목차

• 1장 딥러닝이란 무엇인가?
• 1.1 인공 지능과 머신 러닝, 딥러닝
• 1.1.1 인공 지능
• 1.1.2 머신 러닝
• 1.1.3 데이터에서 표현을 학습하기
• 1.1.4 딥러닝에서 ‘딥’이란 무엇일까?
• 1.1.5 그림 3개로 딥러닝의 작동 원리 이해하기
• 1.1.6 지금까지 딥러닝의 성과
• 1.1.7 단기간의 과대 선전을 믿지 말자
• 1.1.8 AI에 대한 전망
• 1.2 딥러닝 이전: 머신 러닝의 간략한 역사
• 1.2.1 확률적 모델링
• 1.2.2 초창기 신경망
• 1.2.3 커널 방법
• 1.2.4 결정 트리, 랜덤 포레스트, 그레이디언트 부스팅 머신
• 1.2.5 다시 신경망으로
• 1.2.6 딥러닝의 특징
• 1.2.7 머신 러닝의 최근 동향
• 1.3 왜 딥러닝일까? 왜 지금일까?
• 1.3.1 하드웨어
• 1.3.2 데이터
• 1.3.3 알고리즘
• 1.3.4 새로운 투자의 바람
• 1.3.5 딥러닝의 대중화
• 1.3.6 지속될까?
• 2장 신경망의 수학적 구성 요소
• 2.1 신경망과의 첫 만남
• 2.2 신경망을 위한 데이터 표현
• 2.2.1 스칼라(랭크- 0 텐서)
• 2.2.2 벡터(랭크-1 텐서)
• 2.2.3 행렬(랭크-2 텐서)
• 2.2.4 랭크-3 텐서와 더 높은 랭크의 텐서
• 2.2.5 핵심 속성
• 2.2.6 넘파이로 텐서 조작하기
• 2.2.7 배치 데이터
• 2.2.8 텐서의 실제 사례
• 2.2.9 벡터 데이터
• 2.2.10 시계열 데이터 또는 시퀀스 데이터
• 2.2.11 이미지 데이터
• 2.2.12 비디오 데이터
• 2.3 신경망의 톱니바퀴: 텐서 연산
• 2.3.1 원소별 연산
• 2.3.2 브로드캐스팅
• 2.3.3 텐서 곱셈
• 2.3.4 텐서 크기 변환
• 2.3.5 텐서 연산의 기하학적 해석
• 2.3.6 딥러닝의 기하학적 해석
• 2.4 신경망의 엔진: 그레이디언트 기반 최적화
• 2.4.1 도함수란?
• 2.4.2 텐서 연산의 도함수: 그레이디언트
• 2.4.3 확률적 경사 하강법
• 2.4.4 도함수 연결: 역전파 알고리즘
• 2.5 첫 번째 예제 다시 살펴보기
• 2.5.1 텐서플로를 사용하여 첫 번째 예제를 밑바닥부터 다시 구현하기
• 2.5.2 훈련 스텝 실행하기
• 2.5.3 전체 훈련 루프
• 2.5.4 모델 평가하기
• 2.6 요약
• 3장 케라스와 텐서플로 소개
• 3.1 텐서플로란?
• 3.2 케라스란?
