1부. 뉴럴 네트워크 기본
1장. 뉴럴 네트워크 개요
목표 정의
도구 확인
케라스
텐서플로
뉴럴 학습 기본
뉴럴 네트워크
두뇌 관찰
데이터 과학 기본
정보 이론
엔트로피
교차 엔트로피
데이터 처리 특성
데이터 과학에서 머신러닝으로
머신러닝의 함정
요약
더 읽을거리
2장. 뉴럴 네트워크 깊이 들여다보기
퍼셉트론: 생리학적 뉴런에서 인공지능 뉴런으로
퍼셉트론 구축
입력
가중치
총화
비선형성
바이어스의 역할
출력
오차를 활용한 학습
평균 제곱 오차 손실 함수
퍼셉트론 훈련
손실 정량화
모델 가중치 함수로서의 손실
역전파
기울기 계산
학습률
퍼셉트론 확장
단일 레이어 네트워크
텐서플로 플레이그라운드
패턴 계층 확인
한 걸음 더
요약
3장. 신호 처리: 뉴럴 네트워크를 활용한 데이터 분석
신호 처리
표상적 학습
무작위 기억 회피
숫자를 활용한 신호 표현
숫자를 활용한 이미지 표현
뉴럴 네트워크에 데이터 입력
텐서 예제
데이터의 차원
패키지 임포트
데이터 로드
차원 확인
모델 구축
케라스 레이어
가중치 초기화
케라스 활성화 함수
모델 시각화
모델 컴파일
모델 피팅
모델 성능 평가
정규화
케라스를 활용한 가중치 정규화 구현
가중치 정규화
케라스를 활용한 드롭아웃 정규화 구현
드롭아웃 정규화 실험
복잡성과 시간
MNIST 요약
언어 처리
감정 분석
인터넷 영화 리뷰 데이터 세트
데이터 세트 로딩
셰이프 및 타입 확인
단일 학습 인스턴스 확인
리뷰 디코딩
데이터 준비
원핫 인코딩
특징 벡터화
라벨 벡터화
네트워크 구축
모델 컴파일
모델 피팅
검증 데이터
콜백
조기 중단 콜백과 히스토리 콜백
모니터링 지표 선택
모델 예측 접근
예측 조사
IMDB 요약
연속된 변수 예측
보스턴 주택 가격 데이터 세트
데이터 로딩
데이터 탐색
특징별 표준화
모델 생성
모델 컴파일
훈련 및 테스트 오차 플로팅
k-폴드 검
이 책의 구성
1장, ‘뉴럴 네트워크 개요’에서는 데이터의 근본적인 특성과 구조, 다양한 형태를 직관적으로 사고할 수 있는 방법을 알아본다. 기본 데이터 타입, 발전된 데이터 구조(이미지, 비디오, 오디오, 텍스트, 센서 및 멀티미디어 데이터를 다루는 방법은 물론, 이와 같은 다양한 데이터 구조에서 정보를 추출하는 추상적 기반에 관해 다룬다.
2장, ‘뉴럴 네트워크 깊이 들여다보기’에서는 뉴럴 네트워크의 기반이 되는 수식 배경을 깊이 있게 살펴본다. 그 후 케라스를 사용해 머신러닝 프로젝트의 산출물을 반복적으로 개선할 수 있는 빠른 개발 사이클을 활용해 좀 더 생산적으로 경쟁 우위를 가질 수 있는지 알아본다.
3장, ‘신호 처리: 뉴럴 네트워크를 활용한 데이터 분석’에서는 완전한 예제를 사용해 뉴럴 네트워크를 잘 동작하도록 하는 데 필수적인 변환(transformation 및 표준화(normalization를 소개한다.
4장, ‘컨볼루셔널 뉴럴 네트워크’에서는 다양한 컨볼루셔널 레이어 및 풀링 레이어를 다룬다. 뉴럴 네트워크는 이 레이어를 사용해 여러분의 PC에 저장된 이미지, 데이터베이스 및 센서로 입력받는 정보를 처리한다. 그 후 CNN과 연계된 파이프라인 처리에 관한 정보를 알아보고, 최신 객체 인식 API와 모델을 활용해 실질적인 실험을 수행해본다.
5장, ‘순환 뉴럴 네트워크’에서는 순환 네트워크의 다양한 기반 이론과 튜링 완료 알고리즘의 의미를 소개한다.
6장, ‘장단기 기억 네트워크’에서는 LSTM 네트워크로 알려진 RNN의 특정 형태에 관해 좀 더 깊이 알아보고, 생태계에서 영감을 받아 구현된 다양한 뉴럴 네트워크 아키텍처를 알아본다.
7장, ‘DQN을 활용한 강화학습’에서는 강화학습 네트워크의 기반 아키텍처를 자세히 설명하고, 케라스의 핵심 및 확장 레이어를 구현해 원하는 산출물을 얻는 방법을 알아본다.
8장, ‘오토인코더’에서는 자동 인코더 뉴럴 네트워크의 기능을 활성화하는 데 필요한 관련 지식과 아이디어를 자세히 소개한다.
