딥다 딥러닝-수학.이론.실습을 호쾌하게 뚫는다

다들 어려워했던 수식들 하나하나, 딥다(Deep+多) 파고들어 설명하는 딥러닝 책 바야흐로 인공지능의 시대, 딥러닝 공부에도 왕도가 있을까? 인간이 편하자고 컴퓨터를 학습시키는 것이 딥러닝인데, 공부하는 사람들은 골머리 앓느라 편하지 않다. 이 책의 저자 역시 많은 책과 논문을 통해 딥러닝에 도전하면서 정작 힘들었던 부분은 그간의 책들에 생략되었던 수학적 지식이었다. 딥러닝 이론 자체가 어려운 게 아니라 그를 위한 수학에 아직 익숙하지 않았던 것뿐이었다. 1부는 딥러닝 실습을 맛보게 해준다. 질병을 예측하고, 자동응답 챗봇, 화재감시 시스템을 만드는가 하면, 가요도 작곡하고 심지어는 간단한 마이너리티 리포트까지 도출해본다. 2부는 딥러닝 관련 수학을 정면 돌파한다. 이론으로 파고들어가기 전에 기반을 다지는 부분이다. 각각 수식들의 전개를 생략 없이 다루며 독자들을 세심하게 안내한다. 3부는 비로소 딥러닝 이론들을 다룬다. 1부의 호기심과 재미, 2부의 수학 지식이라는 기본력을 바탕으로 딥러닝 이론을 다룬다. 딥러닝 하드 트레이닝을 표방하는 이 책은 어려워도 꼭 알아야 할 수학 지식과 딥러닝 핵심 이론들에 더해 재미있는 아이디어가 빛나는 한국형 딥러닝 실습까지 제공하는, 중급자용 딥러닝 종합교재이다. ‘딥다’는 사전에 ‘들입다’의 준말로 나오지만 여기서는 딥러닝을 만나 ‘Deep+多’라는 의미가 추가되었다.

서문 _ 딥러닝은 사실 쉽지 않습니다 1부 _ 딥러닝을 써먹는 방법 질병 패턴의 예측 : 패턴의 생성과 예측 Word2Vec과 미술관 옆 동물원 : 단어 사이의 거리개념 표현하기 상담 데이터 분류 ; 분류를 어떻게 접근할까? 자동응답 챗봇 만들기 : 어떤 대답을 하도록 만들까? 화재감지 시스템 : 온도를 어떻게 정의하지? 백화점 매출 예측 : 매출을 꼭 숫자로만 표현해야 하나? 가요 작곡가의 탄생 : 음표를 자동으로 생성하는 방법은? 추천 시스템 유사도 함수 : 어떤 고객과 상품들이 서로 가까울까? 마이너리티 리포트 : 미래를 예언한다는 것 2부 _ 딥러닝 수학 정면돌파 경사하강법(Gradient Descent) 기울기 경사하강법 오류 역전파(Error Back Propagation) 오류 역전파 행렬 편미분, 텐서, 야코비안 데이터 구조와 시스템 구현의 문제 MCMC와 미니배치 SGD, batch, mini-batch MCMC(마르코프 연쇄 몬테카를로) 활성화 함수와 교차 엔트로피 활성화 함수 소프트맥스와 교차 엔트로피 오버피팅 개선 가중치 감쇠 드롭아웃 학습효과 향상 학습 데이터의 확장 가중치 초기화 하이퍼 파라미터 설정 헤세 테크닉과 모멘텀 네스테로프 모멘텀과 학습속도 조절 자기부호화기(Auto Encoder) 자기부호화기와 화장실 거울 백색화 사전훈련 희소 자기부호화기 디노이징 자기부호화기 올리비아 핫세의 사진 데이터 압축과 복구 그리고 주성분 분석과 비교 SDA(Stacked Denoising Autoencoder) 만들기 3부 _ 딥러닝 이론 딥다 파기 FNN(Feed forward Neural Network) 개념의 시작 우편번호 인식 CNN(Convolutional Neural Network) 신경세포 콘볼루션 CNN에서 역전파 필기체 인식 컬러 이미지 RBM(Restricted Boltzmann Machine) 데이터의 확률분포 모델 RBM에서 θ구하기 RBM 학습 간단한 실험 RNN(Recurrent Neural Network) 노래 가사 BPTT - 직관적인 설명 BPTT - 수학적인 이해 RNN 코딩의 구현 문장의 자동생성 LSTM과 GRU 더 인간에 가깝게 구체적인 그림 LSTM에서의 역전파 그러니까 GRU 구현과 실행 Adaptive learning rate method - Adagrad, RMSprop, Adam 소스분석 DBN(Deep Belief Network) 딥 빌리프 네트워크의 이해 생성 모델과 판별 모델 SBN 로그우도의 lower bound DBN에서의 로그우도의 lower bound Fine Tuning Class-RBM 논문으로 만나는 Class-RBM Class-RBM에서의 로그우도 Discriminative RBM Deep RL 강화학습 개요 마르코프 의사결정 프로세스(MDP) 벨만 기대방정식과 Q함수 동적 프로그래밍 몬테카를로 방법 시간차 예측방법(TD) 살사(SARSA)와 Q러닝 Deep SARSA 몬테카를로 정책 그래디언트 DQN A2C(Advantage Actor-Critic) A3C(Asynchronous Advantage Actor-Critic) 볼츠만 선택 GAN Generative Adversarial Nets GAN의 기본적인 공식 Entropy와 JSD GAN의 최적화 방법 최적해의 컨버전스 가능성 맺음말 _ 미래는 딥러닝에서 시작된다