희망도서 신청

딥러닝을 위한 파이토치 입문

<딥러닝호형> 저 | 영진닷컴

출간일: 2022-06-22

파일포맷: PDF

용량: 28 M

지원기기

현황: 신청 건수 : 0 건

간략 신청 메세지

파이토치로 시작하는 딥러닝 구축과 활용

구글의 음성인식, 인공지능 시스템 개발, 손상된 사진 복원 등 딥러닝 기술은 여러 분야와 실생활에서 다양하게 적용되고 있다. 이 책은 파이썬 기반의 오픈소스 머신러닝 라이브러리인 파이토치를 활용하여 실제로 딥러닝을 구축하고 활용하고자 하는 사람을 위한 입문서다. 인공 신경망에서 쓰이는 기초 개념을 토대로 실제 어떻게 인공지능이 구현되는지 코드 라인별로 상세하게 설명하여 초보자도 쉽게 이해할 수 있도록 구성했으며, 다양한 실습 예제를 통해 프로그램을 만드는 방법부터 머신러닝 기술의 사용법, 결과를 내는 방법까지 소개하고 있다.

초반부에는 파이썬의 기본적인 사용법부터 파이토치 같은 머신러닝을 위한 라이브러리 활용법, 머신러닝에서 사용하는 지도학습 개념 등 머신러닝을 시작하기 전에 알아야 할 것들을 공부하며 기초를 다진다. 또한 이미지 처리를 위한 합성곱 신경망, 시계열 데이터 처리를 위한 순환 형태의 신경망 그리고 앞으로 사용할 함수들을 연습하고 ResNet이나 BI-LSTM 같은 실제로 사용하기 좋은 모델을 제작해 본다. 이전 내용을 토대로 비지도 학습과 지금까지 배운 내용을 접목해 활용할 수 있는 방법도 소개한다. 후반부에는 과적합을 방지하고 성능을 올려주는 방법, 복잡한 결과를 쉽게 알아볼 수 있도록 시각화하는 법 등 실제 머신러닝을 진행할 때 도움이 될 방법들을 알려두며 앞 장의 지도 학습, 비지도 학습과 더불어 전이 학습과 준지도 학습 모델과 메타 학습, 유한차분법을 설명한다.

22명의 노벨상 수상자를 배출한 독일 막스플랑크 연구소에서 수치해석과 머신러닝을 연구하고 있다. 주요 연구 분야는 오토파일럿과 같은 비선형 시스템에 대한 효율적인 제어 방법이다. 수학과 데이터 분석을 전공했으며 한국에서는 리서치 엔지니어로서 신제품 개발과 다수의 성능 개선 프로젝트를 완수했다. 8년 전 머신러닝에 입문하여 지금까지 데이터 처리 기법, 성능 예측, 이미지 분류, 비지도 객체 인식, 정규화 방법 개발, 트위터 메시지 분석, 유체 예측 등 다양한 기술을 다뤘다. 이를 바탕으로 2019년부터 유튜브 영상과 온라인 강의를 제작하고 있으며 대학 기술 자문 및 공동 연구도 진행하고 있다.

