| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000046062294 | |
| 005 | 20240409131211 | |
| 007 | ta | |
| 008 | 201229s2020 ggka b 001c kor | |
| 020 | ▼a 9791189909246 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015716887 | |
| 040 | ▼a 241027 ▼c 241027 ▼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 2020z44 | |
| 100 | 1 | ▼a 我妻幸長, ▼d 1977- ▼0 AUTH(211009)151110 |
| 245 | 2 0 | ▼a (최신 딥러닝 기술만 골라 배우는) 핵심 딥러닝 입문 : ▼b RNN, LSTM, GRU, VAE, GAN 구현 / ▼d 아즈마 유키나가 지음 ; ▼e 최재원, ▼e 장건희 옮김 |
| 246 | 1 9 | ▼a はじめてのディープラーニング. ▼n 2, ▼p Pythonで実装する再帰型ニューラルネットワークとVAE, GAN |
| 246 | 3 | ▼a Hajimete no deeplearning 2 : ▼b Paison de jissō suru saikigata nyūraru nettowāku to buiēī gan |
| 260 | ▼a 안양 : ▼b 책만, ▼c 2020 | |
| 300 | ▼a 375 p. : ▼b 삽화 ; ▼c 24 cm | |
| 500 | ▼a 부록: A. 1 간단한 구조의 RNN을 이용한 텍스트 생성, A.2 GRU를 이용한 텍스트 생성 | |
| 504 | ▼a 참고문헌(p. 369-371)과 색인수록 | |
| 700 | 1 | ▼a 최재원, ▼e 역 |
| 700 | 1 | ▼a 장건희, ▼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 중앙도서관/제2자료실(3층)/ | 청구기호 006.31 2020z44 | 등록번호 111841566 (9회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. 2 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2020z44 | 등록번호 121255910 (15회 대출) | 도서상태 대출중 | 반납예정일 2025-12-18 | 예약 예약가능 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 중앙도서관/제2자료실(3층)/ | 청구기호 006.31 2020z44 | 등록번호 111841566 (9회 대출) | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2020z44 | 등록번호 121255910 (15회 대출) | 도서상태 대출중 | 반납예정일 2025-12-18 | 예약 예약가능 | 서비스 |
컨텐츠정보
책소개
현 시점에서 개발자가 꼭 알아야 할 최신 딥러닝 기술들만을 골라 수식과 코드를 번갈아가며 매우 이해하기 쉽게 알려준다. 간결하고 이해하기 쉬운 예제 코드들을 하나 하나 따라 해가다 최종적으로 실전에서도 활용할 수 있는 완결된 딥러닝 코드를 완성해본다.
이 책에서는 파이썬과 기초 수학부터 시작해서, RNN(순환 신경망)과 LSTM, GRU, VAE(변이형 오토인코더), GAN(생성적 적대 신경망)까지, 최신 딥러닝의 필수 모델과 원리, 내부 동작을 빠짐없이 자세하게 설명한다. 파이썬 프로그래밍을 직접 코딩하면서 차근차근 순서대로 공부해 나가다 보면 딥러닝의 기초를 완벽하게 습득할 수 있다.
딥러닝의 기초 지식, 수학, 파이썬부터 실전 프로그래밍 구현까지,
RNN, LSTM, GRU, VAE, GAN을 망라하는 최신 딥러닝 모델 마스터!
현 시점에서 개발자가 꼭 알아야 할 최신 딥러닝 기술들만을 골라 수식과 코드를 번갈아가며 매우 이해하기 쉽게 알려준다. 간결하고 이해하기 쉬운 예제 코드들을 하나 하나 따라 해가다 최종적으로 실전에서도 활용할 수 있는 완결된 딥러닝 코드를 완성해본다. 이 책에서는 파이썬과 기초 수학부터 시작해서, RNN(순환 신경망)과 LSTM, GRU, VAE(변이형 오토인코더), GAN(생성적 적대 신경망)까지, 최신 딥러닝의 필수 모델과 원리, 내부 동작을 빠짐없이 자세하게 설명한다. 파이썬 프로그래밍을 직접 코딩하면서 차근차근 순서대로 공부해 나가다 보면 딥러닝의 기초를 완벽하게 습득할 수 있다.
