<b>딥러닝 공부는 ‘fastai’를 만나기 전과 후로 나뉜다.</br>내가 짠 코드가 딥러닝을 한다! 이제 조금 게으르게 살아도 되겠다!</b></br></br>fastai 라이브러리는 딥러닝 응용에 일관된 인터페이스를 최초로 제공하며 ‘모두를 위한 딥러닝’을 가능하게 한다. 이제 더 이상 딥러닝은 구글, 페이스북, 마이크로소프트 등 거대 기술 기업의 전유물이 아니다. 파이썬에 친숙한 프로그래머라면 약간의 수학적 배경지식, 소규모 데이터, 짧은 코드만으로도 딥러닝을 구현하는 놀라운 경험을 얻을 수 있다. 이 책에서 fastai 라이브러리의 창시자인 제러미와 실뱅은 fastai와 파이토치로 다양한 작업에 대한 모델을 학습시키는 방법을 소개한다. 또한 내부적인 알고리즘을 완전히 이해하는 데 필요한 딥러닝 이론도 설명한다.

딥러닝의 접근성을 높이는 데 집중하는 fast.ai 기관의 창립 연구자이다. 또한 샌프란시스코 대학교의 저명한 연구 과학자이며, 세계 경제 포럼의 글로벌 AI 위원회의 일원이기도 하다.

<b>PART I 실전 딥러닝</b></br></br>CHAPTER 1 딥러닝으로 떠나는 여행</br>1.1 모두를 위한 딥러닝</br>1.2 신경망: 간략한 역사</br>1.3 저자 소개</br>1.4 딥러닝 학습 방법</br>1.5 소프트웨어: 파이토치, fastai, 주피터 노트북</br>1.6 첫 번째 모델 만들기</br>1.7 다양한 분야에서의 딥러닝</br>1.8 검증용 및 테스트용 데이터셋</br>1.9 모험의 순간, 여러분만을 위한 선택</br>1.10 질문지</br></br>CHAPTER 2 모델에서 제품까지</br>2.1 딥러닝 프로젝트를 실천하기</br>2.2 데이터 수집</br>2.3 데이터에서 DataLoaders까지</br>2.4 모델 훈련과 훈련된 모델을 이용한 데이터 정리</br>2.5 모델을 온라인 애플리케이션으로 전환하기</br>2.6 재앙을 피하는 방법</br>2.7 기술적 글쓰기의 장점</br>2.8 질문지</br></br>CHAPTER 3 데이터 윤리</br>3.1 데이터 윤리의 핵심 사례</br>3.2 머신러닝과 제품 디자인 통합하기</br>3.3 데이터 윤리의 주제</br>3.4 윤리적 문제를 식별하고 해결하기</br>3.5. 정책의 역할</br>3.6 결론</br>3.7 질문지</br>3.8 실전 딥러닝: 요약</br></br><b>PART II fastai 애플리케이션 계층 이해하기</b></br></br>CHAPTER 4 숫자 분류기의 학습 내부 들여다보기</br>4.1 픽셀: 컴퓨터 영상 처리의 기본 토대</br>4.2 첫 번째 시도: 픽셀 유사성</br>4.3 브로드캐스팅으로 평가지표 계산하기</br>4.4 확률적 경사 하강법</br>4.5 MNIST 손실 함수</br>4.6 모든 것을 한 자리에 </br>4.7 비선형성 추가</br>4.8 전문용어 정리</br>4.9 질문지</br></br>CHAPTER 5 이미지 분류</br>5.1 개/고양이 예를 애완동물 품종으로 확장하기</br>5.2 사전 크기 조절</br>5.3 교차 엔트로피 손실</br>5.4 모델 해석</br>5.5 모델 향상하기</br>5.6 결론</br>5.7 질문지</br></br>CHAPTER 6 그 밖의 영상 처리 문제</br>6.1 다중 레이블 분류</br>6.2 회귀</br>6.3 결론</br>6.4 질문지</br></br>CHAPTER 7 최신 모델의 학습</br>7.1 이미지네트</br>7.2 정규화</br>7.3 점진적 크기 조절</br>7.4 테스트 시 증강</br>7.5 믹스업</br>7.6 레이블 평활화</br>7.7 결론</br>7.8 질문지</br></br>CHAPTER 8 협업 필터링 깊게 알아보기</br>8.1 데이터의 첫 인상</br>8.2 잠재 요소 학습하기</br>8.3 DataLoaders 만들기</br>8.4 밑바닥부터 만드는 협업 필터링</br>8.5 