책소개
수식 튼튼! 코드 탄탄! 내 손으로 만드는 딥러닝 모델 2010년 신경망 기술이 딥러닝이라는 이름으로 부활하면서 머신러닝 실무자는 물론, 소프트웨어 엔지니어에게도 딥러닝은 필수 소양이 되었다. 머신러닝을 처음 접하는 데이터 과학자와 소프트웨어 엔지니어에게 실용적인 정보를 제공한다. 딥러닝의 기초부터 고급 신경망 구조까지 폭넓게 배우고, 딥러닝 모델을 직접 구현하며 빠르게 개념을 익혀보자. 먼저 그림으로 개념을 설명하고, 코드의 밑바탕이 되는 수학적 원리를 설명한다. 그다음 파이썬 코드로 신경망을 구현하며 동작하는 방법을 이해한다. 다층 신경망, 합성곱 신경망, 순환 신경망의 간단한 구조부터 복잡한 구조까지 확장해보며 딥러닝 프로젝트에 준비된 개발자로 성장할 수 있다.
목차
chapter 1 신경망 기초 11.1 함수1.2 도함수1.3 합성함수1.4 연쇄법칙1.5 조금 더 복잡한 예제1.6 입력이 두 개 이상인 함수의 합성함수1.7 입력이 여러 개인 함수의 도함수1.8 여러 개의 벡터 입력을 갖는 함수1.9 기존 특징으로 새로운 특징 만들기1.10 여러 개의 벡터 입력을 갖는 함수의 도함수1.11 벡터 함수와 도함수1.12 두 개의 2차원 행렬을 입력받는 계산 그래프1.13 역방향 계산1.14 마치며chapter 2 신경망 기초 22.1 지도 학습2.2 지도 학습 모델2.3 선형회귀2.4 모델 학습하기2.5 학습 데이터와 테스트 데이터2.6 모델 성능을 평가하는 코드2.7 밑바닥부터 만드는 신경망2.8 첫 번째 신경망 모델의 학습과 성능 평가2.9 마치며chapter 3 밑바닥부터 만들어보는 딥러닝3.1 딥러닝 정의하기3.2 신경망의 구성 요소: 연산3.3 신경망의 구성 요소: 층3.4 모델의 구성 요소 조립하기3.5 NeuralNetwork 클래스와 그 외 클래스3.6 딥러닝 구현하기3.7 Optimizer와 Trainer 클래스3.8 모든 구성 요소 조합하기3.9 마치며chapter 4 프레임워크 확장하기4.1 신경망에 대한 직관4.2 소프트맥스 교차 엔트로피 손실함수4.3 실험 4.4 모멘텀4.5 학습률 감쇠4.6 초기 가중치 설정4.7 드롭아웃4.8 마치며chapter 5 합성곱 신경망5.1 신경망과 표현 학습5.2 합성곱층5.3 다채널 합성곱 연산 구현하기5.4 Conv2DOperation 연산으로 합성곱 신경망 학습하기5.5 마치며chapter 6 순환 신경망6.1 근본적인 한계: 분기 처리하기6.2 자동 미분6.3 순환 신경망이 필요한 이유6.4 순환 신경망이란6.5 RNN 코드6.6 마치며chapter 7 파이토치7.1 텐서7.2 파이토치로 딥러닝 구현하기7.3 합성곱 신경망 구현하기7.4 오토인코더를 활용한 비지도 학습7.5 마치며부록 A 더 알아보기A.1 행렬 미분의 연쇄법칙A.2 편향 항에 대한 손실의 기울기A.3 행렬곱으로 합성곱 구현하기
