상세정보

『Easy! 딥러닝』은 딥러닝을 처음 접하는 독자들을 위한 필수 가이드로, 인공지능의 기초 개념부터 CNN, RNN 등 딥러닝의 주요 주제를 폭넓게 다루고 있다. KAIST 박사이자 유튜버로 활동 중인 혁펜하임이 집필한 이 책은 직관적인 비유를 통해 딥러닝의 원리를 체계적으로 이해할 수 있도록 설계되었다.

복잡한 딥러닝 개념도 저자의 쉽고 친절한 설명 덕분에 초보자도 부담 없이 따라갈 수 있으며, 280여 개의 그림과 동영상 강의는 학습 과정에 도움을 준다. 또한, 수학적 기초가 부족한 독자들을 위해 함수, 미적분 등 필수적인 수학 개념을 부록으로 제공하여 학습의 어려움을 덜어준다.

이 책은 딥러닝을 처음 시작하는 입문자부터 어느 정도 지식을 쌓은 실무자까지 딥러닝의 깊은 이해에 필요한 지식을 얻을 수 있도록 돕는다. 『Easy! 딥러닝』은 명확하고 친근한 설명과 실습을 결합해 딥러닝의 기초를 탄탄히 다질 수 있는 최고의 학습서이다.

딥러닝의 세계에 첫발을 내딛는 독자들에게 『Easy! 딥러닝』은 단순한 책을 넘어선 필수 지침서이다. KAIST 박사이자 10만 구독자를 보유한 유튜버 '혁펜하임'이 집필한 이 책은, 복잡하고 난해한 딥러닝 개념을 누구나 이해할 수 있도록 쉽고 친절하게 풀어내며, 이론과 실습을 완벽하게 결합한 독보적인 입문서이다.

딥러닝이 어렵다는 인식은 이제 과거의 이야기이다. 『Easy! 딥러닝』은 딥러닝을 처음 접하는 독자들을 위해 치밀하게 구성되었으며, 약 280개의 삽화를 통해 추상적인 개념을 직관적으로 이해할 수 있게 돕는다. 독자는 도서에 실린 내용을 저자가 제공하는 동영상 강의를 통해 더 쉽게 학습할 수 있다. 책과 동영상 강의가 함께 어우러진 이 완벽한 조합은 독자들이 딥러닝의 핵심을 놓치지 않고 확실히 습득할 수 있도록 보장한다.

특히 이 책은 딥러닝 학습에 필요한 수학적 기초를 부록으로 다루고 있다. 함수부터 미적분, 확률과 통계 같은 기초 개념이 딥러닝 학습을 뒷받침해주며, 딥러닝의 이론적 바탕을 탄탄히 다질 수 있도록 돕는다. 수학적 배경이 부족해 딥러닝 공부에 어려움을 겪던 독자들도 이 책을 통해 필요한 수학 기초를 충분히 익힐 수 있다. 시장에 나와있는 기존의 여러 도서들이 기초 수학에 대한 이해를 전제로 하는 것과 달리 이 책은 입문자에게 친화적인 기획을 바탕으로 제작되었다는 것을 알 수 있다.

『Easy! 딥러닝』은 그 이름처럼 쉽고 친근한 접근 방식을 취하면서도 학문적으로는 철저하고 깊이 있게 구성되어 있다. 독자들은 이 책을 통해 딥러닝의 기본 원리부터 실제 모델을 설계하고 데이터를 처리하는 방법까지 차근차근 배워나갈 수 있으며, 딥러닝 이론을 단순히 암기하는 것이 아니라 그 원리를 이해하고 현장에 어떻게 적용할 수 있을지 학습하게 된다.

저자 혁펜하임은 오랜 연구와 교육 경험을 바탕으로 딥러닝의 핵심을 쉽게 풀어내면서도, 그 깊이를 놓치지 않는 균형감을 자랑한다. 그는 딥러닝 학습에서 발생할 수 있는 다양한 질문과 어려움을 미리 예측하고, 그에 대한 명쾌한 해법을 제시한다. 특히 대학교와 유튜브에서 진행한 다년간의 강의를 통해 수많은 독자들과 소통해온 그의 경험과 노하우가 녹아 있어, 독자들은 책을 읽으며 실제 강의를 듣는 듯한 생생한 학습 경험을 얻게 될 것이다.

