소장자료검색

분명, Deep Learning은 어려운 분야이다. 많은 수학 수식과 통계 지식이 필요하다. 하지만 Google사가 tensorflow를 내놓은지 몇 년이 지난 지금, Keras가 등장하고 수 많은 모델이 개발되었으며 많은 연구자들이 이 분야를 연구하면서 Deep Learning은 조금씩 쉬워지고 있다.
모든 분야가 그렇듯 Deep Learning분야도 실전에 바로 쓰일 수 있는 예제를 통해 공부할 때 확실하게 배울 수 있다.
수 많은 Deep Learning책이 있지만 대부분 신경망의 기초 원리에 대해서만 다루고 심도 있는 실전 예제를 다루지 않는다.
이 책은 전체가 예제로 구성되어 있다. 그것도 기초적인 예제가 아닌 Deep Learning을 공부하면서 꼭 알고 싶었던 주제를 심도 있게 다룬다. Cookbook형식으로 되어 있어 바로 찾아서 원하는 주제를 공부할 수 있다.
저자는 친절하게 모든 예제를 Jupyter Notebook으로 제공한다. 이 파일에는 모든 코드와 학습에 필요한 데이터가 들어 있어 간편하게 코드를 실행할 수 있다. 어떤 예제는 학습을 위한 데이터를 구하는데만 몇 일이 걸릴 수 있지만 이 파일을 이용하면 쉽게 코드를 실행할 수 있다.

IT분야에는 수 많은 주제가 탄생하고 사라진다. 인공지능, Deep Learning는 어떻게 될까? 앞 날을 알 수는 없지만 이 주제는 분명 꽤 오랜 시간 남아 발전할 것이다. Google사가 DeepMind사를 인수하고 알파고가 등장했을 때만 해도 이 분야를 공부하는 사람은 소수에 불과했다. 그러나 지금은 세계 곳곳에서 수 많은 연구자들이 연구 성과를 쏟아내고 있다.
모든 분야가 그렇게 예제를 통해 공부할 때 가장 확실하게 이해할 수 있다. 기존 신경망 관련된 책은 아주 기초적인 예제만 다루고 지나치게 이론적인 부분을 많이 다룬다.
때로는 예제를 통해 그 뒤에 숨어 있는 이론적인 부분을 이해할 수도 있다. 이런 측면에서 볼 때 이 책에서 보여주는 다양한 예제는 신경망을 더욱 잘 이해할 수 있도록 분명히 도울 것이다.
신경망을 다루는 것은 예전에 비하면 비교할 수 없을 정도로 쉬워졌다. 그리고 학습을 위한 데이터를 구하는 것도 아주 많이 쉬워졌다.
마음만 먹으면 언제든 훌륭한 연구자들과 어깨를 나란히 할 수 있다.
여기 그런 고수들의 노하우가 담긴 책을 발간한다. 저자의 어깨 위에서 위를 바라볼 수 있게 될 것이다.
이 책은 놀라운 책이다. 저자가 겪은 실패와 성공을 단번에 정리하여 이 책을 읽는 사람으로 하여금 꽃 길만 걷게 한다. 책 내용을 보면 이 어려운 주제를 이렇게 간단하게 설명 해도 되나 싶을 정도로 깔끔하게 정리해 설명한다. 독자는 그 위에 자신만의 새로운 연구를 올려놓기만 하면 된다.

서문

Chapter_01 도구와 기술
____1.1 신경망의 종류
____1.2 데이터 구하기
____1.3 데이터 전처리하기

Chapter_02 문제 해결하기
____2.1 문제에 빠졌는지 판단하기
____2.2 런타임 오류 해결하기
____2.3 중간 결괏값을 확인하기
____2.4 옳은 (마지막 레이어) 활성화 함수 고르기
____2.5 정규화와 드롭아웃
____2.6 네트워크 구조, 배치 크기, 학습 속도

Chapter_03 단어 임베딩을 사용하여 텍스트 유사성 계산하기
____3.1. 미리 학습된 단어 임베딩을 이용하여 단어 유사성 찾기
____3.2. Word2vec 수학
____3.3. 단어 임베딩 시각화
____3.4. 임베딩에서 개체의 클래스 찾기
____3.5. 항목 내에서 시멘틱 거리 계산
____3.6. 국가 데이터를 지도로 시각화하기

Chapter_04 위키피디아 외부 링크를 이용한 추천 시스템 구축
____4.1. 데이터 수집
____4.2. 영화 임베딩 학습하기
____4.3. 영화 추천 시스템 만들기
____4.4 단순 영화 평점 예측

Chapter_05 특정 문체를 흉내 내는 문장 생성하기
____5.1 공개 도서에서 문장 추출하기
____5.2 셰익스피어가 쓴 것 같은 문장 생성하기
____5.3 RNN을 사용하여 자등으로 파이썬 코드 생성하기
____5.4 결과물의 변동성 제어하기
____5.5 RNN 동작 시각화하기

