목차

• 1장 머신 러닝과 신경망 개론
• 1.1 머신 러닝이란?
• 1.1.1 머신 러닝 알고리즘
• 1.1.2 머신 러닝 워크플로
• 1.2 머신 러닝 환경 셋업
• 1.3 신경망
• 1.3.1 신경망이 뛰어난 이유
• 1.3.2 신경망 기본 아키텍처
• 1.3.3 파이썬만으로 신경망 만들기
• 1.3.4 딥러닝과 신경망
• 1.4 판다스: 파이썬 데이터 분석 도구
• 1.4.1 판다스 DataFrame
• 1.4.2 판다스를 활용한 데이터 시각화
• 1.4.3 판다스를 활용한 데이터 전처리
• 1.5 텐서플로와 케라스
• 1.5.1 케라스의 기본 빌딩 블록
• 1.5.2 케라스로 신경망 만들기
• 1.6 기타 파이썬 라이브러리
• 1.7 마무리
• 2장 다중 레이어 퍼셉트론을 사용한 당뇨 예측
• 2.1 실습 환경 설정
• 2.2 당뇨병 예측
• 2.3 의료 분야의 인공 지능
• 2.3.1 진단 자동화
• 2.4 당뇨병 데이터셋
• 2.5 탐색적 데이터 분석
• 2.6 데이터 전처리
• 2.6.1 결측값 처리
• 2.6.2 데이터 표준화
• 2.6.3 데이터셋 분할
• 2.7 다중 레이어 퍼셉트론
• 2.7.1 모델 아키텍처
• 2.8 케라스 모델 만들기
• 2.8.1 모델 구성
• 2.8.2 모델 컴파일
• 2.8.3 모델 훈련
• 2.9 결과 분석
• 2.9.1 테스트 정확도
• 2.9.2 혼동 행렬
• 2.9.3 ROC 곡선
• 2.9.4 모델 개선
• 2.10 마무리
• 2.11 복습
• 3장 심층 전방향 신경망을 사용한 택시 요금 예측
• 3.1 실습 환경 설정
• 3.2 뉴욕시 택시 요금 예측
• 3.3 뉴욕시 택시 요금 데이터셋
• 3.4 탐색적 데이터 분석
• 3.4.1 위치 데이터 시각화
• 3.4.2 요일 및 시간별 승차 통계
• 3.5 데이터 전처리
• 3.5.1 결측값 및 이상치 처리
• 3.6 특징 공학
• 3.6.1 시간 관련 변수
• 3.6.2 위치 특징 변수
• 3.7 변수 스케일링
• 3.8 심층 전방향 신경망
• 3.8.1 모델 아키텍처
• 3.8.2 회귀 손실 함수
• 3.9 케라스로 모델 만들기
• 3.10 결과 분석
• 3.11 예제 코드 정리
• 3.12 마무리
• 3.13 복습
• 4장 컨볼루션 신경망을 사용한 이미지 분류
• 4.1 실습 환경 설정
• 4.2 컴퓨터 비전과 사물 인식
• 4.3 사물 인식 기술 유형
• 4.4 신경망에 이미지를 입력하는 방법
• 4.5 CNN의 빌딩 블록
• 4.5.1 필터링과 컨볼루션
• 4.5.2 최대 풀링
• 4.6 CNN의 기본 아키텍처
• 4.7 최신 CNN 아키텍처
• 4.7.1 LeNet(1998)
• 4.7.2 AlexNet(2012)
• 4.7.3 VGG16(2014)
• 4.7.4 Inception(2014)
• 4.7.5 ResNet(2015)
• 4.7.6 CNN의 미래
• 4.8 고양이 개 이미지 데이터셋
• 4.9 케라스로 이미지 데이터를 다루는 방법
• 4.10 이미지 증강
• 4.11 모델 구성
• 4.11.1 기본 CNN
• 4.11.2 전이 학습
• 4.12 결과 분석
• 4.13 마무리
• 4.14 복습
• 5장 오토인코더를 사용한 이미지 노이즈 제거
• 5.1 실습 환경 설정
• 5.2 오토인코더
• 5.3 잠재 표현
• 5.4 오토인코더를 사용한 데이터 압축
