ÄÜÅÙÃ÷ »ó¼¼º¸±â
¹Ø¹Ù´ÚºÎÅÍ ½ÃÀÛÇÏ´Â µö·¯´×


¹Ø¹Ù´ÚºÎÅÍ ½ÃÀÛÇÏ´Â µö·¯´×

¹Ø¹Ù´ÚºÎÅÍ ½ÃÀÛÇÏ´Â µö·¯´×

<»çÀÌÅä °íÅ°> Àú/<°³¾Õ¸Ê½Ã(À̺¹¿¬)> ¿ª | ÇѺû¹Ìµð¾î

Ãâ°£ÀÏ
2017-01-26
ÆÄÀÏÆ÷¸Ë
ePub
¿ë·®
7 M
Áö¿ø±â±â
PC½º¸¶Æ®ÆùÅÂºí¸´PC
ÇöȲ
½Åû °Ç¼ö : 0 °Ç
°£·« ½Åû ¸Þ¼¼Áö
ÄÜÅÙÃ÷ ¼Ò°³
¸ñÂ÷
ÇÑÁÙ¼­Æò

ÄÜÅÙÃ÷ ¼Ò°³

Á÷Á¢ ±¸ÇöÇÏ°í ¿òÁ÷¿©º¸¸ç ÀÍÈ÷´Â °¡Àå ½¬¿î µö·¯´× ÀÔ¹®¼­

ÀÌ Ã¥Àº ¶óÀ̺귯¸®³ª ÇÁ·¹ÀÓ¿öÅ©¿¡ ÀÇÁ¸ÇÏÁö ¾Ê°í, µö·¯´×ÀÇ ÇÙ½ÉÀ» ¡®¹Ø¹Ù´ÚºÎÅÍ¡¯ Á÷Á¢ ¸¸µé¾îº¸¸ç Áñ°Ì°Ô ¹è¿ï ¼ö ÀÖ´Â º»°Ý µö·¯´× ÀÔ¹®¼­ÀÌ´Ù. ¼ú¼ú ÀÐÈú ¸¸Å­ ½±°Ô ¼³¸íÇÏ¿´°í, ¿ªÀüÆÄó·³ ¾î·Á¿î ³»¿ëÀº ¡®°è»ê ±×·¡ÇÁ¡¯ ±â¹ýÀ¸·Î ½Ã°¢ÀûÀ¸·Î Ç®ÀÌÇß´Ù. ¹«¾ùº¸´Ù ÀÛµ¿ÇÏ´Â Äڵ尡 ÀÖ¾î Á÷Á¢ µ¹·Áº¸°í ¿ä¸®Á¶¸® ¼öÁ¤Çغ¸¸é ¾î·Á¿î À̷еµ ¸íÈ®ÇÏ°Ô ÀÌÇØÇÒ ¼ö ÀÖ´Ù. µö·¯´×¿¡ »õ·Ó°Ô ÀÔ¹®ÇÏ·Á´Â ºÐ°ú ±âÃʸ¦ ´Ù½Ã±Ý Á¤¸®ÇÏ°í ½ÍÀº Çö¾÷ ¿¬±¸ÀÚ¿Í °³¹ßÀÚ¿¡°Ô ÃÖ°íÀÇ Ã¥ÀÌ µÉ °ÍÀÌ´Ù.

