Deep learning : ▼b neural network & backpropagation with Python |
| 246 | 1 9 | ▼a はじめてのディ-プラ-ニング : ▼b Pythonで学ぶニュ-ラルネットワ-クとバックプロパゲ-ション |
| 246 | 3 | ▼a Hajimete no dipu raningu : ▼b Paison de manabu nyuraru nettowaku to bakkupuropageshon |
| 260 | ▼a 의왕 : ▼b 책만, ▼c 2019 | |
| 300 | ▼a 363 p. : ▼b 삽화, 도표 ; ▼c 24 cm | |
| 500 | ▼a 기초 수학과 파이썬 코드를 따라만 하면 신기하게 이해되는 신경망, 역전파, CNN 구현 | |
| 504 | ▼a 참고문헌(p. 358-359)과 색인수록 | |
| 700 | 1 | ▼a 최재원, ▼e 역 |
| 900 | 1 0 | ▼a 아즈마 유키나가, ▼e 저 |
| 900 | 1 0 | ▼a Azuma, Yukinaga, ▼e 저 |
| 945 | ▼a KLPA |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2019z20 | 등록번호 121250020 (14회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
책소개
한 권으로 모든 것을 끝내는 딥러닝 입문자를 위한 책. 파이썬과 기초 수학부터 시작해 역전파(Backpropagation)와 컨볼루션 신경망(CNN)까지, 딥러닝의 필수 요소를 빠짐없이 자세하게 설명한다. 독자가 파이썬 프로그래밍을 직접 코딩하면서 차근차근 순서대로 공부해 나가다 보면 딥러닝의 기초를 완벽하게 습득할 수 있을 것이다.
정보제공 :
저자소개
아즈마 유키나가(지은이)
인간과 AI의 공생이 미션인 회사 SAI-Lab 주식회사의 대표이사로 AI 관련 교육과 연구개발에 종사하고 있다. 토호쿠대학 대학원 이학 연구과 수료. 이학 박사(물리학)이며, 관심 분야는 인공지능(AI), 복잡계, 뇌과학, 싱귤러리티 등이다. 현재 세계 최대의 교육 동영상 플랫폼 Udemy에서 다양한 AI 관련 강좌를 전개해 약 3만명을 지도하는 인기 강사이며, 엔지니어로서 VR, 게임, SNS 등 장르를 불문하고 여러 가지 앱을 개발했다.
최재원(옮긴이)
아주대학교, 게이오대학교 대학원을 졸업했고 현재 대학에서 교육 및 학습 데이터 분석가로 활약하고 있다. 인간의 내면과 지식 상태, 학습 동기를 반영하는 데이터에 관심이 많아 교육 분야 데이터 분석 및 연구에 매진하고 있다. 현재는 AI코스웨어, AI디지털교과서, 개인 맞춤형 학습에 초점을 두고 연구와 프로젝트를 병행하고 있다. 책을 읽고 쓰는 일도 좋아해서 데이터 분석, 데이터 시각화, 시각 디자인, 게임 디자인 등의 분야에 관한 책을 번역하면서 소설가로도 활동하고 있다. 번역한 책으로는 『디자인, 이것만 알면 쉬워져요 with 63가지 LESSON』(책만, 2024), 『핵심 딥러닝 입문: RNN, LSTM, GRU, VAE, GAN 구현』(책만, 2020), 『데이터 과학 트레이닝 북』(인사이트, 2020), 『IT 개발자의 영어 필살기』(책만, 2020), 『대학혁신을 위한 빅데이터와 학습분석』(시그마프레스, 2019), 『실체가 손에 잡히는 딥러닝』(책만, 2019), 『데이터 시각화, 인지과학을 만나다』(이하 에이콘출판, 2015), 『유니티 입문』(2012), 『디지털 게임 교과서』(2012)가 있으며, 두 권의 소설 『아무도 모르는 악당』(화이트웨이브, 2021), 제1회 타임리프 소설 공모전 당선작인 『스테파네트 아가씨를 찾아 헤맨 나날들』(황금가지, 2016)을 썼고, 전자책 『VR, 가까운 미래』(리디북스, 2016)를 출간했다.
