멀티모달까지 직접 구현하는 딥러닝 with 파이토치

[이 책만의 네 가지 핵심 차별점]① 역사의 흐름에 따른 자연스러운 서사 구조: 각 기술과 신경망 구조가 등장하게 된 문제 배경을 먼저 제시하고 코드로 이어지도록 구성하여, 목차 순서 자체가 하나의 유기적인 AI 발전 서사를 이룬다.
② '설득하고, 구현하고, 증명하는' 3단계 구성: 해당 알고리즘이 왜 필요한지 원리를 설명(설득)한 후, 파이토치 코드로 구축(구현)하고, 실행 결과와 지표를 통해 필요성과 효과를 눈으로 직접 확인(증명)하게 한다.
③ 수식과 코드 사이의 빈자리 보완: 복잡한 미분/통계 수식을 과감히 걷어내는 대신, 쉬운 우리말 설명과 동작하는 예제 코드를 나란히 배치해 개발자의 직관에 맞춘 학습 체계를 제공한다.
④ 실무 디버깅 노하우 및 실패 예제 수록: 성공하는 경로만 보여 주는 데 그치지 않고, 저자가 실제 겪었던 에러 코드나 초기화 실패 사례를 일부러 제시하며 문제의 원인을 진단하는 디버깅 팁과 실무 노하우를 공유한다.


[풍부한 추가 학습 생태계]① 공식 깃허브 저장소: 책의 분량상 모두 담지 못한 전체 실행 가능 코드와 주석, 추가 학습용 노트북(파이토치 훅, 스타일 전이, QLoRA 실습 등) 제공
② 유튜브 강의 및 Q&A: 각 장별 핵심 요약 리뷰 영상, 연습문제 풀이 동영상 콘텐츠 및 저자 직접 답변 질문 게시판 운영

__추천인의 글
__독자에게 전하는 말
__이 책의 학습 방법
__보조 학습 자료

PART 1 파이토치로 딥러닝 시작하기CHAPTER 01 텐서와 자동 미분1-1 텐서 자료형
__텐서: 파이토치의 기본 데이터 형식
__텐서 다루기
__텐서의 조작
__연습문제
1-2 자동 미분
__텐서와 미분
__자동 미분의 사용법
__연습문제
1-3 첫 번째 딥러닝 모델
__회귀 분석 모델의 설계
__회귀 분석 모델의 구현
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 02 똑똑한 선 긋기, 퍼셉트론2-1 기계가 선을 긋는다면?
__퍼셉트론: 인공 뉴런의 조상
__퍼셉트론을 분류에 사용하는 원리
__연습문제
2-2 퍼셉트론으로 구현한 AND 게이트
__AND 게이트 시뮬레이터 모델
__모델 학습과 평가
__연습문제
2-3 파이토치 고수준 API
__파이토치의 방식으로 모델 만들기
__파이토치에서 제공하는 클래스 도구
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 03 선을 넘는 신경망, 다층 퍼셉트론3-1 복잡한 분류 문제
__다층 퍼셉트론의 등장 배경
__다층 퍼셉트론
__연습문제
3-2 다층 퍼셉트론으로 구현한 XOR 게이트
__파이토치로 다층 퍼셉트론 모델 만들기
__결과로 돌아보는 다층 퍼셉트론의 결정 경계
__연습문제
3-3 좀 더 복잡한 분류 문제
__회오리 모양으로 분포한 데이터의 분류
__모델 구현하기
__더 좋은 분류 모델을 위한 도구
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 04 딥.완.데, 딥러닝의 완성은 데이터4-1 데이터에서 시작하는 슬기로운 딥러닝 생활
__딥러닝 모델의 데이터
__일반적으로 좋은 모델 만들기
__연습문제
4-2 파이토치로 데이터를 다루는 표준 절차
__데이터 파이프라인
__파이토치의 방식으로 데이터 다루기
__연습문제
4-3 공개 이미지 데이터셋의 사용
__torchvision 라이브러리
__MNIST 숫자 분류기 모델
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

PART 2 구조에 숨은 특징과 의미CHAPTER 05 이미지를 보는 눈, 합성곱 신경망5-1 딥러닝에 맞는 이미지 취급법
__이미지를 제대로 이해하는 방법
__합성곱: 이미지 맞춤 특징 추출기
__연습문제
5-2 합성곱 신경망 모델 만들기
__합성곱 신경망을 구성하는 부품
__합성곱 신경망 숫자 분류기 모델
__연습문제
5-3 좀 더 복잡한 이미지를 다루는 딥러닝
__CIFAR -10 이미지 분류 모델
__과적합을 완화하는 또 다른 방법
__연산 장치와 하드웨어 가속기의 활용
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 06 순서를 기억하는 방법, 순환 신경망6-1 순환 신경망
__순환 신경망: 순서 맞춤 특징 추출기
__순환 신경망의 입력 데이터
__연습문제
6-2 순서를 예측하는 생성 모델 만들기
__다음 토큰을 예측하는 단순 RNN 모델
__자기회귀: 순환 신경망으로 생성하기
__연습문제
6-3 순서를 기준으로 판단하는 모델 만들기
__띄어쓰기를 예측하는 단순 RNN 모델
__LSTM: 기억을 제어하는 순환 신경망
__띄어쓰기 모델을 개선하려면
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 07 데이터 속의 의미7-1 똑똑한 어휘 사전, 임베딩
__임베딩: 더 똑똑한 토큰 인코딩
__임베딩 벡터
__임베딩 벡터에 담긴 의미
__연습문제
7-2 임베딩을 사용하는 순환 신경망 모델
__임베딩 계층을 사용하는 모델 정의하기
__임베딩 계층을 사용하는 모델의 학습
__연습문제
7-3 데이터를 압축하는 오토인코더
__오토인코더: 표현의 압축
__오토인코더로 MNIST 데이터 재현해 보기
__연습문제
7-4 잠재 공간과 전이 학습
__잠재 벡터의 분포와 잠재 공간
__인코더를 재활용해 만드는 숫자 분류기
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

