본문 바로가기

추천 검색어

실시간 인기 검색어

케라스로 배우는 신경망 설계와 구현

CNN, RNN, GAN, LSTM 다양한 신경망 모델 설계와 구현
닐로이 푸르카이트 저자(글) · 김연수 번역
에이콘출판 · 2020년 02월 21일
10.0
10점 중 10점
(4개의 리뷰)
추천해요 (67%의 구매자)
  • 케라스로 배우는 신경망 설계와 구현 대표 이미지
    케라스로 배우는 신경망 설계와 구현 대표 이미지
  • A4
    사이즈 비교
    210x297
    케라스로 배우는 신경망 설계와 구현 사이즈 비교 188x235
    단위 : mm
01 / 02
무료배송 이벤트 소득공제
10% 36,000 40,000
적립/혜택
2,000P

기본적립

5% 적립 2,000P

추가적립

  • 5만원 이상 구매 시 추가 2,000P
  • 3만원 이상 구매 시, 등급별 2~4% 추가 최대 2,000P
  • 리뷰 작성 시, e교환권 추가 최대 300원
배송안내
무료배송
배송비 안내
국내도서/외국도서
도서 포함 15,000원 이상 구매 시 무료배송
도서+사은품 또는 도서+사은품+교보Only(교보굿즈)

15,000원 미만 시 2,500원 배송비 부과

교보Only(교보배송)
각각 구매하거나 함께 20,000원 이상 구매 시 무료배송

20,000원 미만 시 2,500원 배송비 부과

해외주문 서양도서/해외주문 일본도서(교보배송)
각각 구매하거나 함께 15,000원 이상 구매 시 무료배송

15,000원 미만 시 2,500원 배송비 부과

업체배송 상품(전집, GIFT, 음반/DVD 등)
해당 상품 상세페이지 "배송비" 참고 (업체 별/판매자 별 무료배송 기준 다름)
바로드림 오늘배송
업체에서 별도 배송하여 1Box당 배송비 2,500원 부과

1Box 기준 : 도서 10권

그 외 무료배송 기준
바로드림, eBook 상품을 주문한 경우, 플래티넘/골드/실버회원 무료배송쿠폰 이용하여 주문한 경우, 무료배송 등록 상품을 주문한 경우
4/1(화) 출고예정
기본배송지 기준
배송일자 기준 안내
로그인 : 회원정보에 등록된 기본배송지
로그아웃 : '서울시 종로구 종로1' 주소 기준
로그인정확한 배송 안내를 받아보세요!

이달의 꽃과 함께 책을 받아보세요!

1권 구매 시 결제 단계에서 적용 가능합니다.

알림 신청하시면 원하시는 정보를
받아 보실 수 있습니다.

키워드 Pick

키워드 Pick 안내

관심 키워드를 주제로 다른 연관 도서를 다양하게 찾아 볼 수 있는 서비스로, 클릭 시 관심 키워드를 주제로 한 다양한 책으로 이동할 수 있습니다.
키워드는 최근 많이 찾는 순으로 정렬됩니다.

케라스로 배우는 신경망 설계와 구현 상세 이미지
인공지능 개발의 핵심인 뉴럴 네트워크의 다양한 모델을 소개한다. 수식과 알고리즘을 기반으로 뉴럴 네트워크의 특징을 설명하고, 케라스를 활용해 직접 뉴럴 네트워크를 구축한다. CNN, RNN, 장단기 메모리(Long Short-Term Memory) 네트워크, 오토인코더, GAN을 깊게 학습하면서 머신러닝, 딥러닝, 인공지능에 관한 폭넓은 지식을 얻을 수 있다. 다양한 뉴럴 네트워크 모델을 결합하고, 실예제를 다루면서 예측 모델링과 함수 근사화(function approximation)를 통해 얻을 수 있는 가치를 이해하게 될 것이다.

작가정보

Niloy Purkait
기술 및 전략 전문 컨설턴트다. 현재 네덜란드에 거주 중이며, 네덜란드 국내 및 국제 기업을 대상으로 컨설팅을 제공한다. 전문 분야는 인공지능을 포함한 통합 솔루션으로, 끊임없이 변하는 혼란스러운 비즈니스 환경에서 고객이 가야 할 길을 제시하는 데 자부심이 있다.
틸버그대학교(Tilburg University)에서 전략 경영 학사를 전공하고, 미시건대학교(Michigan University)에서 데이터 과학을 수료했다. 신호 처리, 클라우드 컴퓨팅, 머신러닝 및 딥러닝과 같은 분야에서 IBM이 발급하는 고급 산업 레벨 자격 인증을 받았다. 관련 분야에서 지속적으로 학위를 취득하고 있으며, 스스로를 ‘인생 학습자’라고 부른다.