| 이 책에서 다루는 내용 |
■ 실전에 응용할 수 있는 최신 딥러닝 기술 RNN, LSTM, GRU, VAE, GAN 포함
■ 딥러닝 프레임워크를 사용하지 않고 딥러닝의 알고리즘을 파이썬 프로그래밍 코드로 구현
■ 파이썬과 수치연산 라이브러리 넘파이(NumPy)를 이용한 프로그래밍 기초 지식
■ 딥러닝의 근본적인 원리를 이해하는 데 필요한 핵심 수학 이론과 수식 코딩 방법
■ 독자들이 직접 응용해 수준 높은 코드로 발전시킬 수 있는 완전한 파이썬 코드 제공
| 이 책의 독자 대상 |
■ 최신 딥러닝 기술에 대해 기초부터 차근차근 공부하고 싶은 딥러닝 입문자
■ 딥러닝 알고리즘을 수식으로 이해하고 프로그래밍 코드로 구현해보고 싶은 개발자
■ 최신 딥러닝 알고리즘 코드를 작성해 업무나 현장에서 바로 적용해보고 싶은 개발자
■ 이 모든 과정을 한 권의 책으로 해결하고 싶은 사람
정보제공 :
저자소개
아즈마 유키나가(지은이)
'인간과 AI의 상생'이 미션인 회사, SAI-Lab 주식회사의 대표이사이며, AI 관련 교육과 연구 개발에 종사하고 있다. 도호쿠 대학 대학원 이학 연구과를 수료했으며, 이학 박사(물리학)이다. 흥미 대상은 인공지능(AI), 복잡계, 뇌과학, 싱귤래리티 등으로, 세계 최대 교육 동영상 플랫폼 Udemy에서 다양한 AI 관련 강좌를 전개하여 수만 명을 지도하는 인기 강사이다. 여러 유명 기업에서 AI 기술을 지도했으며, 엔지니어로서 VR, 게임, SNS 등 장르를 불문하고 다양한 앱을 개발했다. 저서로 『첫 딥러닝 -Python으로 배우는 신경망과 역전파』(SB크리에이티브, 2018), 『Python으로 동작해서 배운다! 새로운 수학 교과서 기계학습·심층학습에 필요한 기초 지식』(쇼에이사, 2019), 『첫 딥러닝2 Python으로 구현하는 순환 신경망, VAE, GAN』(SB크리에이티브, 2020) 등이 있다. 저자의 유튜브 채널에서는 무료 강좌가 다수 공개되고 있다.
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.
장건희(옮긴이)
응용수학을 전공했지만 배운 것과는 무관한 삶을 살아오다가 그간 잊고 살았던 수학과 통계가 여러 분야에서 장점이 된다는 사실을 뒤늦게 깨달았다. 평소에는 나무늘보라고 불릴 정도로 느릿느릿하지만 다양한 분야의 이론과 개념을 논리 정연하게 풀어낼 때는 언제 그랬냐는 듯 예리한 모습을 보여주는 것을 좋아한다.