¸ñÂ÷

1Àå Çï·Î ÆÄÀ̽ã
1.1 ÆÄÀ̽ãÀ̶õ?
1.2 ÆÄÀ̽㠼³Ä¡Çϱâ
__1.2.1 ÆÄÀ̽㠹öÀü
__1.2.2 »ç¿ëÇÏ´Â ¿ÜºÎ ¶óÀ̺귯¸®
__1.2.3 ¾Æ³ªÄÜ´Ù ¹èÆ÷ÆÇ
1.3 ÆÄÀ̽ã ÀÎÅÍÇÁ¸®ÅÍ
__1.3.1 »ê¼ú ¿¬»ê
__1.3.2 ÀÚ·áÇü
__1.3.3 º¯¼ö
__1.3.4 ¸®½ºÆ®
__1.3.5 µñ¼Å³Ê¸®
__1.3.6 bool
__1.3.7 if ¹®
__1.3.8 for ¹®
__1.3.9 ÇÔ¼ö
1.4 ÆÄÀ̽㠽ºÅ©¸³Æ® ÆÄÀÏ
__1.4.1 ÆÄÀÏ·Î ÀúÀåÇϱâ
__1.4.2 Ŭ·¡½º
1.5 ³ÑÆÄÀÌ
__1.5.1 ³ÑÆÄÀÌ °¡Á®¿À±â
__1.5.2 ³ÑÆÄÀÌ ¹è¿­ »ý¼ºÇϱâ
__1.5.3 ³ÑÆÄÀÌÀÇ »ê¼ú ¿¬»ê
__1.5.4 ³ÑÆÄÀÌÀÇ NÂ÷¿ø ¹è¿­
__1.5.5 ºê·Îµåij½ºÆ®
__1.5.6 ¿ø¼Ò Á¢±Ù
1.6 matplotlib
__1.6.1 ´Ü¼øÇÑ ±×·¡ÇÁ ±×¸®±â
__1.6.2 pyplotÀÇ ±â´É
__1.6.3 À̹ÌÁö Ç¥½ÃÇϱâ
1.7 Á¤¸®

2Àå ÆÛ¼ÁÆ®·Ð
2.1 ÆÛ¼ÁÆ®·ÐÀ̶õ?
2.2 ´Ü¼øÇÑ ³í¸® ȸ·Î
__2.2.1 AND °ÔÀÌÆ®
__2.2.2 NAND °ÔÀÌÆ®¿Í OR °ÔÀÌÆ®
2.3 ÆÛ¼ÁÆ®·Ð ±¸ÇöÇϱâ
__2.3.1 °£´ÜÇÑ ±¸ÇöºÎÅÍ
__2.3.2 °¡ÁßÄ¡¿Í ÆíÇâ µµÀÔ
__2.3.3 °¡ÁßÄ¡¿Í ÆíÇâ ±¸ÇöÇϱâ
2.4 ÆÛ¼ÁÆ®·ÐÀÇ ÇÑ°è
__2.4.1 µµÀü! XOR °ÔÀÌÆ®
__2.4.2 ¼±Çü°ú ºñ¼±Çü
2.5 ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀÌ Ã⵿ÇÑ´Ù¸é
__2.5.1 ±âÁ¸ °ÔÀÌÆ® Á¶ÇÕÇϱâ
__2.5.2 XOR °ÔÀÌÆ® ±¸ÇöÇϱâ
2.6 NAND¿¡¼­ ÄÄÇ»ÅͱîÁö
2.7 Á¤¸®