번역 김연수

대학 졸업 후 일본의 모 자동차 기업 산하의 한국 내 연구소에서 근무하게 되면서 소프트웨어 개발을 시작했다. 여러 기업에서의 다양한 포지션을 거쳐 지금은 글로벌 기업에서 업무 생산성 향상을 지원하기 위한 학습과 실험을 꾸준히 하고 있다. 최근의 관심사는 좋은 지식의 전달, 회사에 속하지 않고도 지속할 수 있는 삶, 그리고 ‘Why Not Change the World’라는 가치관을 실현하는 것이다.

작가의 말

뉴럴 네트워크란 인공지능(AI, Artificial Intelligence), 딥러닝(Deep Learning)과 관련된 상이한 영역에 존재하는 다양한 문제를 해결하고자 사용하는 수학적 기능이다. 이 책에서는 뉴럴 네트워크의 핵심 개념을 소개한다. 다양한 뉴럴 네트워크 모델을 서로 결합하고, 실제 유스케이스를 다루면서 예측 모델링과 함수 근사화(function approximation)를 통해 얻을 수 있는 가치를 잘 이해하게 될 것이다. 실세계의 학습 데이터셋을 활용해서 컨볼루셔널 뉴럴 네트워크(CNN, Convolutional Neural Networks), 순환 뉴럴 네트워크(RNN, Recurrent Neural Networks), 장단기 기억(LSTM, Long short-Term Memory Networks) 네트워크, 오토인코더(Autoencoder) 및 생성적 대립쌍 네트워크(GAN, Generative Adversarial Networks)에 관해 학습한다.
최신 뉴럴 네트워크 아키텍처를 활용해 컴퓨터 비전, 자연어 처리(NLP, Natural Language Processing)와 같이 인식 태스크의 기반이 되는 기본 아이디어는 물론 세부적인 구현 방법도 학습한다. 이들 태스크를 조합해서 강력한 추론 시스템을 설계함으로써 모델의 생산성을 크게 개선할 수 있을 것이다. 이 책은 뉴럴 네트워크의 내부 동작을 직관적으로 좀 더 잘 이해하는 데 필요한 이론적 관점과 기술적 관점의 주제를 모두 다룬다. 다양한 공통 유스케이스(지도 학습, 비지도 학습, 자기 지도 학습 태스크를 포함)를 다루면서 많은 종류의 네트워크 아키텍처에 관해 학습한다. CNN을 사용한 이미지 인식, LSTM을 활용한 자연어 처리, Q-네트워크를 사용한 강화학습 등이 이에 포함된다. 각각의 아키텍처를 자세히 다루고, 산업 표준 레벨의 프레임워크를 활용해 간단하게 각 아키텍처를 구현해본다.
이 책을 읽으면서 학습을 마치고 나면 대표적인 딥러닝 모델과 프레임워크는 물론이고 딥 러닝을 실세계의 시나리오에 적용하는 것과 같은 성공적인 변화의 시작을 위해 여러분이 선택할 수 있는 모든 사항에 친숙해질 것이다.

목차

  • 1부. 뉴럴 네트워크 기본

    1장. 뉴럴 네트워크 개요
    __목표 정의
    __도구 확인
    ____케라스
    ____텐서플로
    __뉴럴 학습 기본
    ____뉴럴 네트워크
    ____두뇌 관찰
    __데이터 과학 기본
    ____정보 이론
    ____엔트로피
    ____교차 엔트로피
    ____데이터 처리 특성
    ____데이터 과학에서 머신러닝으로
    ____머신러닝의 함정
    __요약
    __더 읽을거리

    2장. 뉴럴 네트워크 깊이 들여다보기
    __퍼셉트론: 생리학적 뉴런에서 인공지능 뉴런으로
    __퍼셉트론 구축
    ____입력
    ____가중치
    ____총화
    ____비선형성
    ____바이어스의 역할
    ____출력
    __오차를 활용한 학습
    ____평균 제곱 오차 손실 함수
    __퍼셉트론 훈련
    ____손실 정량화
    ____모델 가중치 함수로서의 손실
    __역전파
    ____기울기 계산
    ____학습률
    __퍼셉트론 확장
    __단일 레이어 네트워크
    ____텐서플로 플레이그라운드
    ____패턴 계층 확인
    ____한 걸음 더
    __요약