목차
"[1장] 딥러닝의 발전 1.1 딥러닝 개요 __1.1.1 AI와 머신러닝 __1.1.2 딥러닝 1.2 딥러닝 응용 분야 __1.2.1 이미지 인식 __1.2.2 이미지 생성 __1.2.3 이상 탐지 __1.2.4 자연어 처리 __1.2.5 강화학습 __1.2.6 기타 분야에서의 응용 사례 1.3 이 책에서 다루는 딥러닝 기술 __1.3.1 RNN __1.3.2 생성 모델 [2장] 학습 준비 2.1 아나콘다 개발 환경 구축 __2.1.1 아나콘다 다운로드 __2.1.2 아나콘다 설치 __2.1.3 주피터 노트북 실행 __2.1.4 주피터 노트북 사용 __2.1.5 노트북 종료 2.2 구글 코랩 사용 __2.2.1 구글 코랩 준비 __2.2.2 코랩 노트북 사용 __2.2.3 GPU 사용 __2.2.4 파일 사용 2.3 파이썬 기초 __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 함수 __2.3.9 변수의 범위 __2.3.10 클래스 2.4 넘파이와 맷플롯립 __2.4.1 모듈 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 원소 값에 접근 __2.4.7 그래프 그리기 __2.4.8 이미지 생성 2.5 수학 기초 __2.5.1 벡터 __2.5.2 행렬 __2.5.3 각 원소 간의 곱셈 __2.5.4 행렬 곱 __2.5.5 행렬 전치 __2.5.6 미분 __2.5.7 연쇄 법칙 __2.5.8 편미분 __2.5.9 연쇄 법칙의 확장 __2.5.10 정규분포 [3장] 딥러닝 기초 3.1 딥러닝 개요 __3.1.1 딥러닝이란? __3.1.2 층의 방향과 층의 개수 __3.1.3 경사 하강법 __3.1.4 에포크와 배치 3.2 전결합층 순전파 __3.2.1 순전파의 수식 __3.2.2 순전파를 행렬로 표현 __3.2.3 순전파를 코드로 구현 3.3 전결합층 역전파 __3.3.1 역전파 수식 __3.3.2 역전파를 행렬로 표현 __3.3.3 역전파를 코드로 구현 3.4 전결합층 구현 __3.4.1 공통 클래스 구현 __3.4.2 은닉층 구현 __3.4.3 출력층 구현 3.5 단순한 딥러닝 구현 __3.5.1 손글씨 숫자 이미지 데이터 확인 __3.5.2 데이터 전처리 __3.5.3 순전파와 역전파 __3.5.4 미니 배치 구현 3.6 손글씨 숫자 이미지 인식의 전체 코드 [4장] RNN 4.1 RNN 개요 4.2 RNN층의 순전파 __4.2.1 순전파 개요 __4.2.2 순전파 수식 __4.2.3 순전파를 코드로 구현 4.3 RNN층의 역전파 __4.3.1 역전파 수식 __4.3.2 역전파를 행렬로 표현 __4.3.3 역전파를 코드로 구현 4.4 RNN층 구현 __4.4.1 RNN층 클래스 4.5 간단한 구조의 RNN 구현 __4.5.1 훈련 데이터 생성 __4.5.2 데이터 전처리 4.5.3 훈련 __4.5.4 예측 __4.5.5 곡선 생성 __4.5.6 sin 곡선 예측에 대한 전체 코드 4.6 2진수 덧셈 학습 __4.6.1 2진수 덧셈 __4.6.2 2진수 준비 __4.6.3 출력층 __4.6.4 훈련 __4.6.5 2진수 계산에 대한 전체 코드 4.7 RNN의 단점 [5장] LSTM 5.1 LSTM 개요 __5.1.1 LSTM 개요 __5.1.2 기억 셀 __5.1.3 망각 게이트 주변 __5.1.4 입력 게이트와 새로운 기억 __5.1.5 출력 게이트 5.2 LSTM층의 순전파 __5.2.1 LSTM층의 순전파 __5.2.2 순전파 코드 구현 5.3 LSTM층의 역전파 __5.3.1 역전파 수식 __5.3.2 망각 게이트 __5.3.3 입력 게이트 __5.3.4 새로운 기억 __5.3.5 출력 게이트 __5.3.6 행렬로 표현 __5.3.7 역전파 코드 구현 5.4 LSTM층 구현 __5.4.1 LSTM층 클래스 5.5 간단한 LSTM 구현 __5.5.1 LSTM 