딥러닝을 위한 파이토치 입문

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 방법도소개한다.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 지도학습, 비지도 학습과 더불어 전이 학습과 준지도 학습 모델과 메타학습, 유한차분법을설명한다.

Chapter 1 딥러닝 시작
1.1 딥러닝이란
1.1.1 딥러닝의 역사
1.1.2 인공 신경망
1.1.3 최근 동향
1.2 파이썬과 파이토치

Chapter 2 파이썬
2.1 변수, 출력문, 라이브러리
2.1.1 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, 딕셔너리
2.2.1 리스트(list)
2.2.2 튜플(tuple)
2.2.3 딕셔너리(dict)
2.3 넘파이
2.3.1 여러 가지 배열
2.3.2 배열의 크기와 변환
2.3.3 조건문을 이용한 인덱스 검색
2.3.4 배열의 기본 연산
2.3.5 배열의 병합
2.3.6 다양한 계산 함수
2.4 조건문과 반복문
2.4.1 if문
2.4.2 for문
2.4.3 while문
2.4.4 break, continue문
2.4.5 try & except문
2.5 함수와 모듈
2.5.1 함수
2.5.2 모듈
2.6 클래스
2.7 그래프 그리기
2.8 폴더 및 파일 관리
2.9 터미널에서 파이썬 실행하기

Chapter 3 지도 학습
3.1 지도 학습이란
3.2 지도 학습의 종류
3.3 데이터 세트 분할

Chapter 4 파이토치 기본
4.1 텐서
4.1.1 여러 가지 텐서
4.1.2 리스트, 넘파이 배열을 텐서로 만들기
4.1.3 텐서의 크기, 타입, 연산
4.1.4 텐서의 크기 변환
4.1.5 텐서에서 넘파이 배열로 변환
4.1.6 단일 텐서에서 값으로 반환하기
4.2 역전파
4.2.1 그래디언트 텐서
4.2.2 자동 미분 - 선형회귀식
4.3 데이터 불러오기
4.3.1 파이토치 제공 데이터 사용
4.3.2 같은 클래스 별로 폴더를 정리한 경우
4.3.3 정리되지 않은 커스텀 데이터 불러오기
4.3.4 커스텀 데이터와 커스텀 전처리 사용하기
4.3.5 커스텀 데이터와 파이토치 제공 전처리 사용하기
4.3.6 커스텀 전처리와 파이토치에서 제공하는 전처리 함께 사용하기

Chapter 5 인공 신경망
5.1 다층 퍼셉 트론
5.1.1 선형 회귀
5.1.2 집값 예측하기
5.2 활성화 함수
5.2.1 활성화 함수가 필요한 이유
5.2.2 선형 함수
5.2.3 시그모이드(sigmoid) 함수
5.2.4 tanh 함수
5.2.5 ReLU 함수
5.2.6 Softmax 함수
5.2.7 기타 활성화 함수
5.3 손실 함수
5.3.1 MAE
5.3.2 MSE
5.3.3 Cross Entropy Loss
5.3.4 기타 손실 함수
5.4 최적화 기법
5.4.1 확률적 경사하강법(SGD)
5.4.2 다양한 최적화 기법
5.4.3 스케줄링
5.4.4 MADGRAD
5.5 교차 검증
5.5.1 교차 검증을 통한 집값 예측 모델 평가
5.6 모델 구조 및 가중치 확인
5.6.1 모델 구조
5.6.2 모델 변수

Chapter 6 합성곱 신경망
6.1 합성곱 연산과 풀링 연산
6.1.1 이미지 데이터
6.1.2 MLP와 이미지 처리
6.1.3 합성곱 연산과 풀링 연산
6.2 ALEXNET
6.3 RESNET
6.4 다양한 합성곱 신경망

Chapter 7 순환 신경망
7.1 기본 순환 신경망
7.1.1 시계열 데이터
7.1.2 기본 인공 신경망과 순환 신경망
7.1.3 순환 신경망의 다양한 형태
7.1.4 기본 순환 신경망
7.1.5 기본 순환 신경망 구현
7.2 LSTM과 GRU
7.2.1 기본 RNN의 문제
7.2.2 LSTM
7.2.3 GRU
7.3 BI-LSTM
7.3.1 Bi-LSTM 구현하기

Chapter 8 비지도 학습
8.1 비지도 학습이란
8.2 K-평균 알고리즘
8.3 오토인코더
8.3.1 스택 오토인코더
8.3.2 디노이징 오토인코더
8.3.3 합성곱 오토인코더
8.4 생성적 적대 신경망
8.4.1 Vanilla GAN
8.4.2 Deep Convolutional GAN(DCGAN)
8.5 이미지 스타일 변이
8.6 깊은 K-평균 알고리즘

Chapter 9 성능 개선
9.1 과적합
9.1.1 데이터 증식
9.1.2 조기 종료
9.1.3 L2 정규화
9.1.4 드롭아웃
9.1.5 배치 정규화
9.1.6 교란 라벨
9.1.7 교란 값
9.1.8 라벨 스무딩
9.2 데이터 불균형
9.2.1 가중 무작위 샘플링
9.2.2 가중 손실 함수
9.2.3 혼동 행렬
9.3 전이 학습
9.3.1 사전 학습 모델
9.3.2 모델 프리징
9.4 준지도 학습
9.4.1 의사 라벨링

Chapter 10 시각화
10.1 설명 가능한 인공지능
10.1.1 Class Activation Map
10.2 차원 축소 기법
10.2.1 t-distributed Stochastic Neighbor Embedding
10.2.2 주성분 분석

Chapter 11 메타 학습
11.1 메타 러닝과 퓨샷 러닝
11.2 MAML - 회귀문제
11.3 MAML - 분류문제

Chapter 12 과학적 계산
12.1 유한차분법
12.2 은닉 유체 메카니즘
12.2.1 구조 설명
12.2.2 모듈 구성하기(HFM 폴더)
12.2.3 데이터 불러오기
12.2.4 모델 및 연산
12.2.5 모델 학습하기
12.2.6 모델 평가하기
12.2.7 코랩에서 파일 실행하기

부록 딥러닝 정보 습득 방법