• 5.5 MNIST 데이터셋
• 5.6 기본 오토인코더
• 5.6.1 케라스로 오토인코더 만들기
• 5.6.2 은닉 레이어 크기가 오토인코더 성능에 미치는 영향
• 5.7 오토인코더를 사용한 노이즈 제거
• 5.7.1 심층 컨볼루션 오토인코더를 사용한 노이즈 제거
• 5.8 오토인코더를 사용한 문서 노이즈 제거
• 5.8.1 기본 컨볼루션 오토인코더
• 5.8.2 심층 컨볼루션 오토인코더
• 5.9 마무리
• 5.10 복습
• 6장 LSTM을 사용한 영화 리뷰 감성 분석
• 6.1 실습 환경 설정
• 6.2 시퀀스 문제
• 6.3 자연어 처리와 감성 분석
• 6.3.1 감성 분석이 어려운 이유
• 6.4 RNN 신경망
• 6.4.1 RNN의 내부 구조
• 6.4.2 RNN의 단기 의존성과 장기 의존성
• 6.4.3 경사 소실 문제
• 6.5 LSTM 신경망
• 6.5.1 LSTM의 원리
• 6.5.2 LSTM 신경망의 내부
• 6.6 IMDb 영화 리뷰 데이터셋
• 6.7 단어의 벡터 표현
• 6.7.1 원핫 인코딩
• 6.7.2 단어 임베딩
• 6.8 모델 아키텍처
• 6.8.1 입력
• 6.8.2 단어 임베딩 레이어
• 6.8.3 LSTM 레이어
• 6.8.4 밀집 레이어
• 6.8.5 출력
• 6.9 모델 구성
• 6.9.1 데이터 입수
• 6.9.2 제로 패딩
• 6.9.3 단어 임베딩 레이어와 LSTM 레이어
• 6.9.4 모델 컴파일 및 훈련
• 6.10 결과 분석
• 6.10.1 혼동 행렬
• 6.11 예제 코드 정리
• 6.12 마무리
• 6.13 복습
• 7장 샴 신경망을 사용한 안면 인식
• 7.1 실습 환경 설정
• 7.2 안면 인식 시스템
• 7.3 얼굴 검출과 얼굴 인식
• 7.3.1 얼굴 검출
• 7.3.2 얼굴 인식
• 7.4 얼굴 인식 시스템 요구 사항
• 7.4.1 속도
• 7.4.2 확장성
• 7.4.3 적은 데이터로 높은 정확도 보장
• 7.5 원샷 학습
• 7.5.1 벡터 간 유클리드 거리
• 7.6 샴 신경망
• 7.7 대조 손실
• 7.8 얼굴 데이터셋
• 7.9 케라스 샴 신경망
• 7.10 모델 훈련
• 7.11 결과 분석
• 7.12 예제 코드 정리
• 7.13 실시간 안면 인식 프로그램
• 7.13.1 온보딩 과정
• 7.13.2 얼굴 인식 및 인증
• 7.13.3 안면 인식 고도화
• 7.14 마무리
• 7.15 복습
• 8장 신경망과 인공 지능의 미래
• 8.1 요약
• 8.1.1 머신 러닝과 신경망 개론
• 8.1.2 다중 레이어 퍼셉트론을 사용한 당뇨 예측
• 8.1.3 심층 전방향 신경망을 사용한 택시 요금 예측
• 8.1.4 컨볼루션 신경망을 사용한 이미지 분류
• 8.1.5 오토인코더를 사용한 이미지 노이즈 제거
• 8.1.6 LSTM을 사용한 영화 리뷰 감성 분석
• 8.1.7 샴 신경망을 사용한 안면 인식
• 8.2 최신 신경망 기술
• 8.2.1 GAN 신경망
• 8.2.2 심층 강화 학습
• 8.3 신경망의 한계
• 8.4 인공 지능과 머신 러닝의 미래
• 8.4.1 범용 인공 지능
• 8.4.2 머신 러닝 자동화
• 8.5 머신 러닝의 최신 기술을 습득하려면
• 8.5.1 기술 서적
• 8.5.2 연구 논문
• 8.5.3 데이터셋을 다루는 연습
• 8.6 머신 러닝 도구
• 8.7 마무리