실습하며 배우는 딥러닝 입문 with Kaggle
타이타닉 생존자 예측부터 자율주행 자동차까지
Regular price
$32.58
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
이제 우리는 정말 인공지능의 시대에 살고 있습니다. 운전하며 길을 찾을 때도, 주차비를 정산할 때도, 친구에게 돈을 보낼 때도, 세탁기를 틀고, 청소기를 돌릴 때도 인공지능을 사용합니다. 몇 년 전의 알파고 이후, 인공지능에 관한 관심은 학계와 기업계를 넘어 전 연령대를 강타하였습니다. 인공지능이라는 용어 자체도 이제는 매우 익숙해졌습니다. 아이들은 게임을 하면서 게임 AI에 대해 평가하고, 어른들은 AI 펀드와 인공지능 청소기를 평가합니다.
최근 딥러닝에 대한 수요가 많이 늘어나며, 딥러닝 자체를 궁금해하는 학생들이 많이 늘었습니다. 딥러닝, CNN, GAN, 강화 학습 등 다양한 정보가 미디어를 통해 전해지고 있으며, 이를 사용하여 무엇인가를 만들고자 하는 학생들의 욕구도 커지고 있음을 느끼고 있습니다. 하지만, 딥러닝을 다루는 전문 서적들은 수학적 기반이 없으면 이해하기가 어렵거나, 개념에 대한 설명이 충분하지 않은 경우가 많아 학부생들이 접하고 배우기에는 어렵다고 생각하였습니다.
이 책은 학생들이 파이썬 코드를 사용하여 딥러닝을 실제로 구현하고 실행시키며 그 개념을 체감하도록 하는 것을 목적으로 기획되었습니다. 여러 가지 딥러닝을 직접 실행시켜 보는 것을 세부 목표로 하기 때문에, 이에 필요한 파이썬 기본 지식에 관한 내용이 포함되었으며, 딥러닝을 개념적으로 이해할 수 있도록 수식을 최소화하고 글과 그림으로 설명하려고 노력하였습니다.
이 책을 집필하며 다른 인공지능 교과서들과 차별화시키고자 했던 점은 1) 전통적인 기계학습에 대한 설명을 최소화하여 딥러닝에 대한 분량을 늘리고, 2) 다양한 딥러닝 알고리즘을 개념적으로 설명하며, 3) 실습을 통해 체득할 수 있도록 하는 것이었습니다. 기존의 인공지능 입문서/실습서가 인공지능 적용 사례를 다루거나, 전통적인 기계학습 분야(선형회귀, 랜덤 포레스트, 서포트 벡터 머신 등)를 포괄적으로 다루는 경우가 많았다면, 본 책은 딥러닝 위주로 분야를 제한하여 개념과 실습을 한 학기에 학습하도록 구성하려 노력하였습니다. 이 책이 딥러닝의 세계에서 여러분을 인도하는 좋은 가이드가 될 수 있길 바랍니다.
강의 동영상은 저자의 유튜브 채널(https://www.youtube.com/FlyHeavensky)에 공개되어 있으며 계속 업데이트될 예정입니다. 참고하셔도 좋겠습니다.
최근 딥러닝에 대한 수요가 많이 늘어나며, 딥러닝 자체를 궁금해하는 학생들이 많이 늘었습니다. 딥러닝, CNN, GAN, 강화 학습 등 다양한 정보가 미디어를 통해 전해지고 있으며, 이를 사용하여 무엇인가를 만들고자 하는 학생들의 욕구도 커지고 있음을 느끼고 있습니다. 하지만, 딥러닝을 다루는 전문 서적들은 수학적 기반이 없으면 이해하기가 어렵거나, 개념에 대한 설명이 충분하지 않은 경우가 많아 학부생들이 접하고 배우기에는 어렵다고 생각하였습니다.
이 책은 학생들이 파이썬 코드를 사용하여 딥러닝을 실제로 구현하고 실행시키며 그 개념을 체감하도록 하는 것을 목적으로 기획되었습니다. 여러 가지 딥러닝을 직접 실행시켜 보는 것을 세부 목표로 하기 때문에, 이에 필요한 파이썬 기본 지식에 관한 내용이 포함되었으며, 딥러닝을 개념적으로 이해할 수 있도록 수식을 최소화하고 글과 그림으로 설명하려고 노력하였습니다.