    3장. 신호 처리: 뉴럴 네트워크를 활용한 데이터 분석
    __신호 처리
    ____표상적 학습
    ____무작위 기억 회피
    ____숫자를 활용한 신호 표현
    __숫자를 활용한 이미지 표현
    __뉴럴 네트워크에 데이터 입력
    __텐서 예제
    ____데이터의 차원
    ____패키지 임포트
    ____데이터 로드
    ____차원 확인
    __모델 구축
    ____케라스 레이어
    ____가중치 초기화
    ____케라스 활성화 함수
    ____모델 시각화
    __모델 컴파일
    ____모델 피팅
    __모델 성능 평가
    ____정규화
    __케라스를 활용한 가중치 정규화 구현
    __가중치 정규화
    __케라스를 활용한 드롭아웃 정규화 구현
    ____드롭아웃 정규화 실험
    ____복잡성과 시간
    ____MNIST 요약
    __언어 처리
    ____감정 분석
    __인터넷 영화 리뷰 데이터 세트
    ____데이터 세트 로딩
    ____셰이프 및 타입 확인
    __단일 학습 인스턴스 확인
    ____리뷰 디코딩
    ____데이터 준비
    __원핫 인코딩
    __특징 벡터화
    __라벨 벡터화
    __네트워크 구축
    ____모델 컴파일
    ____모델 피팅
    ____검증 데이터
    __콜백
    ____조기 중단 콜백과 히스토리 콜백
    ____모니터링 지표 선택
    __모델 예측 접근
    __예측 조사
    ____IMDB 요약
    ____연속된 변수 예측
    ____보스턴 주택 가격 데이터 세트
    ____데이터 로딩
    ____데이터 탐색
    __특징별 표준화
    ____모델 생성
    ____모델 컴파일
    ____훈련 및 테스트 오차 플로팅
    ____k-폴드 검증을 활용한 접근 방식 검증
    __사이킷-런 API를 활용한 교차 검증
    __요약
    __연습 문제

    2부. 고급 뉴럴 네트워크 구조

    4장. 컨볼루션 뉴럴 네트워크
    __CNN
    __시각의 탄생
    __생리학적 시각 이해
    __공간 불변성
    __뉴런의 수용 필드
    __뉴런 계층 구현
    __근대 CNN의 탄생
    __CNN 설계
    ____덴스 레이어와 컨볼루셔널 레이어
    __컨볼루션 오퍼레이션
    ____이미지의 공간 구조 보존
    ____수용 필드
    ____필터를 활용한 특징 추출
    ____CNN에서의 오차 역전파
    ____여러 필터 사용
    ____스트라이드
    ____특징이란?
    __필터를 활용한 특징 추출 시각화
    __복잡한 필터
    __컨볼루션 오퍼레이션 요약
    __풀링 레이어 이해
    ____풀링 오퍼레이션의 종류
    __케라스를 활용한 CNN 구현
    ____데이터 확인
    ____데이터 셰이프 확인
    ____데이터 표준화
    ____임포트
    __컨볼루셔널 레이어
    ____필터 수와 크기 정의
    ____입력 텐서 패딩
    ____맥스 풀링 레이어
    __덴스 레이어를 활용한 분류
    __모델 요약
    ____모델 컴파일
    __모델 정확성 확인
    __미소 식별 과정의 문제
    ____블랙박스 내부
    ____뉴럴 네트워크의 실패
    ____ConvNet 학습 시각화
    ____중간 레이어의 뉴럴 활성화 맵 시각화
    ____입력 이미지 예측
    __케라스의 기능적 API
    __레이어 채널수 확인
    ____활성화 맵 시각화
    __돌출
    __ResNet50을 사용한 돌출 맵 시각화
    __로컬 디렉토리에 저장된 이미지 로딩
    __케라스의 시각화 모듈
    __레이어 검색
    __연습 문제
    __경사 가중치 클래스 활성화 매핑
    __keras-vis를 활용한 클래스 활성화 시각화
    __미리 훈련된 모델 활용
    __출력 클래스별 최대 활성 값 시각화
    __모델 수렴
    __여러 필터 인덱스를 활용한 몽환적 분위기 연출
    __CNN의 문제점
    __뉴럴 네트워크의 환각
    __요약