3Àå ½Å°æ¸Á
3.1 ÆÛ¼ÁÆ®·Ð¿¡¼­ ½Å°æ¸ÁÀ¸·Î
__3.1.1 ½Å°æ¸ÁÀÇ ¿¹
__3.1.2 ÆÛ¼ÁÆ®·Ð º¹½À
__3.1.3 È°¼ºÈ­ ÇÔ¼öÀÇ µîÀå
3.2 È°¼ºÈ­ ÇÔ¼ö
__3.2.1 ½Ã±×¸ðÀ̵å ÇÔ¼ö
__3.2.2 °è´Ü ÇÔ¼ö ±¸ÇöÇϱâ
__3.2.3 °è´Ü ÇÔ¼öÀÇ ±×·¡ÇÁ
__3.2.4 ½Ã±×¸ðÀ̵å ÇÔ¼ö ±¸ÇöÇϱâ
__3.2.5 ½Ã±×¸ðÀ̵å ÇÔ¼ö¿Í °è´Ü ÇÔ¼ö ºñ±³
__3.2.6 ºñ¼±Çü ÇÔ¼ö
__3.2.7 ReLU ÇÔ¼ö
3.3 ´ÙÂ÷¿ø ¹è¿­ÀÇ °è»ê
__3.3.1 ´ÙÂ÷¿ø ¹è¿­
__3.3.2 Çà·ÄÀÇ ³»Àû
__3.3.3 ½Å°æ¸ÁÀÇ ³»Àû
3.4 3Ãþ ½Å°æ¸Á ±¸ÇöÇϱâ
__3.4.1 Ç¥±â¹ý ¼³¸í
__3.4.2 °¢ ÃþÀÇ ½ÅÈ£ Àü´Þ ±¸ÇöÇϱâ
__3.4.3 ±¸Çö Á¤¸®
3.5 Ãâ·ÂÃþ ¼³°èÇϱâ
__3.5.1 Ç×µî ÇÔ¼ö¿Í ¼ÒÇÁÆ®¸Æ½º ÇÔ¼ö ±¸ÇöÇϱâ
__3.5.2 ¼ÒÇÁÆ®¸Æ½º ÇÔ¼ö ±¸Çö ½Ã ÁÖÀÇÁ¡
__3.5.3 ¼ÒÇÁÆ®¸Æ½º ÇÔ¼öÀÇ Æ¯Â¡
__3.5.4 Ãâ·ÂÃþÀÇ ´º·± ¼ö Á¤Çϱâ
3.6 ¼Õ±Û¾¾ ¼ýÀÚ ÀνÄ
__3.6.1 MNIST µ¥ÀÌÅͼÂ
__3.6.2 ½Å°æ¸ÁÀÇ Ã߷Рó¸®
__3.6.3 ¹èÄ¡ ó¸®
3.7 Á¤¸®

4Àå ½Å°æ¸Á ÇнÀ
4.1 µ¥ÀÌÅÍ¿¡¼­ ÇнÀÇÑ´Ù!
__4.1.1 µ¥ÀÌÅÍ ÁÖµµ ÇнÀ
__4.1.2 ÈÆ·Ã µ¥ÀÌÅÍ¿Í ½ÃÇè µ¥ÀÌÅÍ
4.2 ¼Õ½Ç ÇÔ¼ö
__4.2.1 Æò±Õ Á¦°ö ¿ÀÂ÷
__4.2.2 ±³Â÷ ¿£Æ®·ÎÇÇ ¿ÀÂ÷
__4.2.3 ¹Ì´Ï¹èÄ¡ ÇнÀ
__4.2.4 (¹èÄ¡¿ë) ±³Â÷ ¿£Æ®·ÎÇÇ ¿ÀÂ÷ ±¸ÇöÇϱâ
__4.2.5 ¿Ö ¼Õ½Ç ÇÔ¼ö¸¦ ¼³Á¤Çϴ°¡?
4.3 ¼öÄ¡ ¹ÌºÐ
__4.3.1 ¹ÌºÐ
__4.3.2 ¼öÄ¡ ¹ÌºÐÀÇ ¿¹
__4.3.3 Æí¹ÌºÐ
4.4 ±â¿ï±â
__4.4.1 °æ»ç¹ý(°æ»ç ÇÏ°­¹ý)
__4.4.2 ½Å°æ¸Á¿¡¼­ÀÇ ±â¿ï±â
4.5 ÇнÀ ¾Ë°í¸®Áò ±¸ÇöÇϱâ
__4.5.1 2Ãþ ½Å°æ¸Á Ŭ·¡½º ±¸ÇöÇϱâ
__4.5.2 ¹Ì´Ï¹èÄ¡ ÇнÀ ±¸ÇöÇϱâ
__4.5.3 ½ÃÇè µ¥ÀÌÅÍ·Î Æò°¡Çϱâ
4.6 Á¤¸®