『Easy! 딥러닝』은 입문자가 딥러닝을 배우는 데 필요한 모든 것을 아우르는 완벽한 가이드이다. 딥러닝의 기초부터 차근차근 쌓아올리며 이론과 실습, 수학적 기초까지 모두 갖춘 이 책은, 딥러닝을 처음 접하는 독자뿐만 아니라 이미 딥러닝의 일부를 알고 있는 학습자들에게도 큰 도움이 될 것이다. 딥러닝에 대한 두려움을 없애고 자신감을 갖고 학습을 이어나갈 수 있게 돕는 이 책은, 입문자들이 단단한 기초를 다질 수 있는 최고의 선택이 될 것이다.

이 책과 함께라면 딥러닝이 더 이상 어렵게 느껴지지 않을 것이다. “딥러닝은 원래 쉽다”는 저자의 말처럼 이 책에 실린 노련한 설명과 꼼꼼한 실습 안내를 따라가다 보면, 독자들은 딥러닝의 복잡한 개념도 쉽게 이해하고 이를 실전에서 응용할 수 있는 자신감과 실력을 얻게 될 것이다.

정보제공 :

지은이의 말
이 책을 보는 방법

Chapter 1 - 왜 현재 AI가 가장 핫할까?
- 1.1 AI(Artificial Intelligence) vs ML(Machine Learning) vs DL(Deep Learning)
- 1.2 규칙 기반(Rule-Based) vs 데이터 기반(Data-Based)
- 1.3 AI는 어떻게 이미지를 분류할까?
- 1.4 AI는 어떻게 번역을 할까?
- 1.5 지도 학습(Supervised Learning)
- 1.6 자기 지도 학습(Self-Supervised Learning)
- 1.7 비지도 학습(Unsupervised Learning)
- 1.8 강화 학습(Reinforcement Learning)

Chapter 2 - 인공 신경망과 선형 회귀, 그리고 최적화 기법들
- 2.1 인공 신경: Weight와 Bias의 직관적 이해
- 2.2 인공 신경망과 MLP(Multi-Layer Perceptron)
- 2.3 인공 신경망은 함수다!
- 2.4 선형 회귀, 개념부터 알고리즘까지 step by step
- 2.5 경사 하강법(Gradient Descent)
- 2.5.1 경사 하강법의 두 가지 문제
- 2.6 웨이트 초기화(Weight Initialization)
- 2.7 확률적 경사 하강법(Stochastic Gradient Descent)
- 2.8 Mini-Batch Gradient Descent
- 2.8.1 Batch Size와 Learning Rate의 조절
- 2.9 Momentum
- 2.10 RMSProp(Root Mean Squared Propagation)
- 2.11 Adam(Adaptive Moment Estimation)
- 2.12 검증 데이터(Validation Data)
- 2.12.1 K-fold 교차 검증(K-fold Cross Validation)


Chapter 3 - 딥러닝, 그것이 알고 싶다.
- 3.1 MLP, 행렬과 벡터로 표현하기
- 3.2 비선형(Non-Linear) 액티베이션의 중요성
- 3.3 역전파(Backpropagation)
- 3.3.1 학습 과정에서 Forward Propagation이 필요한 이유

Chapter 4 - 이진 분류와 다중 분류
- 4.1 Unit Step Function을 이용한 이진 분류
- 4.1.1 Unit Step Function의 두 가지 문제와 Sigmoid
- 4.2 Sigmoid를 이용한 이진 분류
- 4.2.1 BCE(Binary Cross-Entropy) Loss
- 4.2.2 로지스틱 회귀(Logistic Regression)
- 4.3 MSE Loss vs BCE Loss
- 4.4 딥러닝과 MLE(Maximum Likelihood Estimation)
- 4.4.1 Loss 함수와 NLL(Negative Log-Likelihood)
- 4.5 다중 분류
- 4.5.1 Softmax
- 4.5.2 Cross-Entropy Loss
- 4.5.3 Softmax 회귀(Softmax Regression)