    5장. 순환 뉴럴 네트워크
    __시퀀스 모델링
    __RNN을 사용한 순차 모델링
    ____전략 선택
    ____기본 RNN 아키텍처
    __다양한 종류의 순차 프로세싱 태스크
    ____RNN의 학습
    ____일반적인 RNN 레이어
    ____피드포워드
    __타입 스텝별 활성화 계산
    ____활성화 방정식 정리
    ____타임 스텝별 출력 예측
    ____단방향 정보 흐름의 문제
    ____장기 의존성 문제
    __시간에 따른 역전파
    ____시간에 따른 역전파 시각화
    __경사 폭발 및 소멸
    ____기울기 레벨에 관한 고려
    ____클리핑을 활용한 경사 폭발 방지
    ____메모리를 활용한 경사 소멸 방지
    __GRU
    ____메모리 셀
    ____업데이트 미수행 시나리오
    ____업데이트 수행 시나리오
    ____타임 스텝 사이의 타당성 보존
    ____타당성 게이트 방정식
    __케라스를 활용한 문자 레벨의 언어 모델 구축
    ____셰익스피어의 햄릿 로딩
    ____문자 사전 구축
    ____훈련 시퀀스 준비
    ____예제 시퀀스 출력
    ____훈련 데이터 벡터화
    __문자 모델링 통계
    ____문자별 확률 모델링
    ____임곗값 샘플링
    __확률 통제의 목적
    ____그리디 샘플링
    ____확률 표본 샘플링
    __다양한 RNN 모델 테스팅
    ____커스텀 콜백을 사용한 텍스트 생성
    ____다양한 모델 테스팅
    __SimpleRNN 구현
    ____RNN 레이어 스택
    __GRU 구현
    ____양방향 GRU 구현
    __실제 데이터의 순차적 처리
    ____순차적인 데이터 재정렬을 통한 장점
    __케라스의 양방향 레이어
    ____순환 드롭아웃 구현
    __출력값 시각화
    ____무거운 GRU 모델의 출력값 시각화
    __요약
    __더 읽을거리
    __연습 문제

    6장. 장단기 기억 네트워크
    __복잡한 시퀀스 처리
    ____메모리 분해
    __LSTM 네트워크
    __LSTM 해부
    ____가장 유사한 모델과의 비교
    ____GRU 메모리
    ____LSTM 메모리 셀
    ____활성화 함수와 메모리 별도 처리
    __LSTM 메모리 블록
    ____망각 게이트의 중요성
    ____차이 개념화
    ____LSTM 살펴보기
    __정보 흐름 시각화
    ____셀 상태 계산
    __경쟁 메모리 계산
    __타임 스텝별 활성화 값 계산
    __LSTM의 변종 모델과 그 성능
    __핍홀 연결 이해
    __타이밍과 카운팅의 중요성
    ____다른 구조적 차이 탐구
    __지식 활용
    __주식 시장 데이터 모델링
    ____데이터 임포트
    ____정렬 및 트렌드 시각화
    ____데이터프레임을 텐서로 변환
    ____데이터 분할
    ____훈련 및 테스팅 인스턴스 플롯
    ____윈도우 방식 표준화
    __데이터 노이즈 제거
    __지수 평활법 구현
    ____곡선 시각화
    ____한 걸음 앞선 예측 수행
    ____단순 이동 평균 예측
    ____지수 이동 평균 예측
    __한 걸음 앞선 예측 수행의 문제
    __관찰 값 시퀀스 생성
    ____데이터 셰이프 정리
    ____임포트
    ____뉴럴 네트워크 베이스라인
    ____피드포워드 네트워크 구축
    ____순환 베이스라인
    __LSTM 구현
    ____LSTM 스택
    ____헬퍼 함수 활용
    ____모델 훈련
    ____결과 시각화
    __마무리
    __요약
    __연습 문제

    7장. DQN을 사용한 강화 학습
    __보상과 만족
    ____새로운 학습 평가 방법
    __강화학습을 활용한 머신의 조건 형성
    ____신용도 할당 문제
    __탐색 착취 딜레마
    __일반적 인공지능지능
    __환경 시뮬레이션
    ____상태, 행동, 보상
    __자율 주행 택시
    ____태스크 이해
    ____환경 렌더링
    ____관찰 공간 참조
    ____행동 공간 참조
    ____환경과의 상호작용
    ____무작위로 환경 해결
    __즉시 보상과 미래 보상 사이의 트레이드오프
    __미래 보상 할인
    __마르코프 결정 프로세스
    __정책 함수 이해
    __상태 가치 평가
    __행동 품질 평가
    __벨만 방정식 활용
    __반복적인 벨만 방정식 업데이트
    __뉴럴 네트워크를 사용하는 이유
    __Q-학습에서의 정방향 경로 수행
    __Q-학습에서의 역방향 경로 수행
    ____반복적 업데이트를 딥러닝으로 대체
    __케라스를 활용한 심층 Q-학습
    ____임포트
    ____전처리 기법
    ____입력 파라미터 정의
    ____아타리 게임 상태 프로세서 구현
    ____네트워크 구현
    ____풀링 레이어 미사용
    ____실시간 학습의 문제
    ____재생 메모리에 경험 저장
    __탐색과 착취의 균형
    ____입실론-그리디 탐색 정책
    __심층 Q-학습 에이전트 초기화
    ____모델 훈련
    ____모델 테스트
    ____Q-학습 알고리즘 요약
    __이중 Q-학습
    __경쟁 네트워크 아키텍처
    __연습 문제
    ____Q-학습의 한계
    ____정책 경사를 활용한 Q-학습 개선
    __요약