5Àå ¿ÀÂ÷¿ªÀüÆĹý
5.1 °è»ê ±×·¡ÇÁ
__5.1.1 °è»ê ±×·¡ÇÁ·Î Ç®´Ù
__5.1.2 ±¹¼ÒÀû °è»ê
__5.1.3 ¿Ö °è»ê ±×·¡ÇÁ·Î Ǫ´Â°¡?
5.2 ¿¬¼â¹ýÄ¢
__5.2.1 °è»ê ±×·¡ÇÁ¿¡¼­ÀÇ ¿ªÀüÆÄ
__5.2.2 ¿¬¼â¹ýÄ¢À̶õ?
__5.2.3 ¿¬¼â¹ýÄ¢°ú °è»ê ±×·¡ÇÁ
5.3 ¿ªÀüÆÄ
__5.3.1 µ¡¼À ³ëµåÀÇ ¿ªÀüÆÄ
__5.3.2 °ö¼À ³ëµåÀÇ ¿ªÀüÆÄ
__5.3.3 »ç°ú ¼îÇÎÀÇ ¿¹
5.4 ´Ü¼øÇÑ °èÃþ ±¸ÇöÇϱâ
__5.4.1 °ö¼À °èÃþ
__5.4.2 µ¡¼À °èÃþ
5.5 È°¼ºÈ­ ÇÔ¼ö °èÃþ ±¸ÇöÇϱâ
__5.5.1 ReLU °èÃþ
__5.5.2 Sigmoid °èÃþ
5.6 Affine/Softmax °èÃþ ±¸ÇöÇϱâ
__5.6.1 Affine °èÃþ
__5.6.2 ¹èÄ¡¿ë Affine °èÃþ
__5.6.3 Softmax-with-Loss °èÃþ
5.7 ¿ÀÂ÷¿ªÀüÆĹý ±¸ÇöÇϱâ
__5.7.1 ½Å°æ¸Á ÇнÀÀÇ Àüü ±×¸²
__5.7.2 ¿ÀÂ÷¿ªÀüÆĹýÀ» Àû¿ëÇÑ ½Å°æ¸Á ±¸ÇöÇϱâ
__5.7.3 ¿ÀÂ÷¿ªÀüÆĹýÀ¸·Î ±¸ÇÑ ±â¿ï±â °ËÁõÇϱâ
__5.7.4 ¿ÀÂ÷¿ªÀüÆĹýÀ» »ç¿ëÇÑ ÇнÀ ±¸ÇöÇϱâ
5.8 Á¤¸®

6Àå ÇнÀ °ü·Ã ±â¼úµé
6.1 ¸Å°³º¯¼ö °»½Å
__6.1.1 ¸ðÇè°¡ À̾߱â
__6.1.2 È®·üÀû °æ»ç ÇÏ°­¹ý(SGD)
__6.1.3 SGDÀÇ ´ÜÁ¡
__6.1.4 ¸ð¸àÅÒ
__6.1.5 AdaGrad
__6.1.6 Adam
__6.1.7 ¾î´À °»½Å ¹æ¹ýÀ» ÀÌ¿ëÇÒ °ÍÀΰ¡?
__6.1.8 MNIST µ¥ÀÌÅͼÂÀ¸·Î º» °»½Å ¹æ¹ý ºñ±³
6.2 °¡ÁßÄ¡ÀÇ Ãʱ갪
__6.2.1 Ãʱ갪À» 0À¸·Î Çϸé?
__6.2.2 Àº´ÐÃþÀÇ È°¼ºÈ­ ºÐÆ÷
__6.2.3 ReLU¸¦ »ç¿ëÇÒ ¶§ÀÇ °¡ÁßÄ¡ Ãʱ갪
__6.2.4 MNIST µ¥ÀÌÅͼÂÀ¸·Î º» °¡ÁßÄ¡ Ãʱ갪 ºñ±³
6.3 ¹èÄ¡ Á¤±ÔÈ­
__6.3.1 ¹èÄ¡ Á¤±ÔÈ­ ¾Ë°í¸®Áò
__6.3.2 ¹èÄ¡ Á¤±ÔÈ­ÀÇ È¿°ú
6.4 ¹Ù¸¥ ÇнÀÀ» À§ÇØ
__6.4.1 ¿À¹öÇÇÆÃ
__6.4.2 °¡ÁßÄ¡ °¨¼Ò
__6.4.3 µå·Ó¾Æ¿ô
6.5 ÀûÀýÇÑ ÇÏÀÌÆÛÆĶó¹ÌÅÍ °ª ã±â
__6.5.1 °ËÁõ µ¥ÀÌÅÍ
__6.5.2 ÇÏÀÌÆÛÆĶó¹ÌÅÍ ÃÖÀûÈ­
__6.5.3 ÇÏÀÌÆÛÆĶó¹ÌÅÍ ÃÖÀûÈ­ ±¸ÇöÇϱâ
6.6 Á¤¸®