이 책을 집필하며 다른 인공지능 교과서들과 차별화시키고자 했던 점은 1) 전통적인 기계학습에 대한 설명을 최소화하여 딥러닝에 대한 분량을 늘리고, 2) 다양한 딥러닝 알고리즘을 개념적으로 설명하며, 3) 실습을 통해 체득할 수 있도록 하는 것이었습니다. 기존의 인공지능 입문서/실습서가 인공지능 적용 사례를 다루거나, 전통적인 기계학습 분야(선형회귀, 랜덤 포레스트, 서포트 벡터 머신 등)를 포괄적으로 다루는 경우가 많았다면, 본 책은 딥러닝 위주로 분야를 제한하여 개념과 실습을 한 학기에 학습하도록 구성하려 노력하였습니다. 이 책이 딥러닝의 세계에서 여러분을 인도하는 좋은 가이드가 될 수 있길 바랍니다.
강의 동영상은 저자의 유튜브 채널(https://www.youtube.com/FlyHeavensky)에 공개되어 있으며 계속 업데이트될 예정입니다. 참고하셔도 좋겠습니다.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
이 책의 구성은 다음과 같습니다. 1장에서는 인공지능의 개념과 사회 현황을 다루며, 인공지능 기술의 중요성에 대해 설명하였습니다. 이를 통해 인공지능을 통해 무엇을 할 수 있는지를 이해하고, 인공지능을 공부해야 하는 이유를 살펴볼 수 있도록 하였습니다. 2장에서는 인공지능 대회 플랫폼인 캐글을 사용하는 방법을 익힐 수 있도록 구성하였습니다. 캐글은 4~9장에서 계속 활용하게 되며, 이를 통해 학습 결과를 눈으로 확인하고 스스로의 학습 수준을 평가할 수 있게 됩니다.
코딩을 처음 접하거나 파이썬에 익숙하지 않은 학생들을 위해, 3장에서는 코딩과 파이썬 기초 사용법을 설명합니다. 파이썬 코딩을 한 장에서 모두 설명하는 것은 쉽지 않으나, 이 책에서는 4~11장에서 사용되는 코딩 기술로 한정하여 내용을 최소화하였습니다. 학생들의 배경에 따라 다를 것이라 생각합니다만, 주 3시간의 수업을 기준으로 2~3주에 공부할 수 있는 분량으로 구성하였습니다. 파이썬 코딩은 별도의 설치 없이 곧바로 코딩을 시작할 수 있는 구글 코랩을 사용하여 설명하였습니다.
4장에서는 파이썬을 사용하여 데이터를 분석하는 방법을 학습합니다. 이 장의 실습을 통해 파이썬에 조금 더 익숙해지고, 데이터의 기초 분석 방법을 익힙니다. 5장부터 11장에서는 딥러닝의 여러 알고리즘들에 대한 이론과, 이를 파이썬으로 구현하기 위한 코딩 기술을 본격적으로 설명합니다. 5장에서는 딥러닝의 기본 개념, 6~9장에서는 자동 분류 네트워크인 다층 신경망, 합성곱 신경망, LSTM 등을 학습합니다. 이 책에서는 복잡한 수식을 최소화하고, 개념 중심으로 설명하기 위하여 노력하였습니다. 각 장의 실습에서는 케라스(텐서플로우) 라이브러리를 사용하여 캐글에서 다운로드 받은 데이터들을 학습하고 테스트하는 코드들이 포함되어 있습니다.
10장과 11장에서는 각각 생성 네트워크와 강화 학습을 다룹니다. 생성 네트워크는 이미지/비디오 등의 자동 편집에, 강화 학습은 게임 AI의 개발에 사용되는 도구입니다. 강화 학습은 다른 네트워크에 비해 구현이 까다로운 편에 속하지만, 이 책에서는 AWS의 딥레이서를 사용하여 실습을 진행하며, 강화 학습의 기초 개념인 보상 함수와 할인율을 익히고, 이것만으로 자율주행 자동차의 시뮬레이션 대회에 참가할 수 있도록 하였습니다.