임베딩과 편향의 분석</br>8.6 초기의 협업 필터링 모델 구축하기</br>8.7 협업 필터링을 위한 딥러닝</br>8.8 결론</br>8.9 질문지</br></br>CHAPTER 9 테이블 데이터 모델링 깊게 알아보기</br>9.1 범주형 임베딩</br>9.2 딥러닝 이외의 기법</br>9.3 데이터셋</br>9.4 결정 트리</br>9.5 랜덤 포레스트</br>9.6 모델의 해석</br>9.7 외삽 및 신경망</br>9.8 앙상블</br>9.9 결론</br>9.10 질문지</br></br>CHAPTER 10 NLP 깊게 알아보기: 순환 신경망</br>10.1 텍스트 전처리</br>10.2 텍스트 분류기의 학습</br>10.3 허위 정보와 언어 모델</br>10.4 결론</br>10.5 질문지</br></br>CHAPTER 11 fastai의 중간 수준 API로 데이터 변환하기</br>11.1 fastai의 계층적 API 깊게 들여다보기</br>11.2 TfmdLists와 Datasets: 콜렉션 목록의 변환</br>11.3 중간 수준 데이터 API 적용 해보기: SiamesePair</br>11.4 결론</br>11.5 질문지</br>11.6 fastai의 애플리케이션 이해하기: 요약</br></br><b>PART III 딥러닝의 기반 지식</b></br></br>CHAPTER 12 밑바닥부터 구현하는 언어 모델</br>12.1 데이터</br>12.2 첫 번째 언어 모델</br>12.3 RNN 개선하기</br>12.4 다층 RNN</br>12.5 LSTM</br>12.6 LSTM의 정규화</br>12.7 결론</br>12.8 질문지</br></br>CHAPTER 13 합성곱 신경망</br>13.1 합성곱의 마법</br>13.2 첫 번째 합성곱 신경망</br>13.3 컬러 이미지</br>13.4 학습의 안정성 개선하기</br>13.5 결론</br>13.6 질문지</br></br>CHAPTER 14 ResNets</br>14.1 이미지네트 문제로 되돌아가기</br>14.2 현대적 CNN의 구축: ResNet</br>14.3 결론</br>14.4 질문지</br></br>CHAPTER 15 애플리케이션 구조 깊게 살펴보기</br>15.1 영상 처리</br>15.2 자연어 처리</br>15.3 Tabular</br>15.4 결론</br>15.5 질문지</br></br>CHAPTER 16 학습 과정</br>16.1 기준선 정하기</br>16.2 포괄적 옵티마이저</br>16.3 모멘텀</br>16.4 RMSProp</br>16.5 Adam</br>16.6 분리된 가중치 감쇠</br>16.7 콜백</br>16.8 결론</br>16.9 질문지</br>16.10 딥러닝의 기초: 요약</br></br><b>PART IV 밑바닥부터 구현하는 딥러닝</b></br></br>CHAPTER 17 기초부터 만드는 신경망</br>17.1 밑바닥에서부터 신경망 계층 구축하기</br>17.2 순전파와 역전파</br>17.3 결론</br>17.4 질문지</br></br>CHAPTER 18 CAM을 이용한 CNN의 해석</br>18.1 CAM과 훅</br>18.2 그레이디언트 CAM</br>18.3 결론</br>18.4 질문지</br></br>CHAPTER 19 밑바닥부터 만드는 Learner 클래스</br>19.1 Data</br>19.2 모듈과 파라미터</br>19.3 손실</br>19.4 Learner</br>19.5 결론</br>19.6 질문지</br></br>CHAPTER 20 맺음말</br></br>부록 A 깃허브 기반 블로그 만들기</br>A.1 깃허브 페이지로 블로깅하기</br>A.2 주피터 노트북을 블로깅에 활용하기</br></br>부록 B 데이터 프로젝트 점검 목록</br>B.1 데이터 과학자</br>B.2 전략</br>B.3 데이터</br>B.4 분석</br>B.5 구현</br>B.6 유지 관리</br>B.7 제약 사항