7Àå ÇÕ¼º°ö ½Å°æ¸Á(CNN)
7.1 Àüü ±¸Á¶
7.2 ÇÕ¼º°ö °èÃþ
__7.2.1 ¿ÏÀü¿¬°á °èÃþÀÇ ¹®Á¦Á¡
__7.2.2 ÇÕ¼º°ö ¿¬»ê
__7.2.3 Æеù
__7.2.4 ½ºÆ®¶óÀ̵å
__7.2.5 3Â÷¿ø µ¥ÀÌÅÍÀÇ ÇÕ¼º°ö ¿¬»ê
__7.2.6 ºí·ÏÀ¸·Î »ý°¢Çϱâ
__7.2.7 ¹èÄ¡ ó¸®
7.3 Ç®¸µ °èÃþ
__7.3.1 Ç®¸µ °èÃþÀÇ Æ¯Â¡
7.4 ÇÕ¼º°ö/Ç®¸µ °èÃþ ±¸ÇöÇϱâ
__7.4.1 4Â÷¿ø ¹è¿­
__7.4.2 im2col·Î µ¥ÀÌÅÍ Àü°³Çϱâ
__7.4.3 ÇÕ¼º°ö °èÃþ ±¸ÇöÇϱâ
__7.4.4 Ç®¸µ °èÃþ ±¸ÇöÇϱâ
7.5 CNN ±¸ÇöÇϱâ
7.6 CNN ½Ã°¢È­Çϱâ
__7.6.1 1¹ø° ÃþÀÇ °¡ÁßÄ¡ ½Ã°¢È­Çϱâ
__7.6.2 Ãþ ±íÀÌ¿¡ µû¸¥ ÃßÃâ Á¤º¸ º¯È­
7.7 ´ëÇ¥ÀûÀÎ CNN
__7.7.1 LeNet
__7.7.2 AlexNet
7.8 Á¤¸®

8Àå µö·¯´×
8.1 ´õ ±í°Ô
__8.1.1 ´õ ±íÀº ³×Æ®¿öÅ©·Î
__8.1.2 Á¤È®µµ¸¦ ´õ ³ôÀÌ·Á¸é
__8.1.3 ±í°Ô ÇÏ´Â ÀÌÀ¯
8.2 µö·¯´×ÀÇ Ãʱ⠿ª»ç
__8.2.1 À̹ÌÁö³Ý
__8.2.2 VGG
__8.2.3 GoogLeNet
__8.2.4 ResNet
8.3 ´õ ºü¸£°Ô(µö·¯´× °í¼ÓÈ­)
__8.3.1 Ç®¾î¾ß ÇÒ ¼÷Á¦
__8.3.2 GPU¸¦ È°¿ëÇÑ °í¼ÓÈ­
__8.3.3 ºÐ»ê ÇнÀ
__8.3.4 ¿¬»ê Á¤¹Ðµµ¿Í ºñÆ® ÁÙÀ̱â
8.4 µö·¯´×ÀÇ È°¿ë
__8.4.1 »ç¹° °ËÃâ
__8.4.2 ºÐÇÒ
__8.4.3 »çÁø ĸ¼Ç »ý¼º
8.5 µö·¯´×ÀÇ ¹Ì·¡
__8.5.1 À̹ÌÁö ½ºÅ¸ÀÏ(ȭdz) º¯È¯
__8.5.2 À̹ÌÁö »ý¼º
__8.5.3 ÀÚÀ² ÁÖÇà
__8.5.4 Deep Q-Network(°­È­ÇнÀ)
8.6 Á¤¸®

ºÎ·Ï A Softmax-with-Loss °èÃþÀÇ °è»ê ±×·¡ÇÁ
A.1 ¼øÀüÆÄ
A.2 ¿ªÀüÆÄ
A.3 Á¤¸®
Âü°í¹®Çå