    3부. 뉴하이브리드 모델 아키텍처

    8장. 오토인코더
    __왜 오토인코더인가?
    __자동적인 정보 인코딩
    __오토인코더의 한계
    __오토인코더 해부
    __오토인코더 훈련
    __오토인코더 종류
    __네트워크 크기와 표현력
    __오토인코더에서의 정규화
    __희소 오토인코더를 활용한 정규화
    ____노이즈 제거 오토인코더를 활용한 정규화
    ____수축적 오토인코더를 활용한 정규화
    ____케라스를 활용한 얕은 오토인코더 구현
    __데이터 확인
    ____데이터 전처리
    ____모델 구축
    __검증 모델 구현
    ____별도 인코더 네트워크 정의
    ____별도 디코더 네트워크 정의
    __심층 오토인코더 설계
    ____임포트
    ____데이터 이해
    ____데이터 임포트
    __기능적 API를 사용한 오토인코더 설계
    ____모델 구현
    ____모델 훈련
    ____결과 시각화
    __심층 컨볼루셔널 오토인코더
    __모델 컴파일 및 훈련
    __결과 테스트 및 시각화
    __노이즈 제거 오토인코더
    __노이즈 제거 네트워크 훈련
    ____결과 시각화
    __요약
    __연습 문제

    9장. 생성적 네트워크
    __콘텐트 복제와 생성
    __잠재 공간 표상 이해
    ____컨셉 벡터 식별
    __생성적 네트워크 깊이 들여다보기
    ____통제된 무작위성과 창의성
    __무작위성을 활용한 출력 증강
    __잠재 공간으로부터의 샘플링
    ____확률 분포 학습
    __생성적 네트워크의 종류
    __가변 오토인코더
    __케라스를 활용한 VAE 설계
    ____데이터 로딩과 전처리
    __VAE의 인코딩 모듈 구현
    ____잠재 공간 샘플링
    __디코더 모듈 구현
    ____커스텀 가변 레이어 정의
    ____모델 컴파일 및 확인
    __잠재 공간 시각화
    __잠재 공간 샘플링과 출력 생성
    ____VAE 결론
    __생성적 대립쌍 네트워크
    ____GAN을 활용한 유틸리티 및 실제 응용
    __GAN 깊이 살펴보기
    ____GAN 최적화의 문제점
    __케라스를 활용한 GAN 설계
    ____데이터 준비
    ____인스턴스 시각화
    ____데이터 전처리
    __생성자 모듈 설계
    __판별자 모듈 설계
    __GAN 합치기
    ____훈련용 헬퍼 함수
    ____출력 표시용 헬퍼 함수
    __훈련 함수
    ____훈련 함수 인자
    __판별자 라벨 정의
    ____GAN 초기화
    ____배치별 판별자 훈련
    __배치별 생성자 훈련
    ____에폭별 결과 평가
    __훈련 세션 실행
    ____훈련 진행 중 테스트 손실 해석
    ____에폭별 결과 시각화
    __GAN 결론
    __요약

    4부. 앞으로의 길

    10장. 현재와 미래 개발에 관한 고찰
    __전이 학습을 활용한 표상 공유
    ____케라스에서의 전이 학습
    ____미리 학습된 모델 로딩
    ____모델의 중간 레이어 획득
    ____모델에 레이어 추가
    ____데이터 로딩 및 전처리
    ____네트워크 훈련
    ____연습문제
    __실험의 결론
    __표상 학습
    ____DNA와 기술
    __현재 뉴럴 네트워크의 한계
    ____기계를 위한 표상 엔지니어링
    ____전처리 및 데이터 취득
    ____데이터 평활성
    __희소 표상 학습
    __하이퍼파라미터 튜닝
    __자동 최적화 및 진화 알고리즘
    ____참고 문헌
    __다중 네트워크 예측과 앙상블 모델
    __인공지능지능과 뉴럴 네트워크의 미래
    ____전역 벡터 접근법
    ____분산된 표상
    ____하드웨어 문제
    __앞으로의 길
    __전통적인 컴퓨팅에서의 문제
    __양자 컴퓨팅의 등장
    ____양자 중첩
    ____큐비트와 전통적인 컴퓨터의 비트
    __양자 뉴럴 네트워크
    ____더 읽을거리
    __기술과 사회
    __미래에 대한 고찰
    __요약