훈련 __5.5.2 sin 곡선 예측에 대한 전체 코드 5.6 LSTM을 이용한 문장 자동 생성 __5.6.1 텍스트 데이터 읽어들이기 __5.6.2 문자와 인덱스 관련 __5.6.3 문자 벡터화 __5.6.4 출력 결과의 의미 __5.6.5 텍스트 생성용 함수 __5.6.6 기울기 클리핑 __5.6.7 문장 생성에 대한 전체 코드 __5.6.8 결과 확인 [6장] GRU 6.1 GRU 소개 __6.1.1 GRU __6.1.2 리셋 게이트 __6.1.3 새로운 기억 __6.1.4 업데이트 게이트 6.2 GRU층의 순전파 __6.2.1 GRU의 순전파 __6.2.2 순전파를 코드로 구현 6.3 GRU층의 역전파 __6.3.1 새로운 기억 __6.3.2 업데이트 게이트 __6.3.3 리셋 게이트 __6.3.4 입력의 기울기 __6.3.5 이전 시점 출력의 기울기 __6.3.6 GRU의 각 기울기를 행렬로 나타내기 __6.3.7 GRU의 역전파를 코드로 구현하기 6.4 GRU층 구현 __6.4.1 GRU층의 클래스 6.5 GRU 구현 __6.5.1 GRU 구현의 전체 코드 6.6 RNN을 이용한 이미지 생성 __6.6.1 이미지를 시계열 데이터로 간주하기 __6.6.2 훈련 데이터 준비하기 __6.6.3 이미지 생성 __ 6.7 Seq2Seq [7장] VAE 7.1 VAE 소개 __7.1.1 오토인코더 __7.1.2 VAE 7.2 VAE의 구조 __7.2.1 잠재 변수 샘플링 __7.2.2 재파라미터화 트릭 __7.2.3 오차 정의 __7.2.4 재구성 오차 __7.2.5 규제화항 7.3 오토인코더의 구현 __7.3.1 신경망 구현 __7.3.2 각 신경망층의 구현 __7.3.3 순전파와 역전파 구현 __7.3.4 미니 배치 학습 구현 __7.3.5 오토인코더 구현의 전체 코드 __7.3.6 생성된 이미지 나타내기 7.4 VAE에 필요한 신경망층 __7.4.1 VAE 구성 __7.4.2 평균과 표준편차를 출력하는 신경망층 __7.4.3 샘플링층 __7.4.4 출력층 7.5 VAE의 구현 __7.5.1 순전파와 역전파 __7.5.2 VAE를 구현하는 전체 코드 __7.5.3 잠재 공간의 시각화 __7.5.4 이미지 생성하기 7.6 VAE에서 파생되는 기술 __7.6.1 조건부 VAE __7.6.2 β-VAE __7.6.3 VQ-VAE __7.6.4 VQ-VAE-2 [8장] GAN 8.1 GAN 소개 __8.1.1 GAN __8.1.2 DCGAN __8.1.3 GAN의 용도 8.2 GAN의 구조 __8.2.1 식별자의 학습 과정 __8.2.2 생성자의 학습 과정 __8.2.3 오차의 정의 8.3 GAN에 필요한 신경망층 __8.3.1 생성자와 식별자의 구조 __8.3.2 생성자의 출력층 __8.3.3 식별자의 출력층 8.4 GAN의 구현 __8.4.1 순전파와 역전파 __8.4.2 GAN의 훈련 __8.4.3 GAN의 학습 __8.4.4 이미지 생성 __8.4.5 GAN을 구현하는 전체 코드 __8.4.6 오차와 정확도 추이 8.5 GAN에서 파생되는 기술 __8.5.1 조건부 GAN __8.5.2 pix2pix __8.5.3 Cycle GAN [9장] 딥러닝 추가 학습을 위한 유용한 정보 9.1 최적화 알고리즘 __9.1.1 최적화 알고리즘 개요 __9.1.2 확률적 경사 하강법(SGD) __9.1.3 모멘텀 __9.1.4 아다그라드 __9.1.5 RMSProp __9.1.6 아담 __9.1.7 최적화 알고리즘 구현 예 9.2 학습 테크닉 __9.2.1 드롭아웃 __9.2.2 Leaky ReLU __9.2.3 가중치 감소 __9.2.4 배치 정규화 9.3 데이터 세트 소개 __9.3.1 사이킷런 데이터 세트 __9.3.2 케라스 데이터 세트 9.4 딥러닝의 미래 [부록] A.1 간단한 구조의 RNN을 이용한 텍스트 생성 A.2 GRU를 이용한 텍스트 생성 A.3 참고문헌