• 3.3 케라스와 텐서플로의 간략한 역사
• 3.4 딥러닝 작업 환경 설정하기
• 3.4.1 주피터 노트북: 권장하는 딥러닝 실험 도구
• 3.4.2 코랩 사용하기
• 3.5 텐서플로 시작하기
• 3.5.1 상수 텐서와 변수
• 3.5.2 텐서 연산: 텐서플로에서 수학 계산하기
• 3.5.3 GradientTape API 다시 살펴보기
• 3.5.4 엔드-투-엔드 예제: 텐서플로 선형 분류기
• 3.6 신경망의 구조: 핵심 Keras API 이해하기
• 3.6.1 층: 딥러닝의 구성 요소
• 3.6.2 층에서 모델로
• 3.6. 3 ‘컴파일’ 단계: 학습 과정 설정
• 3.6.4 손실 함수 선택하기
• 3.6.5 fit( ) 메서드 이해하기
• 3.6.6 검증 데이터에서 손실과 측정 지표 모니터링하기
• 3.6.7 추론: 훈련한 모델 사용하기
• 3.7 요약
• 4장 신경망 시작하기: 분류와 회귀
• 4.1 영화 리뷰 분류: 이진 분류 문제
• 4.1.1 IMDB 데이터셋
• 4.1.2 데이터 준비
• 4.1.3 신경망 모델 만들기
• 4.1.4 훈련 검증
• 4.1.5 훈련된 모델로 새로운 데이터에 대해 예측하기
• 4.1.6 추가 실험
• 4.1.7 정리
• 4.2 뉴스 기사 분류: 다중 분류 문제
• 4.2.1 로이터 데이터셋
• 4.2.2 데이터 준비
• 4.2.3 모델 구성
• 4.2.4 훈련 검증
• 4.2.5 새로운 데이터에 대해 예측하기
• 4.2.6 레이블과 손실을 다루는 다른 방법
• 4.2.7 충분히 큰 중간층을 두어야 하는 이유
• 4.2.8 추가 실험
• 4.2.9 정리
• 4.3 주택 가격 예측: 회귀 문제
• 4.3.1 보스턴 주택 가격 데이터셋
• 4.3.2 데이터 준비
• 4.3.3 모델 구성
• 4.3.4 K-겹 검증을 사용한 훈련 검증
• 4.3.5 새로운 데이터에 대해 예측하기
• 4.3.6 정리
• 4.4 요약
• 5장 머신 러닝의 기본 요소
• 5.1 일반화: 머신 러닝의 목표
• 5.1.1 과소적합과 과대적합
• 5.1.2 딥러닝에서 일반화의 본질
• 5.2 머신 러닝 모델 평가
• 5.2.1 훈련, 검증, 테스트 세트
• 5.2.2 상식 수준의 기준점 넘기
• 5.2.3 모델 평가에 대해 유념해야 할 점
• 5.3 훈련 성능 향상하기
• 5.3.1 경사 하강법의 핵심 파라미터 튜닝하기
• 5.3.2 구조에 대해 더 나은 가정하기
• 5.3.3 모델 용량 늘리기
• 5.4 일반화 성능 향상하기
• 5.4.1 데이터셋 큐레이션
• 5.4.2 특성 공학
• 5.4.3 조기 종료 사용하기
• 5.4.4 모델 규제하기
• 5.5 요약
• 6장 일반적인 머신 러닝 워크플로
• 6.1 작업 정의
• 6.1.4 성공 지표 선택
• 6.1.1 문제 정의
• 6.1.2 데이터 수집
• 6.1.3 데이터 이해
• 6.2 모델 개발
• 6.2.1 데이터 준비
• 6.2.2 평가 방법 선택
• 6.2.3 기준 모델 뛰어넘기
• 6.2.4 모델 용량 키우기: 과대적합 모델 만들기
• 6.2.5 모델 규제와 하이퍼파라미터 튜닝
• 6.3 모델 배포
• 6.3.1 고객에게 작업을 설명하고 기대치 설정하기
• 6.3.2 추론 모델 배치하기
• 6.3.3 작동 중 모델 모니터링하기
• 6.3.4 모델 유지 관리
• 6.4 요약
• 7장 케라스 완전 정복
• 7.1 다양한 워크플로
• 7.2 케라스 모델을 만드는 여러 방법