Chapter 1 딥러닝 시작1.1 딥러닝이란1.1.1 딥러닝의 역사1.1.2 인공 신경망1.1.3 최근 동향1.2 파이썬과 파이토치Chapter 2 파이썬2.1 변수, 출력문, 라이브러리2.1.1 정수형(int)2.1.2 실수형(float)2.1.3 문자형(string)2.1.4 부울형(bool)2.1.5 출력문(print)2.1.6 라이브러리(library)2.2 리스트, 튜플, 딕셔너리2.2.1 리스트(list)2.2.2 튜플(tuple)2.2.3 딕셔너리(dict)2.3 넘파이2.3.1 여러 가지 배열2.3.2 배열의 크기와 변환2.3.3 조건문을 이용한 인덱스 검색2.3.4 배열의 기본 연산2.3.5 배열의 병합2.3.6 다양한 계산 함수2.4 조건문과 반복문2.4.1 if문2.4.2 for문2.4.3 while문2.4.4 break, continue문2.4.5 try & except문2.5 함수와 모듈2.5.1 함수2.5.2 모듈2.6 클래스2.7 그래프 그리기2.8 폴더 및 파일 관리2.9 터미널에서 파이썬 실행하기Chapter 3 지도 학습3.1 지도 학습이란3.2 지도 학습의 종류3.3 데이터 세트 분할Chapter 4 파이토치 기본4.1 텐서4.1.1 여러 가지 텐서4.1.2 리스트, 넘파이 배열을 텐서로 만들기4.1.3 텐서의 크기, 타입, 연산4.1.4 텐서의 크기 변환4.1.5 텐서에서 넘파이 배열로 변환4.1.6 단일 텐서에서 값으로 반환하기4.2 역전파4.2.1 그래디언트 텐서4.2.2 자동 미분 - 선형회귀식4.3 데이터 불러오기4.3.1 파이토치 제공 데이터 사용4.3.2 같은 클래스 별로 폴더를 정리한 경우4.3.3 정리되지 않은 커스텀 데이터 불러오기4.3.4 커스텀 데이터와 커스텀 전처리 사용하기4.3.5 커스텀 데이터와 파이토치 제공 전처리 사용하기4.3.6 커스텀 전처리와 파이토치에서 제공하는 전처리 함께 사용하기Chapter 5 인공 신경망5.1 다층 퍼셉 트론5.1.1 선형 회귀5.1.2 집값 예측하기5.2 활성화 함수5.2.1 활성화 함수가 필요한 이유5.2.2 선형 함수5.2.3 시그모이드(sigmoid) 함수5.2.4 tanh 함수5.2.5 ReLU 함수5.2.6 Softmax 함수5.2.7 기타 활성화 함수5.3 손실 함수5.3.1 MAE5.3.2 MSE5.3.3 Cross Entropy Loss5.3.4 기타 손실 함수5.4 최적화 기법5.4.1 확률적 경사하강법(SGD)5.4.2 다양한 최적화 기법5.4.3 스케줄링5.4.4 MADGRAD5.5 교차 검증5.5.1 교차 검증을 통한 집값 예측 모델 평가5.6 모델 구조 및 가중치 확인5.6.1 모델 구조5.6.2 모델 변수Chapter 6 합성곱 신경망6.1 합성곱 연산과 풀링 연산6.1.1 이미지 데이터6.1.2 MLP와 이미지 처리6.1.3 합성곱 연산과 풀링 연산6.2 ALEXNET6.3 RESNET6.4 다양한 합성곱 신경망Chapter 7 순환 신경망7.1 기본 순환 신경망7.1.1 시계열 데이터7.1.2 기본 인공 신경망과 순환 신경망7.1.3 순환 신경망의 다양한 형태7.1.4 기본 순환 신경망7.1.5 기본 순환 신경망 구현7.2 LSTM과 GRU7.2.1 기본 RNN의 문제7.2.2 LSTM7.2.3 GRU7.3 BI-LSTM7.3.1 Bi-LSTM 구현하기Chapter 8 비지도 학습8.1 비지도 학습이란8.2 K-평균 알고리즘8.3 오토인코더8.3.1 스택 오토인코더8.3.2 디노이징 오토인코더8.3.3 합성곱 오토인코더8.4 생성적 적대 신경망8.4.1 Vanilla GAN8.4.2 Deep Convolutional GAN(DCGAN)8.5 이미지 스타일 변이8.6 깊은 K-평균 알고리즘Chapter 9 성능 개선9.1 과적합9.1.1 데이터 증식9.1.2 조기 종료9.1.3 L2 정규화9.1.4 드롭아웃9.1.5 배치 정규화9.1.6 교란 라벨9.1.7 교란 값9.1.8 라벨 스무딩9.2 데이터 불균형9.2.1 가중 무작위 샘플링9.2.2 가중 손실 함수9.2.3 혼동 행렬9.3 전이 학습9.3.1 사전 학습 모델9.3.2 모델 프리징9.4 준지도 학습9.4.1 의사 라벨링Chapter 10 시각화10.1 설명 가능한 인공지능10.1.1 Class Activation Map10.2 차원 축소 기법10.2.1 t-distributed Stochastic Neighbor Embedding10.2.2 주성분 분석Chapter 11 메타 학습11.1 메타 러닝과 퓨샷 러닝11.2 MAML - 회귀문제11.3 MAML - 분류문제Chapter 12 과학적 계산12.1 유한차분법12.2 은닉 유체 메카니즘12.2.1 구조 설명12.2.2 모듈 구성하기(HFM 폴더)12.2.3 데이터 불러오기12.2.4 모델 및 연산12.2.5 모델 학습하기12.2.6 모델 평가하기12.2.7 코랩에서 파일 실행하기부록 딥러닝 정보 습득 방법