close
더북(TheBook)
search
구글 브레인 팀에게 배우는 딥러닝 with TensorFlow.js
더북(TheBook)
home
Home
- 제 1 부 - 동기 부여와 기본 개념
1장 딥러닝과 자바스크립트
1.1 인공 지능, 머신 러닝, 신경망 그리고 딥러닝
1.1.1 인공 지능
1.1.2 전통적인 프로그래밍과 머신 러닝의 차이점
1.1.3 신경망과 딥러닝
1.1.4 왜 딥러닝인가? 왜 지금인가?
1.2 왜 자바스크립트와 머신 러닝을 합쳐야 하나요?
1.2.1 Node.js를 사용한 딥러닝
1.2.2 자바스크립트 생태계
1.3 왜 TensorFlow.js인가?
1.3.1 TensorFlow, Keras, TensorFlow.js에 대한 간략한 역사
1.3.2 TensorFlow.js를 선택하는 이유: 비슷한 라이브러리와의 간략한 비교
1.3.3 전 세계에서 TensorFlow.js가 어떻게 사용되고 있나요?
1.3.4 이 책이 TensorFlow.js에 대해 가르쳐 줄 것과 그렇지 않은 것
1.4 연습 문제
1.5 요약
- 제 2 부 - TensorFlow.js 소개
2장 TensorFlow.js 시작하기: 간단한 선형 회귀
2.1 예제 1: TensorFlow.js를 사용해 다운로드 시간 예측하기
2.1.1 프로젝트 개요: 소요 시간 예측
2.1.2 코드와 콘솔의 상호 작용 안내
2.1.3 데이터 생성과 포매팅
2.1.4 간단한 모델 정의하기
2.1.5 훈련 데이터에서 모델 훈련하기
2.1.6 훈련된 모델을 사용해 예측 만들기
2.1.7 첫 번째 예제 요약
2.2 Model.fit( ) 내부: 예제 1의 경사 하강법 분석
2.2.1 경사 하강법 최적화 이해하기
2.2.2 역전파: 경사 하강법 내부
2.3 여러 입력 특성을 가진 선형 회귀
2.3.1 보스턴 주택 데이터셋
2.3.2 깃허브에서 보스턴 주택 프로젝트를 가져와 실행하기
2.3.3 보스턴 주택 데이터 얻기
2.3.4 보스턴 주택 문제를 정확하게 정의하기
2.3.5 데이터 정규화
2.3.6 보스턴 주택 데이터에서 선형 회귀 훈련하기
2.4 모델 해석 방법
2.4.1 학습된 가중치에서 의미 추출하기
2.4.2 모델에서 가중치 추출하기
2.4.3 모델 해석 가능성에 대한 주의 사항
2.5 연습 문제
2.6 요약
3장 비선형성 추가: 가중치 합을 넘어서
3.1 비선형성과 그 필요성
3.1.1 신경망의 비선형성에 대한 직관 기르기
3.1.2 하이퍼파라미터 최적화
3.2 출력층의 비선형성: 분류를 위한 모델
3.2.1 이진 분류
3.2.2 이진 분류기의 품질 측정: 정밀도, 재현율, 정확도, ROC 곡선
3.2.3 ROC 곡선: 이진 분류의 균형 관계 확인하기
3.2.4 이진 크로스 엔트로피: 이진 분류를 위한 손실 함수
3.3 다중 분류
3.3.1 범주형 데이터의 원-핫 인코딩
3.3.2 소프트맥스 활성화 함수
3.3.3 범주형 크로스 엔트로피: 다중 분류를 위한 손실 함수
3.3.4 오차 행렬: 다중 분류를 상세하게 분석하기
3.4 연습 문제
3.5 요약
4.1.1 MNIST 데이터셋
4장 합성곱 신경망을 사용해 이미지와 사운드 인식하기
4.1 벡터에서 텐서로 이미지 표현하기
4.2 첫 번째 합성곱 신경망
4.2.1 conv2d 층
4.2.2 maxPooling2d 층
4.2.3 합성곱과 풀링의 반복
4.2.4 flatten 층과 밀집 층
4.2.5 합성곱 신경망 훈련하기
4.2.6 합성곱 신경망을 사용해 예측하기
4.3 브라우저를 넘어서: Node.js로 모델 훈련 속도 높이기
4.3.1 tfjs-node 사용하기
4.3.2 Node.js에서 모델을 저장하고 브라우저에서 불러오기
4.4 음성 인식: 합성곱 신경망을 오디오 데이터에 적용하기
4.4.1 스펙트로그램: 사운드를 이미지로 표현하기
4.5 연습 문제
4.6 요약
▲ 그림 4-6
합성곱 신경망을 사용해 고양이 입력 이미지에서 계층적으로 특성 추출하기. 이 예에서 신경망의 아래쪽이 입력이고 위쪽이 출력이다.
Prev
BUY
Next
신간 소식 구독하기
뉴스레터에 가입하시고 이메일로 신간 소식을 받아 보세요.
Email address
