close
더북(TheBook)
search
케라스 창시자에게 배우는 딥러닝 개정 2판
더북(TheBook)
home
Home
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
▲ 그림 2-2
데이터셋에 있는 다섯 번째 샘플
당연하지만 이 이미지에 해당하는 레이블은 정수 9입니다.
>>> train_labels[
4
] 9
Prev
BUY
Next
신간 소식 구독하기
뉴스레터에 가입하시고 이메일로 신간 소식을 받아 보세요.
Email address