• 7.2.1 Sequential 모델
• 7.2.2 함수형 API
• 7.2.3 Model 서브클래싱
• 7.2.4 여러 방식을 혼합하여 사용하기
• 7.2.5 작업에 적합한 도구 사용하기
• 7.3 내장된 훈련 루프와 평가 루프 사용하기
• 7.3.1 사용자 정의 지표 만들기
• 7.3.2 콜백 사용하기
• 7.3.3 사용자 정의 콜백 만들기
• 7.3.4 텐서보드를 사용한 모니터링과 시각화
• 7.4 사용자 정의 훈련, 평가 루프 만들기
• 7.4.1 훈련 vs 추론
• 7.4.2 측정 지표의 저수준 사용법
• 7.4.3 완전한 훈련과 평가 루프
• 7.4.4 tf.function으로 성능 높이기
• 7.4.5 fit( ) 메서드를 사용자 정의 루프로 활용하기
• 7.5 요약
• 8장 컴퓨터 비전을 위한 딥러닝
• 8.1 합성곱 신경망 소개
• 8.1.1 합성곱 연산
• 8.1.2 최대 풀링 연산
• 8.2 소규모 데이터셋에서 밑바닥부터 컨브넷 훈련하기
• 8.2.1 작은 데이터셋 문제에서 딥러닝의 타당성
• 8.2.2 데이터 내려받기
• 8.2.3 모델 만들기
• 8.2.4 데이터 전처리
• 8.2.5 데이터 증식 사용하기
• 8.3 사전 훈련된 모델 활용하기
• 8.3.1 사전 훈련된 모델을 사용한 특성 추출
• 8.3.2 사전 훈련된 모델 미세 조정하기
• 8.4 요약
• 9장 컴퓨터 비전을 위한 고급 딥러닝
• 9.1 세 가지 주요 컴퓨터 비전 작업
• 9.2 이미지 분할 예제
• 9.3 최신 컨브넷 아키텍처 패턴
• 9.3.1 모듈화, 계층화 그리고 재사용
• 9.3.2 잔차 연결
• 9.3.3 배치 정규화
• 9.3.4 깊이별 분리 합성곱
• 9.3.5 Xception 유사 모델에 모두 적용하기
• 9.4 컨브넷이 학습한 것 해석하기
• 9.4.1 중간 활성화 시각화
• 9.4.2 컨브넷 필터 시각화하기
• 9.4.3 클래스 활성화의 히트맵 시각화하기
• 9.5 요약
• 10장 시계열을 위한 딥러닝
• 10.1 다양한 종류의 시계열 작업
• 10.2 온도 예측 문제
• 10.2.1 데이터 준비
• 10.2.2 상식 수준의 기준점
• 10.2.3 기본적인 머신 러닝 모델 시도해 보기
• 10.2.4 1D 합성곱 모델 시도해 보기
• 10.2.5 첫 번째 순환 신경망
• 10.3 순환 신경망 이해하기
• 10.3.1 케라스의 순환 층
• 10.4 순환 신경망의 고급 사용법
• 10.4.1 과대적합을 감소하기 위해 순환 드롭아웃 사용하기
• 10.4.2 스태킹 순환 층
• 10.4.3 양방향 RNN 사용하기
• 10.4.4 더 나아가서
• 10.5 요약
• 11장 텍스트를 위한 딥러닝
• 11.1 자연어 처리 소개
• 11.2 텍스트 데이터 준비
• 11.2.1 텍스트 표준화
• 11.2.2 텍스트 분할(토큰화)
• 11.2.3 어휘 사전 인덱싱
• 11.2.4 TextVectorization 층 사용하기
• 11.3 단어 그룹을 표현하는 두 가지 방법: 집합과 시퀀스
• 11.3.1 IMDB 영화 리뷰 데이터 준비하기
• 11.3.2 단어를 집합으로 처리하기: BoW 방식
• 11.3.3 단어를 시퀀스로 처리하기: 시퀀스 모델 방식
• 11.4 트랜스포머 아키텍처
• 11.4.1 셀프 어텐션 이해하기
• 11.4.2 멀티 헤드 어텐션
• 11.4.3 트랜스포머 인코더
• 11.4.4 BoW 모델 대신 언제 시퀀스 모델을 사용하나요?
