먼저 「기본 블록」과 「학습 루프」 그림으로 이해하고 15가지 파이토치 딥러닝 신경망을 구현하고 학습하라개념을 제대로 이해하면 누구나 ‘데이터 분석 → 전처리 → 모델링 → 평가’ 순서를 따라 딥러닝 신경망을 어렵지 않게 만들 수 있다. 그래서 이 책은 이해를 돕는 그림을 곁들여 개념을 충실히 설명하고 「기본 블록」과 「학습 루프」를 그림으로 제시한다. 그러고 나서 이미지, 텍스트, GAN 생성 모델을 학습하는 데 유용한 15가지 신경망을 만들어본다. 이 책으로 딥러닝 기초를 다지고 나서 최신 논문을 참고하면 실무에서 만나는 데이터에 알맞은 문제 풀이 전략을 고안할 수 있게 될 것이다.Must Have 시리즈는 내 것으로 만드는 시간을 준다. 명확한 학습 목표와 핵심 정리를 제공하고, 간단명료한 설명과 다양한 그림으로 학습 효과를 극대화한다. 설명과 예제를 제공해 응용력을 키워준다. 할 수 있다. 포기는 없다. 지금 당장 밑줄 긋고 메모하고 타이핑해보자! Must Have가 여러분의 성장을 도울 것이다.
일본 JAIST 정보과학 석사. 동경의 딥러닝 엔지니어로 Ghelia에서 B2B 인공지능 솔루션을 개발 중이다. 딥러닝의 유용함을 널리 알리고자 유튜버로 활동하고 글을 쓰고 책을 집필한다. 쉬운 그림을 이용해 10초만에 핵심을 전달하자는 의미에서 닉네임을 텐초로 지어 활동하고 있다.
00장. 실습 환경 안내 __0.1 코랩 시작하기__0.2 코랩 기초 사용 방법__0.3 예제 코드 노트 복사하기__0.4 실습에 사용할 데이터셋 준비하기[1단계 : 딥러닝 입문하기]01장. 딥러닝 한눈에 살펴보기 __1.1 머신러닝과 딥러닝__1.2 지도 학습, 비지도 학습, 강화 학습__1.3 왜 딥러닝에 파이토치인가?__1.4 파이토치 권고 코딩 스타일__1.5 딥러닝 문제 해결 프로세스__1.6 딥러닝 문제 해결 체크리스트 __1.7 딥러닝에 필요한 최소한의 통계 개념__1.8 직관적 분석에 유용한 시각화__학습 마무리__연습문제02장. 인공 신경망 ANN 이해하기 __2.1 퍼셉트론__2.2 다층 신경망으로 단층 신경망 한계 극복하기__2.3 인공 신경망의 학습 확인해보기__2.4 손실 함수로 올바른 가중치 찾기__2.5 경사 하강법과 오차 역전파로 최적의 값 찾기__2.6 활성화 함수로 기울기 소실 예방하기__2.7 신경망 성능 비교하기__학습 마무리__연습문제03장. 간단한 신경망 만들기 __3.1 사인 함수 예측하기__3.2 보스턴 집값 예측하기 : 회귀 분석 __3.3 손글씨 분류하기 : 다중분류__학습 마무리__연습문제[2단계 : 입문용 신경망 3총사 CNN, ResNet, RNN]04장. 사진 분류하기 : CNN과 VGG __4.1 이해하기 : CNN __4.2 데이터 전처리하기__4.3 CNN으로 이미지 분류하기 __4.4 전이 학습 모델 VGG로 분류하기 __학습 마무리__연습문제05장. 유행 따라가기 : ResNet 만들기 __5.1 이해하기 : ResNet __5.2 이해하기 : 배치 정규화__5.3 기본 블록 정의하기 __5.4 ResNet 모델 정의하기 __5.5 모델 학습하기__5.6 모델 성능 평가하기 __학습 마무리__연습문제06장. 넷플릭스 주가 예측하기 : RNN으로 첫 시계열 학습 __6.1 이해하기 : RNN __6.2 데이터 살펴보기__6.3 학습용 데이터 만들기__6.4 RNN 모델 정의하기 __6.5 모델 학습하기__6.6 모델 성능 평가하기 __학습 마무리__연습문제[3단계 : 딥러닝으로 이미지 처리하기]07장. 