이 딥러닝 코드는 왜 이렇게 동작할까?
최신 딥러닝 논문, 해외 주요 강의를 보기 전에 꼭 읽어야 할 책!
딥러닝 입문자도, 실무자도 모두 이 책으로 딥러닝 공부를 시작하자! 지금까지 등장한 딥러닝 기술들은 모두 딥러닝 기초 모델을 변형하여 발전한 것이다. 즉, 최신 딥러닝 논문이나 기술을 쉽게 공부하고 제대로 적용하려면 딥러닝 모델이 처음부터 지금까지 어떻게 발전했고, 어떻게 동작하는지, 어떤 부위에 어떤 수식이 적용되는지 속속들이 알아야 한다. 딥러닝 기초를 단단하게 익히고 싶은 입문자라면, 더 깊은 곳으로 나아가길 바라는 개발자라면 이 책으로 딥러닝 공부를 시작해 보자.
※ 이 책은 PDF 북이므로 화면이 작은 단말기(스마트폰)에서는 보기 불편합니다. ※

KAIST 전산학과에서 컴퓨터 그래픽스를 전공했으며 LG전자 전자기술원, 티맥스소프트, 액센추어 등에서 소프트웨어 연구 개발, 미들웨어 및 모듈형 로봇 플랫폼 제품 기획 업무를 수행했다. 인공지능 전문가로서 한국외국어대학교에서 딥러닝, 자료구조, 데이터마이닝 등을 가르쳤다. 현재 인공지능 연구원(AIRI)에서 딥러닝과 강화학습, 메타학습을 활용한 금융 인공지능 솔루션 개발을 총괄하고 있다.

차례
01 딥러닝 개요
1.1 딥러닝이란?
1.2 인공 신경망의 탄생
1.3 딥러닝의 역사

02 순방향 신경망
2.1 순방향 신경망의 구조와 설계 항목
2.2 분류와 회귀 문제
2.3 이진 분류 모델
2.4 다중 분류 모델
2.5 회귀 모델
2.6 입력 계층
2.7 활성 함수
2.8 신경망 모델의 크기
2.9 신경망 학습 관련 내용(*)

03 신경망 학습
3.1 신경망 학습의 의미
3.2 신경망 학습과 최적화
3.3 경사 하강법
3.4 역전파 알고리즘
3.5 데이터셋 구성과 훈련 데이터 단위
3.6 손실 함수 정의(*)

04 최적화
4.1 확률적 경사 하강법
4.2 SGD 모멘텀
4.3 네스테로프 모멘텀
4.4 AdaGrad
4.5 RMSProp
4.6 Adam

05 초기화와 정규화
5.1 가중치 초기화
5.2 정규화
5.3 배치 정규화
5.4 가중치 감소

06 콘벌루션 신경망
6.1 시각 패턴 인식을 위한 신경망 모델
6.2 콘벌루션 신경망의 구조
6.3 콘벌루션 신경망의 가정 사항
6.4 개선된 콘벌루션 연산
6.5 업샘플링 연산

07 콘벌루션 신경망 모델
7.1 르넷-5
7.2 알렉스넷
7.3 제트에프넷
7.4 브이지지넷
7.5 구글넷
7.6 레즈넷
7.7 콘벌루션 신경망 비교
7.8 다양한 모델의 등장

08 순환 신경망
8.1 기억을 갖는 신경망 모델 RNN
8.2 순환 신경망의 주요 모델
8.3 시간펼침 역전파
8.4 LSTM과 GRU
8.5 순환 신경망 개선

09 생성 모델
9.1 생성 모델
9.2 VAE
9.3 GAN