출판사 서평

★ 이 책에서 다루는 내용 ★

■ 예측적 데이터 모델링의 근본적인 특성과 워크플로우
■ 뉴럴 네트워크를 사용해 다양한 타입의 시각 및 언어 신호 처리
■ 네트워크가 데이터를 학습하는 수학적, 통계적 기반 지식 이해
■ CNN, LSTM, GAN과 같은 다양한 뉴럴 네트워크의 설계 및 구현
■ 다양한 아키텍처를 활용해 인식 태스크를 해결하고 시스템에 지능 내재
■ 합성 데이터를 생성하고 증강 전략을 활용한 네트워크로 모델 개선
■ 인공지능 분야의 최신 학술 정보와 상업적 개발 정보 습득

★ 이 책의 대상 독자 ★

케라스를 활용해 새로운 뉴럴 네트워크 아키텍처를 공부하고자 하는 머신러닝 개발자, 딥러닝 연구자 및 AI 학습자를 대상으로 한다.

★ 이 책의 구성 ★

1장, ‘뉴럴 네트워크 개요’에서는 데이터의 근본적인 특성과 구조, 다양한 형태를 직관적으로 사고할 수 있는 방법을 알아본다. 기본 데이터 타입, 발전된 데이터 구조(이미지, 비디오, 오디오, 텍스트, 센서 및 멀티미디어 데이터)를 다루는 방법은 물론, 이와 같은 다양한 데이터 구조에서 정보를 추출하는 추상적 기반에 관해 다룬다.
2장, ‘뉴럴 네트워크 깊이 들여다보기’에서는 뉴럴 네트워크의 기반이 되는 수식 배경을 깊이 있게 살펴본다. 그 후 케라스를 사용해 머신러닝 프로젝트의 산출물을 반복적으로 개선할 수 있는 빠른 개발 사이클을 활용해 좀 더 생산적으로 경쟁 우위를 가질 수 있는지 알아본다.
3장, ‘신호 처리: 뉴럴 네트워크를 활용한 데이터 분석’에서는 완전한 예제를 사용해 뉴럴 네트워크를 잘 동작하도록 하는 데 필수적인 변환(transformation) 및 표준화(normalization)를 소개한다.
4장, ‘컨볼루셔널 뉴럴 네트워크’에서는 다양한 컨볼루셔널 레이어 및 풀링 레이어를 다룬다. 뉴럴 네트워크는 이 레이어를 사용해 여러분의 PC에 저장된 이미지, 데이터베이스 및 센서로 입력받는 정보를 처리한다. 그 후 CNN과 연계된 파이프라인 처리에 관한 정보를 알아보고, 최신 객체 인식 API와 모델을 활용해 실질적인 실험을 수행해본다.
5장, ‘순환 뉴럴 네트워크’에서는 순환 네트워크의 다양한 기반 이론과 튜링 완료 알고리즘의 의미를 소개한다.
6장, ‘장단기 기억 네트워크’에서는 LSTM 네트워크로 알려진 RNN의 특정 형태에 관해 좀 더 깊이 알아보고, 생태계에서 영감을 받아 구현된 다양한 뉴럴 네트워크 아키텍처를 알아본다.
7장, ‘DQN을 활용한 강화 학습’에서는 강화 학습 네트워크의 기반 아키텍처를 자세히 설명하고, 케라스의 핵심 및 확장 레이어를 구현해 원하는 산출물을 얻는 방법을 알아본다.
8장, ‘오토인코더’에서는 자동 인코더 뉴럴 네트워크의 기능을 활성화하는 데 필요한 관련 지식과 아이디어를 자세히 소개한다.
9장, ‘생성적 네트워크’에서는 일반적으로 가변 오토인코더(Variational Autoencoders)나 생성적 대립쌍 네트워크(GAN, Generative Adversarial Network)와 같은 모델을 사용한 합성 데이터 생성 및 조작에 관련된 유스케이스에 관해 살펴본다.
10장, ‘현재와 미래 개발에 관한 고찰’에서는 뉴럴 네트워크를 활용한 표상(representation) 학습과 전달에 관해 알아본다. 또한 양자 컴퓨팅과 같은 AI 영역에서의 패러다임을 비롯해 미래의 잠재적인 개발 분야에 대해서도 개괄적으로 다룬다.