목차
[1장] 딥러닝이란 1.1 지능이란 무엇인가 1.2 인공지능(AI) 1.3 머신러닝 1.4 신경망 1.5 딥러닝 개요 1.6 인공지능과 딥러닝의 역사 __1.6.1 제1차 인공지능 전성기: 1950년대~1960년대 __1.6.2 제2차 인공지능 전성기: 1980년대~1990년대 후반 __1.6.3 제3차 인공지능 전성기: 2000년대 이후 [2장] 파이썬 개요 2.1 파이썬을 사용하는 이유 2.2 아나콘다와 주피터 노트북 활용 __2.2.1 아나콘다 다운로드 __2.2.2 아나콘다 설치 __2.2.3 주피터 노트북 실행 __2.2.4 주피터 노트북 사용 __2.2.5 노트북 종료 2.3 파이썬 문법 __2.3.1 변수와 변수형 __2.3.2 연산자 __2.3.3 리스트 __2.3.4 튜플 __2.3.5 딕셔너리 __2.3.6 if문 __2.3.7 for문 __2.3.8 while문 __2.3.9 내포 __2.3.10 함수 __2.3.11 변수의 범위 __2.3.12 클래스 2.4 넘파이 __2.4.1 넘파이 임포트 __2.4.2 넘파이 배열 __2.4.3 배열을 생성하는 다양한 함수 __2.4.4 reshape를 이용한 형태 변환 __2.4.5 배열 연산 __2.4.6 브로드캐스트 __2.4.7 원솟값에 접근 __2.4.8 슬라이싱 __2.4.9 축과 transpose 메소드 __2.4.10 넘파이의 함수 2.5 맷플롯립 __2.5.1 모듈 임포트 __2.5.2 그래프 생성 __2.5.3 그래프 디자인 __2.5.4 산포도 표시 __2.5.5 이미지 표시 [3장] 딥러닝을 위한 수학 3.1 수학 기호 __3.1.1 시그마(Σ)로 총합계 표시 __3.1.2 자연상수 e __3.1.3 자연로그 log 3.2 선형대수 __3.2.1 스칼라 __3.2.2 벡터 __3.2.3 행렬 __3.2.4 텐서 __3.2.5 스칼라와 행렬의 곱셈 __3.2.6 각 원소 간의 곱셈 __3.2.7 행렬 곱 __3.2.8 행렬 전치 3.3 미분 __3.3.1 상미분 __3.3.2 미분법의 기본 공식 __3.3.3 연쇄법칙 __3.3.4 편미분 __3.3.5 전미분 __3.3.6 다변수의 연쇄법칙 3.4 정규분포 [4장] 신경망 4.1 신경세포 네트워크 4.2 신경세포의 모델화 4.3 뉴런의 네트워크화 4.4 회귀와 분류 __4.4.1 회귀 __4.4.2 분류 4.5 활성화 함수 __4.5.1 계단 함수 __4.5.2 시그모이드 함수 __4.5.3 tanh __4.5.4 ReLU __4.5.5 Leaky ReLU __4.5.6 항등 함수 __4.5.7 소프트맥스 함수 4.6 신경망 구현 __4.6.1 단일 뉴런 구현 __4.6.2 가중치와 편향의 영향 __4.6.3 신경망 구현 __4.6.4 각 층의 구현 __4.6.5 신경망(회귀) __4.6.6 신경망의 표현력 __4.6.7 신경망(분류) [5장] 역전파 5.1 학습 규칙 __5.1.1 헵의 규칙 __5.1.2 델타 규칙 5.2 역전파란? 5.3 훈련 데이터와 테스트 데이터 5.4 손실 함수 __5.4.1 오차제곱합 __5.4.2 교차 엔트로피 오차 5.5 경사 하강법 __5.5.1 경사 하강법 개요 __5.5.2 기울기 구하는 방법 __5.5.3 출력층 기울기 __5.5.4 출력층에서 입력값 기울기 __5.5.5 은닉층 기울기 __5.5.6 기울기를 구하는 식 정리 __5.5.7 회귀 문제에서 기울기 구하는 방법 __5.5.8 분류 문제에서 기울기 구하는 방법 5.6 최적화 알고리즘 __5.6.1 최적화 알고리즘 개요 __5.6.2 확률적 경사 하강법 __5.6.3 모멘텀 __5.6.4 아다그라드 __5.6.5 RMSProp __5.6.6 아담 5.7 배치 사이즈 __5.7.1 에포크와 배치 __5.7.2 배치 학습 __5.7.3 온라인 학습 __5.7.4 미니 배치 학습 5.8 행렬 연산 __5.8.1 행렬의 형식 __5.8.2 행렬을 이용한 순전파 __5.8.3 행렬을 이용한 역전파 5.9 회귀 문제에서의 역전파 구현 __5.9.1 회귀 예(sin 함수의 학습) __5.9.2 출력층 구현 __5.9.3 은닉층 구현 __5.9.4 역전파 구현 __5.9.5 역전파 구현 전체 코드(회귀) __5.9.6 실행 결과 5.10 분류 문제에서의 역전파 구현 __5.10.1 분류 사례(소속 영역 학습) __5.10.2 각 층의 구현 __5.10.3 역전파 구현 전체 코드(분류) __5.10.4 실행 결과 [6장] 딥러닝 구현 6.1 다층화에 따른 문제 __6.1.1 국소 최적해 함정 __6.1.2 과적합 __6.1.3 기울기 소실 __6.1.4 장기간의 학습 시간 문제 6.2 문제 해결 방안 __6.2.1 하이퍼 파라미터 최적화 __6.2.2 규제화 __6.2.3 가중치와 편향 초깃값 __6.2.4 조기 종료 __6.2.5 데이터 확장 __6.2.6 데이터 전처리 __6.2.7 드롭아웃 6.3 붓꽃 품종 분류 __6.3.1 붓꽃 데이터 세트 __6.3.2 훈련 데이터와 테스트 데이터 __6.3.3 신경망 구성 __6.3.4 학습에 관련된 각 설정 6.4 딥러닝 구현 __6.4.1 데이터 입력과 전처리 __6.4.2 각 층의 구현 __6.4.3 신경망 구축 __6.4.4 미니배치법 구현 __6.4.5 정답률 측정 __6.4.6 붓꽃 데이터 품종 분류를 위한 전체 코드 __6.4.7 실행 결과 __6.4.8 과적합 방지를 위한 대책 __6.4.9 아다그라드 구현 __6.4.10 드롭아웃 구현 __6.4.11 과적합 방지 대책의 결과 __6.4.12 품종 분류 [7장] 컨볼루션 신경망(CNN) 7.1 컨볼루션 신경망(CNN)의 개요 __7.1.1 시각 처리 체계 __7.1.2 CNN 구조 __7.1.3 컨볼루션 층 __7.1.4 풀링층 __7.1.5 전결합층 __7.1.6 패딩 __7.1.7 스트라이드 __7.1.8 CNN 학습 __7.1.9 변수 정리 7.2 im2col과 col2im __7.2.1 im2col과 col2im의 개요 __7.2.2 im2col 알고리즘 __7.2.3 간단한 im2col 구현 __7.2.4 배치와 채널을 고려한 실전 im2col 코드 __7.2.5 col2im 알고리즘 __7.2.6 col2im 구현 7.3 컨볼루션층 구현 __7.3.1 구현 개요 __7.3.2 순전파 __7.3.3 역전파 7.4 풀링층 구현 __7.4.1 구현 과정 개요 __7.4.2 순전파 __7.4.3 역전파 7.5 전결합층 구현 7.6 컨볼루션 신경망 구현 __7.6.1 사용 데이터 세트 __7.6.2 구축할 신경망 __7.6.3 CNN 코드 __7.6.4 실행 결과 __7.6.5 컨볼루션층의 시각화 __7.6.6 컨볼루션층 효과 7.7 더 깊은 신경망 __7.7.1 신경망 구축 __7.2.2 실행 결과 [8장] 그 밖의 딥러닝 기술 8.1 순환 신경망(RNN) __8.1.1 RNN의 개요 __8.1.2 LSTM __8.1.3 GRU 8.2 자연어 처리 __8 2.1 형태소 분석 __8.2.2 단어 임베딩 8.3 생성 모델 __8.3.1 생성적 적대 신경망(GAN) __8.3.2 VAE 8.4 강화학습 __8.4.1 강화학습 개요 __8.4.2 심층 강화학습 8.5 GPU 활용 __8.5.1 GPU란 __8.5.2 딥러닝에서 GPU 활용 8.6 딥러닝 프레임워크 8.7 딥러닝의 미래