PART 3 딥러닝을 위한 전략CHAPTER 08 더 깊은 딥러닝8-1 단순해도 깊어서 좋은 VGGNet
__딥러닝에서 깊이의 의미
__VGGNet: 단순하지만 깊은 모델
__연습문제
8-2 안정적으로 더 깊게 쌓기, 배치 정규화
__깊은 모델을 안정적으로 학습하는 전략
__배치 정규화가 추가된 VGGNet
__연습문제
8-3 깊이의 한계를 극복하는 덧셈의 마법, ResNet
__ResNet: 차이에 집중해 학습하는 더 깊은 모델
__잔차 학습을 적용한 모델 만들기
__연습문제
8-4 진짜 VGGNet과 ResNet 활용해 보기
__허깅페이스 허브를 통한 공개 모델 활용
__허깅페이스의 사전 학습 모델을 사용한 전이 학습
__연습문제
학습노트
__요점 정리
__8장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 09 가변 길이를 다루는 Seq2Seq와 어텐션9-1 Seq2Seq 모델
__Seq2Seq: 인코더-디코더로 순차 데이터를 생성하는 모델
__Seq2Seq 모델로 구현한 날짜 형식 변환기
__기본 Seq2Seq 모델에서 개선해야 할 점
__연습문제
9-2 Seq2Seq 모델의 배치 학습
__배치 학습을 위한 표준 절차와 도구
__순차 데이터의 미니배치 학습
__연습문제
9-3 어텐션
__어텐션: 중요한 곳에 집중
__어텐션 메커니즘의 구현
__어텐션의 효과
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 10 어텐션만으로 만든 신경망, 트랜스포머10-1 병렬 처리를 위한 새로운 패러다임, 트랜스포머
__트랜스포머의 개념과 동작 방식
__트랜스포머 구조로 만든 날짜 변환기 모델
__연습문제
10-2 트랜스포머의 변형 1, 인코더만 사용하는 트랜스포머
__BERT: 인코더만 사용하는 트랜스포머
__인코더만 사용하는 날짜 형식 분류기 모델
__연습문제
10-3 트랜스포머의 변형 2, 디코더만 사용하는 트랜스포머
__GPT: 디코더만 사용하는 트랜스포머
__디코더만 사용하는 문장 생성 모델
__텍스트 생성 모델의 추론 방법
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 11 이미지를 만드는 생성 전략11-1 변분 오토인코더: 잠재 공간에서 이미지를 생성하기
__오토인코더의 한계와 변분 오토인코더의 등장
__Fashion -MNIST 데이터셋으로 학습한 변분 오토인코더 모델
__연습문제
11-2 GAN: 적대적 경쟁으로 이미지를 생성하기
__경쟁으로 더 좋은 모델을 만드는 전략
__Fashion -MNIST 데이터셋을 학습한 DCGAN 모델
__연습문제
학습노트
__요점 정리
__더 공부하거나 찾아보면 도움이 되는 것들

PART 4 거대한 모델의 시대CHAPTER 12 LLM을 활용하는 애플리케이션 개발12-1 transformers 라이브러리로 LLM 다루기
__transformers 라이브러리와 Auto 모델 클래스
__한국어 LLM 실행하기
__LLM을 애플리케이션에 통합하는 방식
__연습문제
12-2 LLM을 미세 조정해 작업에 특화시키기
__미세 조정의 의미와 모델 선택
__한국어 요약 데이터셋 준비
__모델 준비와 전이 학습 실행
__연습문제
12-3 양자화로 LLM 가볍게 돌리기
__양자화가 필요한 이유와 작동 원리
__bitsandbytes로 추론 양자화 적용하기
__연습문제
12-4 검색 증강 생성으로 환각 줄이기
__RAG의 개념과 구성
__간단한 RAG 파이프라인 구현
__연습문제
학습노트
__요점 정리
__12장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들

CHAPTER 13 언어 밖 진짜 세계의 모델, 멀티모달13-1 멀티모달 모델의 구조와 구현
__멀티모달 모델의 등장 배경과 프로젝션 아이디어
__CLIP과 GPT -2를 연결해 만든 이미지 설명 모델
__연습문제
13-2 Q -Former: 이미지 정렬 트랜스포머
__이미지를 보고 텍스트를 생성하는 BLIP -2 모델
__BLIP -2의 구현 방식과 Q -Former
__연습문제
학습노트
__요점 정리
__13장에서 사용한 사전 학습 모델
__더 공부하거나 찾아보면 도움이 되는 것들
__찾아보기

박상은 컴퓨터에 붙은 그림을 보고 애플이라는 단어의 뜻을 알게 된 이 땅의 흔한 개발자 중 한 사람이다. 포항공과대학교에서 전산학을, 한국과학기술원에서 인공지능을 공부했으며, 그 덕분에 알파고와 스카이넷을 구분할 줄 아는 지혜를 갖추었다. 메일, 브라우저, 콘텐츠 관리, 빅데이터 등등 일관성을 찾기 어려운 다양한 프로젝트에 참여하며 물에 물 탄 듯한 경력이 완성되는 듯했으나, 최근 몇 년은 인공지능 분야로 돌아와 연구 및 서비스 개발에 집중했다. 현재는 적정 기술로서의 AI에 대해 고민하면서 새로운 서비스를 기획, 개발하고 있다.