★ 옮긴이의 말 ★

인공지능이라는 용어가 처음 등장한 때는 1950년대입니다. 다른 과학 기술과 달리 그 실체를 알기 어려웠기에 공상 과학 소설이나 영화에서는 다양한 형태로 인공지능의 모습을 그립니다. 영화 〈터미네이터〉(1984)에서 등장한 인공지능 스카이넷(Skynet)은 자신이 세상을 지배하기 위해 인류를 말살시키려 하고, 영화 〈매트릭스〉(1998)에서 인공지능은 인류를 지배하고, 고치 안에 인간을 가둬 에너지원으로 착취하기도 합니다. 영화 〈바이센테니얼 맨〉(1999)에서는 인간의 감정을 닮고 싶어 하는 인공지능을 그렸으며, 〈에이 아이〉(2001)에서도 인간이 되고 싶어 하는 아이 로봇의 모습을 그렸습니다. 그러나 대부분의 소설이나 영화에서는 인간과 인공지능의 대립, 인간의 지능을 훨씬 뛰어넘은 인공지능의 무서움을 그리며 인류에게 고민을 안겼습니다. 하지만 기술의 속도는 예상만큼 빠르지 않았습니다. 〈터미네이터〉에서 1984년에 만들어진 스카이넷이 지구를 점령하게 되는 해는 2029년이지만, 지난 몇 년 동안 인공지능이나 로봇 기술의 발전은 그만큼 발전하지 않았습니다. 1980년대 이후 사람의 신경을 본 떠 만든 인공지능 신경망, 즉 뉴럴 네트워크(Neural Network)의 연구가 활발히 이뤄졌지만, 그러한 연구 결과가 기술적인 형태로 나타나지는 않았습니다. 인공지능은 사람이 정교하게 만들어낸 수많은 데이터를 학습한 후에야 지능처럼 보이는 일부 결과물(체스 경기 등)을 만들어냈습니다. 1990년대 중반 가전제품에 퍼지 이론(Fuzzy theory), 카오스 이론(Chaos theory), 유전자 알고리즘(Generic algorithm) 등이 적용되기는 했지만, 그 정도나 범위는 너무나 제한적입니다. 심지어 로봇은 2000년대 중-후반이 되기까지도 사람의 몇 가지 움직임을 흉내내는 정도에 지나지 않았습니다.
2006년 토론토 대학의 죠프리 힌튼(Geoffrey Hinton) 교수는 딥러닝(deep learning)의 개념을 처음 제안합니다. 그의 이론과 기존의 한계를 뛰어넘은 컴퓨팅 능력(하드웨어와 클라우드 컴퓨팅), 막대한 양의 데이터에 힘입어 1990년대 혹한기를 맞았던 인공지능은 다시 싹을 틔우게 됩니다. 그리고 엄청난 속도로 발전합니다. 2012년, 사람이 사전 작업을 하지 않아도 컴퓨터가 이미지를 분석해 사물을 구별할 수 있게 되는 결과가 발표됩니다. 예를 들면 고양이가 어떤 특징을 갖는지 모르지만, 수많은 고양이의 사진을 보여줌으로써 컴퓨터가 고양이의 특징을 찾아내고 판단하게 된 것입니다. 그리고 인공지능은 이미지/영상 인식 분야에서 사람을 뛰어넘는 능력을 갖게 됩니다. 2016년, 구글 딥마인드(DeepMind)가 개발한 인공지능인 알파고(AlphaGo)는 인간에 앞서기까지 앞으로 10년은 족히 필요할 것이라던 모든 전문가의 예상을 거들떠보지도 않는 듯 이세돌 9단에게 5전 4승 1패로 승리를 거둡니다.
이 책은 인공지능 개발의 핵심이 되는 뉴럴 네트워크의 다양한 모델을 다룹니다. 수식과 알고리즘을 기반으로 뉴럴 네트워크의 특징을 설명하고, 케라스(Keras)를 활용해 직접 뉴럴 네트워크를 구축해봅니다. 컨볼루셔널 뉴럴 네트워크(CNN, Convolutional Neural Networks), 순환 뉴럴 네트워크(RNN, Recurrent Neural Networks), 장단기 메모리(Long Short-Term Memory) 네트워크, 오토인코더(autoencoder), 생성적 대립쌍 네트워크(GAN, Generative Adversarial Networks)를 학습하면서 머신러닝, 딥러닝, 인공지능에 관한 폭넓은 지식과 경험을 얻을 수 있을 것입니다. 실제 데이터를 뉴럴 네트워크를 사용해 처리하는 과정에서 미래 데이터 처리에 대한 통찰력도 얻을 수 있을 것입니다. 인공지능이 종국에 만들어 내는 세상은 어떠한 모습일지, 그리고 그 속에서 우리들이 어떤 역할을 하고, 무슨 가치를 찾아내야 할 것인지 고민하고 기대할 수 있게 될 것입니다.

