R 딥러닝 쿡북(R Deep Learning Cookbook)

이 책에서는 R에서 사용 가능한 딥러닝 패키지 MXNet, 텐서플로, H2O를 소개하고, 이를 사용해 딥러닝 모델을 구현해본다. 주피터와 도커를 이용해 R 딥러닝 패키지를 설정하고 로지스틱 회귀, MLP 등 기초 개념을 이해한다. 데이터를 다운로드한 후 CNN, 오토인코더, 생성 모델, RNN, 강화 학습을 실제 예를 들어 설명하고, 직접 실습한다. 또한 사례연구로 텍스트 마이닝과 신호 처리에 적용해본다. 마지막으로 이전 학습 방법과 GPU 사용법도 다룬다.

1장. 소개 -R과 IDE 설치 -주피터 노트북 애플리케이션 설치 -R 머신 러닝 기초 시작 -R 딥러닝 도구/패키지 설치 -R MXNet 설치 -R 텐서플로 설치 -R의 H2O 설치 -도커로 세 패키지 한 번에 설치 2장. R 딥러닝 -로지스틱 회귀 시작 -준비 -데이터셋 도입 -H2O 로지스틱 회귀 -텐서플로 로지스틱 회귀 -텐서플로 그래프 시각화 -다층 퍼셉트론 시작 -H2O 인공 신경망 -H2O 그리드 서치를 활용한 초매개변수 조정 -MXNet 인공 신경망 -텐서플로 인공 신경망 3장. CNN -소개 -이미지 데이터셋 다운로드와 설정 -CNN 분류기 구조 이해 -가중치와 편향 초기화 함수 정의 -새 콘볼루션 계층 생성 함수 정의 -콘볼루션 계층 평탄화 함수 정의 -과연결 계층 평탄화 함수 정의 -플레이스홀더 변수 정의 -첫 번째 콘볼루션 계층 생성 -두 번째 콘볼루션 계층 생성 -두 번째 콘볼루션 계층 평탄화 -첫 번째 완전 연결 계층 생성 -첫 번째 완전 연결 계층의 드롭아웃 적용 -드롭아웃을 사용한 두 번째 완전 연결 계층 생성 -소프트맥스 활성화를 사용한 클래스 예측 -최적화를 위한 손실 함수 정의 -경사 하강 손실 최적화 -텐서플로 세션에서의 그래프 실행 -테스트 데이터상 성능 평가 4장. 오토인코더 데이터 표현 -소개 -오토인코더 설정 -데이터 정규화 -표준화 오토인코더 설정 -오토인코더 매개변수 조정 -적층 오토인코더 설정 -노이즈 제거 오토인코더 설정 -확률 인코더와 디코더 생성과 비교 -오토인코더 다양체 학습 -희소 분해 평가 5장. 딥러닝 생성 모델 -RBM과 주성분 분석 비교 -베르누이 분포 입력 값의 RBM 설정 -RBM 훈련 -RBM 역방향 혹은 재구성 단계 -재구성 CD 이해 -새 텐서플로 세션 초기화와 시작 -RBM 결과 평가 -RBM 협동 필터링 설정 -RBM 전체 훈련 수행 -DBN 설정 -피드포워드 역전달 신경망 구현 -DRBM 설정 6장. 순환 신경망 -기본 RNN 설정 -양방향 RNN 모델 설정 -심층 RNN 모델 설정 -LSTM 기반 순차 모델 설정 7장. 강화 학습 -소개 -MDP 설정 -모델 기반 학습 수행 -모델 자유 학습 수행 8장. 텍스트 마이닝 딥러닝 응용 -텍스트 데이터 전처리와 감정 추출 -tf-idf를 사용한 문서 분석 -LSTM 망을 사용한 감정 예측 -text2vec를 사용한 응용 9장. 신호 처리 딥러닝 응용 -음악 MIDI 파일 소개와 전처리 -RBM 모델 개발 -새 악보 생성 10장. 이전 학습 -소개 -사전 학습 모델 사용법 설명 -이전 학습 모델 설정 -이미지 분류 모델 개발 -GPU 딥러닝 모델 학습 -CPU와 GPU 성능 비교