Chapter 5 - 인공 신경망, 그 한계는 어디까지인가?
- 5.1 Universal Approximation Theorem
- 5.2 Universal Approximation Theorem 증명
- 5.3 Universal Approximation Theorem 오해와 진실

Chapter 6 - 깊은 인공 신경망의 고질적 문제와 해결 방안
- 6.1 기울기 소실(Vanishing Gradient)과 과소적합(Underfitting)
- 6.1.1 ReLU(Rectified Linear Unit)
- 6.1.2 Sigmoid vs ReLU 실험 결과 분석
- 6.1.3 ReLU 그 후..
- 6.1.4 배치 정규화(Batch Normalization)
- 6.1.5 배치 정규화(Batch Normalization) 실험 결과 분석
- 6.1.6 레이어 정규화(Layer Normalization)
- 6.2 Loss landscape 문제와 ResNet의 Skip-Connection
- 6.3 과적합(Overfitting)
- 6.3.1 데이터 증강(Data Augmentation)
- 6.3.2 Dropout
- 6.3.3 오토인코더(Autoencoder)에 Dropout 적용, 실험 결과 분석
- 6.3.4 Regularization
- 6.3.5 Regularization과 MAP(Maximum A Posteriori)
- 6.3.6 L2-Regularization vs L1-Regularization 실험 결과 분석

Chapter 7 - 왜 CNN이 이미지 데이터에 많이 쓰일까?
- 7.1 CNN은 어떻게 인간의 사고방식을 흉내 냈을까?
- 7.2 이미지 인식에서 FC 레이어가 가지는 문제
- 7.3 컨볼루션(Convolution)의 동작 방식
- 7.3.1 컨볼루션은 어떻게 위치별 특징을 추출할까?
- 7.3.2 특징 맵(Feature Map)
- 7.3.3 어떤 특징을 추출할지 AI가 알아낸다!
- 7.4 다채널 입력에 대한 컨볼루션
- 7.5 1x1 컨볼루션의 의미
- 7.6 Padding & Stride
- 7.7 Pooling 레이어
- 7.8 CNN의 전체 구조: 특징 추출부터 분류까지
- 7.9 CNN의 특징 맵 실험 결과 분석
- 7.10 VGGNet 완벽 해부
- 7.10.1 Receptive Field 개념과 여러 번 컨볼루션 레이어를 통과하는 이유
- 7.11 CNN에 대한 추가적인 고찰

Chapter 8 - 왜 RNN보다 트랜스포머가 더 좋다는 걸까?
- 8.1 연속적인 데이터와 토크나이징(Tokenizing)
- 8.2 RNN의 동작 방식
- 8.3 다음 토큰 예측(Next Token Prediction)
- 8.4 RNN의 구조적 한계
- 8.5 RNN의 여러 가지 유형
- 8.6 Seq2seq 개념 및 문제점
- 8.7 Attention: 시점마다 다른 Context Vector의 사용
- 8.7.1 Attention: Context Vector 만들기
- 8.7.2 Attention의 학습 원리와 해석
- 8.7.3 RNN+Attention의 두 가지 문제점
- 8.8 트랜스포머의 Self-Attention
- 8.9 맺으며..

부록: 딥러닝을 위한 필수 기초 수학
- 1-1강. 함수
- 1-2강. 로그함수
- 2-1강. 벡터와 행렬
- 2-2강. 전치와 내적
- 3-1강. 극한과 입실론-델타 논법
- 3-2강. 미분과 도함수
- 3-3강. 연쇄 법칙
- 3-4강. 편미분과 그래디언트
- 4-1강. 랜덤 변수와 확률 분포
- 4-2강. 평균과 분산
- 4-3강. 균등 분포와 정규 분포
- 5-1강. MLE(Maximum Likelihood Estimation)
- 5-2강. MAP(Maximum A Posteriori)
- 6강. 정보 이론 기초