• 11.5 텍스트 분류를 넘어: 시퀀스-투-시퀀스 학습
• 11.5.1 기계 번역 예제
• 11.5.2 RNN을 사용한 시퀀스-투-시퀀스 모델
• 11.5.3 트랜스포머를 사용한 시퀀스-투-시퀀스 모델
• 11.6 요약
• 12장 생성 모델을 위한 딥러닝
• 12.1 텍스트 생성
• 12.1.1 시퀀스 생성을 위한 딥러닝 모델의 간단한 역사
• 12.1.2 시퀀스 데이터를 어떻게 생성할까?
• 12.1.3 샘플링 전략의 중요성
• 12.1.4 케라스를 사용한 텍스트 생성 모델 구현
• 12.1.5 가변 온도 샘플링을 사용한 텍스트 생성 콜백
• 12.1.6 정리
• 12.2 딥드림
• 12.2.1 케라스 딥드림 구현
• 12.2.2 정리
• 12.3 뉴럴 스타일 트랜스퍼
• 12.3.1 콘텐츠 손실
• 12.3.2 스타일 손실
• 12.3.3 케라스로 뉴럴 스타일 트랜스퍼 구현하기
• 12.3.4 정리
• 12.4 변이형 오토인코더를 사용한 이미지 생성
• 12.4.1 이미지의 잠재 공간에서 샘플링하기
• 12.4.2 이미지 변형을 위한 개념 벡터
• 12.4.3 변이형 오토인코더
• 12.4.4 케라스로 VAE 구현하기
• 12.4.5 정리
• 12.5 생성적 적대 신경망 소개
• 12.5.1 GAN 구현 방법
• 12.5.2 훈련 방법
• 12.5.3 CelebA 데이터셋 준비하기
• 12.5.4 판별자
• 12.5.5 생성자
• 12.5.6 적대 네트워크
• 12.5.7 정리
• 12.6 요약
• 13장 실전 문제 해결을 위한 모범 사례
• 13.1 모델의 최대 성능을 끌어내기
• 13.1.1 하이퍼파라미터 최적화
• 13.1.2 모델 앙상블
• 13.2 대규모 모델 훈련하기
• 13.2.1 혼합 정밀도로 GPU에서 훈련 속도 높이기
• 13.2.2 다중 GPU 훈련
• 13.2.3 TPU 훈련
• 13.3 요약
• 14장 결론
• 14.1 핵심 개념 리뷰
• 14.1.1 AI를 위한 여러 방법
• 14.1.2 머신 러닝 분야에서 딥러닝이 특별한 이유
• 14.1.3 딥러닝에 대해
• 14.1.4 핵심 기술
• 14.1.5 일반적인 머신 러닝 워크플로
• 14.1.6 주요 네트워크 구조
• 14.1.7 딥러닝의 가능성
• 14.2 딥러닝의 한계
• 14.2.1 머신 러닝 모델의 의인화 위험
• 14.2.2 자동 기계 vs 지능 에이전트
• 14.2.3 지역 일반화 vs 궁극 일반화
• 14.2.4 지능의 목적
• 14.2.5 일반화의 스펙트럼
• 14.3 AI에서 일반화를 높이기 위한 방법
• 14.3.1 올바른 목표 설정의 중요성: 지름길 규칙
• 14.3.2 새로운 목표
• 14.4 지능 구현: 누락된 구성 요소
• 14.4.1 추상적 비유에 뛰어난 지능
• 14.4.2 두 종류의 추상화
• 14.4.3 누락된 절반의 그림
• 14.5 딥러닝의 미래
• 14.5.1 프로그램 같은 모델
• 14.5.2 딥러닝과 프로그램 합성을 혼합하기
• 14.5.3 영구 학습과 모듈화된 서브루틴 재사용
• 14.5.4 장기 비전
• 14.6 빠른 변화에 뒤처지지 않기
• 14.6.1 캐글의 실전 문제로 연습하기
• 14.6.2 아카이브(arXiv)를 통해 최신 논문 읽기
• 14.6.3 케라스 생태계 탐험하기
• 14.7 맺음말