Chapter_06 질문, 답변 매칭
____6.1 StackExchange에서 데이터 획득하기
____6.2 Pandas를 사용하여 데이터 탐색하기
____6.3 Keras를 사용하여 특징화된 텍스트 사용하기
____6.4 질문, 답변 모델 만들기
____6.5 Pandas로 모델 훈련하기
____6.6 유사도 검증

Chapter_07 이모티콘 추천하기
____7.1 간단한 감정 분류기 만들기
____7.2 단순 분류기 분석
____7.3 CNN을 이용한 감정 분석
____7.4 트위터 데이터 수집
____7.5 단순 이모티콘 예측기
____7.6 드롭아웃과 다중 윈도우
____7.7 단어 레벨 모델 구축하기
____7.8 자신만의 임베딩 만들기
____7.9 RNN을 이용하여 분류하기
____7.10 결과를 시각화하여 평가하기
____7.11 모델 조합하기

Chapter_08 sequence-to-sequence 맵핑
____8.1 간단한 sequence-to-sequence 모델을 훈련하기
____8.2. 텍스트로부터 대화 내용을 추출하기
____8.3. 공개 어휘집 처리
____8.4. seq2seq 챗봇 훈련하기

Chapter_09 이미 훈련된 이미지 인식 신경망 재사용하기
____9.1 사전 훈련된 신경망 로드하기
____9.2 이미지 사전 처리하기
____9.3 이미지 추론
____9.4 Flickr API를 사용하여 레이블 된 이미지를 수집하기
____9.5 개와 고양이를 구별할 수 있는 분류기 구축하기
____9.6 검색 품질 개선하기
____9.7 이미지 인식 신경망 유지 보수하기

Chapter_10 입력된 이미지와 유사한 이미지 찾는 서비스 구축하기
____10.1. 위키피디아에서 이미지 얻기.
____10.2. N 차원 공간으로 이미지 투영하기
____10.3. 고차원 공간에서 최근접 이웃 찾기
____10.4. 임베딩 공간에서 로컬 클러스터 시각화

Chapter_11 한 이미지에서 여러 객체 검출하기
____11.1 사전 학습된 이미지 분류 신경망을 사용하여 다중 객체 검출하기
____11.2 Faster RCNN을 이용해 다중 객체 검출하기
____11.3 자체 이미지로 Faster RCNN 실행하기.

Chapter_12 이미지 스타일
____12.1. CNN 활성화 시각화하기
____12.2. 옥타브와 스케일링
____12.3. 신경망이 감지한 것을 시각화하기
____12.4. 이미지의 스타일 포착하기
____12.5. 이미지 일관성 증가를 위한 손실 기능 개선
____12.6. 스타일을 다른 이미지에 적용하기
____12.7. 스타일 보간(Interpolation)

Chapter_13 Autoencoder를 사용하여 이미지 생성하기
____13.1 Google Quick Draw에서 낙서 가져오기
____13.2 이미지용 Autoencoder만들기
____13.3 Autoencoder 결과 시각화
____13.4 정확한 분포로부터 이미지 표본 추출하기
____13.5 VAE 공간 시각화
____13.6 Conditional Variational Autoencoders

Chapter_14 DeepNets을 사용하여 아이콘 생성하기
____14.1 학습에 필요한 아이콘 세트 얻기
____14.2 아이콘을 벡터로 변환하기
____14.3 VAE를 사용하여 아이콘 생성하기
____14.4 데이터 증강을 이용해 Autoencoder의 성능 향상 시키기
____14.5 GAN(생산적 적대 신경망) 만들기
____14.6 GAN 학습하기
____14.7 GAN이 생성한 아이콘 표시
____14.8 그리기 명령어로 아이콘 인코딩하기
____14.9 RNN에 그리기 명령어 학습시키기
____14.10 RNN을 사용하여 아이콘 생성하기

Chapter_15 음악과 딥러닝
____15.1 음악 분류기를 위한 훈련 세트 만들기
____15.2 음악 장르 감지기 훈련
____15.3 혼동(Confusion) 시각화
____15.4 기존 음악 인덱싱
____15.5 Spotify API 사용하기
____15.6 Spotify에서 재생 목록 및 노래 수집하기
____15.7 음악 추천시스템 훈련
____15.8 word2vec 모델을 사용한 노래 추천

Chapter_16 머신 러닝 시스템 제품화하기
____16.1. 임베딩을 위해 Scikit-Learn의 최근접 이웃 탐색 기능 사용하기
____16.2. 임베딩 저장을 위해 PostgreSQL 사용하기
____16.3. 임베딩을 PostgreSQL에 저장하고 쿼리하기
____16.4 PostgreSQL에 고차원 모델 저장하기
____16.5 Python으로 마이크로 서비스 만들기
____16.6 Keras 모델을 마이크로 서비스로 배포하기
____16.7 웹 프레임워크에서 마이크로 서비스 호출하기
____16.8 TensorFlow의 seq2seq 모델 제품화하기
____16.9 브라우저에서 딥러닝 모델 실행하기
____16.10 TensorFlow Serving을 사용하여 Keras 모델
____16.11 iOS에서 Keras 모델 사용하기