기본정보

상품정보 테이블로 ISBN, 발행(출시)일자 , 쪽수, 크기, 총권수, 원서(번역서)명/저자명을(를) 나타낸 표입니다.
ISBN 9791161753782
발행(출시)일자 2020년 02월 21일
쪽수 576쪽
크기
188 * 235 * 33 mm / 1053 g
총권수 1권
원서(번역서)명/저자명 Hands-On Neural Networks with Keras/Purkait, Niloy

Klover

구매 후 리뷰 작성 시, e교환권 200원 적립

10점 중 10점
/도움돼요
잘읽었습니다.......
10점 중 10점
/추천해요
딥러닝 프로세스 별로 기본 개념을 적용해볼 수 있는 예제들이 적절히 실려있어서 스스로 학습하면서 실무 스킬을 준비하는데 유용한 교재 같아요

문장수집 (1)

문장수집 안내
문장수집은 고객님들이 직접 선정한 책의 좋은 문장을 보여주는 교보문고의 새로운 서비스입니다. 마음을 두드린 문장들을 기록하고 좋은 글귀들은 "좋아요“ 하여 모아보세요. 도서 문장과 무관한 내용 등록 시 별도 통보 없이 삭제될 수 있습니다.
리워드 안내
구매 후 90일 이내에 문장수집 작성 시 e교환권 100원을 적립해드립니다.
e교환권은 적립 일로부터 180일 동안 사용 가능합니다. 리워드는 작성 후 다음 날 제공되며, 발송 전 작성 시 발송 완료 후 익일 제공됩니다.
리워드는 한 상품에 최초 1회만 제공됩니다.
주문취소/반품/절판/품절 시 리워드 대상에서 제외됩니다.
판매가 5,000원 미만 상품의 경우 리워드 지급 대상에서 제외됩니다. (2024년 9월 30일부터 적용)

구매 후 리뷰 작성 시, e교환권 100원 적립

오차 값이 예측 모델에 유입되면 결과는 자연히 덜 최적화될 것이고, 부정확한 데이터는 학습된 선을 망가뜨릴 것이다.
케라스로 배우는 신경망 설계와 구현

교환/반품/품절 안내

  • 반품/교환방법

    마이룸 > 주문관리 > 주문/배송내역 > 주문조회 > 반품/교환 신청, [1:1 상담 > 반품/교환/환불] 또는 고객센터 (1544-1900)
    * 오픈마켓, 해외배송 주문, 기프트 주문시 [1:1 상담>반품/교환/환불] 또는 고객센터 (1544-1900)
  • 반품/교환가능 기간

    변심반품의 경우 수령 후 7일 이내,
    상품의 결함 및 계약내용과 다를 경우 문제점 발견 후 30일 이내
  • 반품/교환비용

    변심 혹은 구매착오로 인한 반품/교환은 반송료 고객 부담
  • 반품/교환 불가 사유

    1) 소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우
    (단지 확인을 위한 포장 훼손은 제외)
    2) 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    예) 화장품, 식품, 가전제품(악세서리 포함) 등
    3) 복제가 가능한 상품 등의 포장을 훼손한 경우
    예) 음반/DVD/비디오, 소프트웨어, 만화책, 잡지, 영상 화보집
    4) 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 ((1)해외주문도서)
    5) 디지털 컨텐츠인 ebook, 오디오북 등을 1회이상 ‘다운로드’를 받았거나 '바로보기'로 열람한 경우
    6) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
    7) 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
    8) 세트상품 일부만 반품 불가 (필요시 세트상품 반품 후 낱권 재구매)
    9) 기타 반품 불가 품목 - 잡지, 테이프, 대학입시자료, 사진집, 방통대 교재, 교과서, 만화, 미디어전품목, 악보집, 정부간행물, 지도, 각종 수험서, 적성검사자료, 성경, 사전, 법령집, 지류, 필기구류, 시즌상품, 개봉한 상품 등
  • 상품 품절

    공급사(출판사) 재고 사정에 의해 품절/지연될 수 있으며, 품절 시 관련 사항에 대해서는 이메일과 문자로 안내드리겠습니다.
  • 소비자 피해보상 환불 지연에 따른 배상

    1) 상품의 불량에 의한 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁 해결 기준 (공정거래위원회 고시)에 준하여 처리됨
    2) 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리함

상품 설명에 반품/교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다.)

TOP