이미지 세그멘테이션 : U-Net __7.1 이해하기 : U-Net __7.2 데이터 살펴보기__7.3 학습용 데이터 만들기__7.4 U-Net 모델 정의하기 __7.5 모델 학습하기__7.6 모델 성능 평가하기__학습 마무리__연습문제08장. 이미지 노이즈 제거 : 오토인코더 __8.1 이해하기 : 이미지 노이즈__8.2 이해하기 : 오토인코더 __8.3 데이터 살펴보기__8.4 학습용 데이터 만들기__8.5 인코더 모델 정의하기__8.6 디코더 모델 정의하기__8.7 CAE 모델 정의하기 __8.8 모델 학습하기__8.9 모델 성능 평가하기__학습 마무리__연습문제09장. 자동 채색 : Let there be color 모델__9.1 이해하기 : Let there be color 모델 구조 __9.2 데이터 살펴보기__9.3 학습용 데이터셋 만들기 __9.4 모델 정의하기 : 로 레벨 특징 추출기__9.5 모델 정의하기 : 미들 레벨 특징 추출기__9.6 모델 정의하기 : 글로벌 레벨 특징 추출기__9.7 모델 정의하기 : 컬러라이제이션 신경망__9.8 모델 정의하기 : 전체 모델__9.9 모델 학습하기__9.10 모델 성능 평가하기 __학습 마무리__연습문제[4단계 : 딥러닝으로 텍스트 처리하기]10장. 글쓰는 인공지능 : LSTM 텍스트 생성 __10.1 이해하기 : 텍스트 생성__10.2 이해하기 : LSTM __10.3 데이터 살펴보기__10.4 학습용 데이터 만들기__10.5 LSTM 모델 정의하기 __10.6 학습하기__10.7 모델 성능 평가하기 __학습 마무리__연습문제11장. 직접 만드는 번역기 : 어텐션 기계 번역 __11.1 이해하기 : Seq2Seq 모델 __11.2 이해하기 : 어텐션 메커니즘__11.3 이해하기 : GRU __11.4 데이터 살펴보기__11.5 학습용 데이터 만들기__11.6 인코더 정의하기__11.7 디코더 정의하기__11.8 어텐션 기계 번역기 학습하기__11.9 모델 성능 평가하기__학습 마무리__연습문제12장. 캡챠 텍스트 인식 : CRNN+GRU __12.1 이해하기 : CRNN __12.2 이해하기 : CTC 손실 __12.3 데이터 살펴보기__12.4 학습용 데이터셋 만들기 __12.5 CRNN 모델 정의하기 : CNN __12.6 CRNN 모델 정의하기 : 전체 모델 __12.7 모델 학습하기__12.8 모델 성능 평가하기__학습 마무리__연습문제[5단계 : GAN으로 생성 모델 만들기]13장. 사람 얼굴을 생성하는 GAN __13.1 이해하기 : GAN __13.2 이해하기 : 특징 공간__13.3 데이터 살펴보기__13.4 학습용 데이터셋 만들기 __13.5 GAN 생성자 정의하기 __13.6 GAN 감별자 정의하기 __13.7 가중치 초기화하기__13.8 모델 학습하기__13.9 모델 성능 평가하기__학습 마무리__연습문제14장. 화질을 개선하는 GAN__14.1 이해하기 : SRGAN __14.2 학습용 데이터셋 만들기 __14.3 SRGAN 생성자 정의하기 __14.4 SRGAN 감별자 정의하기 __14.5 CNN 특징 추출기 정의하기 __14.6 모델 학습하기__14.7 모델 성능 평가하기 __학습 마무리__연습문제15장. 데이터 없이 학습하는 GAN __15.1 이해하기 : 모델 경량화__15.2 이해하기 : GAN을 이용한 경량화 __15.3 교사 모델 학습하기 __15.4 GAN 생성자 정의하기 __15.5 학생 모델과 생성자 학습하기__15.6 모델 성능 평가하기 __학습 마무리__연습문제부록 A. 트랜스포머 · GPT · BERT · ViT 알아보기 부록 B. 오차 역전파에서 가중치 업데이트 과정부록 C. 윈도우 · 맥OS · 우분투에 개발 환경 구축하기
