CHAPTER 1 딥러닝을 위한 선형대수학 기초
1.1 데이터 구조와 연산
__1.1.1 행렬 연산
__1.1.2 벡터 연산
__1.1.3 행렬-벡터 곱셈
1.2 기본 공간
__1.2.1 열공간
__1.2.2 영공간
1.3 고유벡터와 고유값
요약
CHAPTER 2 확률 기초
2.1 사건과 확률
2.2 조건부 확률
2.3 확률 변수
2.4 기댓값
2.5 분산
2.6 베이즈 정리
2.7 엔트로피, 교차 엔트로피 및 KL 발산
2.8 연속 확률 분포
요약 60
CHAPTER 3 신경망
3.1 지능형 머신 구축
3.2 전통적인 컴퓨터 프로그램의 한계
3.3 머신러닝 동작 원리
3.4 뉴런
3.5 뉴런으로 나타낸 선형 퍼셉트론
3.6 순방향 신경망
3.7 선형 뉴런과 그 한계
3.8 시그모이드 뉴런, Tanh 뉴런, ReLU 뉴런
3.9 소프트맥스 출력 레이어
요약
CHAPTER 4 순방향 신경망 훈련
4.1 패스트푸드 문제
4.2 경사하강법
4.3 델타 규칙과 학습률
4.4 시그모이드 뉴런을 이용한 경사하강법
4.5 역전파 알고리즘
4.6 확률적 경사하강법과 미니배치 경사하강법
4.7 테스트셋, 검증셋, 과적합
4.8 심층 신경망 과적합 방지
CHAPTER 5 PyTorch 기반 신경망 구현
5.1 PyTorch 소개
5.2 PyTorch 설치
5.3 PyTorch 텐서
__5.3.1 텐서 초기화
__5.3.2 텐서 속성
__5.3.3 텐서 연산
5.4 PyTorch에서의 경사
5.5 PyTorch nn 모듈
5.6 PyTorch 데이터셋과 데이터 로더
5.7 PyTorch에서 MNIST 분류기 구축
요약
CHAPTER 6 경사하강법
6.1 경사하강법의 도전 과제
6.2 심층 신경망 오차 표면의 극소점
6.3 모델 식별성
6.4 심층 신경망에서 가짜 극소점이 미치는 영향
6.5 오차 표면의 평평한 영역
6.6 경사 방향이 잘못된 경우
6.7 모멘
최신 딥러닝 기술의 핵심과 본질을 다루는 가이드
딥러닝을 깊이 있게 이해하기 위해서는 선형대수학, 확률 등의 수학적 이론이 꼭 필요합니다. 이 책은 수식 위주의 설명으로 선형대수학과 확률을 다루며 딥러닝의 기본을 충실하게 다룹니다. 딥러닝의 주요 개념을 이해할 수 있도록 상세한 설명과 예제를 제공하며, 딥러닝으로 어떻게 문제에 접근해야 하는지를 다양한 각도에서 다룹니다. 이 책을 읽고 나면 현대 딥러닝 접근 방식의 역사적 맥락을 이해하고, 파이토치를 활용한 딥러닝 알고리즘을 구현하는 방법을 이해할 수 있습니다.
이번 개정판에서는 딥러닝의 본질을 좀 더 충실하게 이해할 수 있도록 전문용어로 어려운 설명을 최대한 배제하고 선형대수학과 확률과 같은 수학적 배경 지식을 제공합니다. 뿐만 아니라 시퀀스 분석, 컴퓨터 비전, 강화 학습 내용을 업데이트하여 최신 동향에 맞게 책의 내용을 보완하였습니다. 또한 생성 모델링과 해석 가능성 방법론이라는 새로운 주제를 추가하여, 딥러닝 분야에 대한 더 넓은 시각을 제공합니다. 이 책은 독자가 딥러닝을 스스로 학습하고 실무에 적용할 수 있도록 완벽한 지침서가 될 것입니다.
추천사
이 책은 선형대수학, 확률부터 신경망, 합성곱 신경망, 그리고 강화 학습까지 체계적으로 다루며 ‘정석’이라는 이름에 걸맞게 한 권으로 딥러닝 기술을 마스터할 수 있는 책입니다. 실전에서 활용 가능한 완성도 높은 내용을 제공하며, 딥러닝 분야의 first-mover나 fast-follower를 목표로 한다면 이 책을 추천합니다.
- 성태응 (연세대학교 소프트웨어학부 교수
딥러닝 입문 후 더 깊게 공부하고 싶은 분들께 이 책을 강력히 추천합니다. 초반에 다루는 선형대수학, 확률 등의 수학적 내용이 책에 서술된 딥러닝 이론 설명을 이해하는데 큰 도움이 되었습니다. 수식 위주의 설명은 딥러닝을 더 깊이 있게 이해할 수 있으며, 딥러닝 입문서나 기초 강의를 수강한 학생들에게 추천할 만한 책입니다.
- 이용빈 (AIM lab