이 책은 딥러닝에 대한 입문서이며, 이론과 실습을 통해 딥러닝의 주요 개념들을 체득할 수 있도록 구성하였습니다. 이 책을 통해 많은 학생들이 딥러닝을 보다 쉽게 접하고, 이를 활용하여 다양한 애플리케이션들을 만들어 가길 기대합니다.
코딩을 처음 접하거나 파이썬에 익숙하지 않은 학생들을 위해, 3장에서는 코딩과 파이썬 기초 사용법을 설명합니다. 파이썬 코딩을 한 장에서 모두 설명하는 것은 쉽지 않으나, 이 책에서는 4~11장에서 사용되는 코딩 기술로 한정하여 내용을 최소화하였습니다. 학생들의 배경에 따라 다를 것이라 생각합니다만, 주 3시간의 수업을 기준으로 2~3주에 공부할 수 있는 분량으로 구성하였습니다. 파이썬 코딩은 별도의 설치 없이 곧바로 코딩을 시작할 수 있는 구글 코랩을 사용하여 설명하였습니다.
4장에서는 파이썬을 사용하여 데이터를 분석하는 방법을 학습합니다. 이 장의 실습을 통해 파이썬에 조금 더 익숙해지고, 데이터의 기초 분석 방법을 익힙니다. 5장부터 11장에서는 딥러닝의 여러 알고리즘들에 대한 이론과, 이를 파이썬으로 구현하기 위한 코딩 기술을 본격적으로 설명합니다. 5장에서는 딥러닝의 기본 개념, 6~9장에서는 자동 분류 네트워크인 다층 신경망, 합성곱 신경망, LSTM 등을 학습합니다. 이 책에서는 복잡한 수식을 최소화하고, 개념 중심으로 설명하기 위하여 노력하였습니다. 각 장의 실습에서는 케라스(텐서플로우) 라이브러리를 사용하여 캐글에서 다운로드 받은 데이터들을 학습하고 테스트하는 코드들이 포함되어 있습니다.
10장과 11장에서는 각각 생성 네트워크와 강화 학습을 다룹니다. 생성 네트워크는 이미지/비디오 등의 자동 편집에, 강화 학습은 게임 AI의 개발에 사용되는 도구입니다. 강화 학습은 다른 네트워크에 비해 구현이 까다로운 편에 속하지만, 이 책에서는 AWS의 딥레이서를 사용하여 실습을 진행하며, 강화 학습의 기초 개념인 보상 함수와 할인율을 익히고, 이것만으로 자율주행 자동차의 시뮬레이션 대회에 참가할 수 있도록 하였습니다.
이 책은 딥러닝에 대한 입문서이며, 이론과 실습을 통해 딥러닝의 주요 개념들을 체득할 수 있도록 구성하였습니다. 이 책을 통해 많은 학생들이 딥러닝을 보다 쉽게 접하고, 이를 활용하여 다양한 애플리케이션들을 만들어 가길 기대합니다.
목차
목차
CHAPTER 1 인공지능의 개념
1.1 인공지능 개념 잡기
1.1.1 인공지능이란 무엇인가?
1.1.2 미디어 속의 인공지능
연습문제
1.2 인공지능의 역사
1.2.1 인공지능 이전 시대
1.2.2 인공신경망의 기초 확립
1.2.3 다양한 인공지능 이론의 개발
1.2.4 딥러닝 전성시대와 미래
연습문제
1.3 국가별 인공지능기술과 과학기술정책
1.3.1 미국
1.3.2 중국
1.3.3 유럽
1.3.4 일본
1.3.5 대한민국
연습문제
1.4 인공지능기술
1.4.1 인공지능 기술 개요
1.4.2 데이터
1.4.3 소프트웨어: 인공지능 모델
1.4.4 인공지능 알고리즘
연습문제
CHAPTER 2 캐글 입문
2.1 캐글이란
2.2 캐글 가입하기
2.3 캐글 데이터셋
2.4 캐글 경진 대회와 타이타닉 데이터
2.4.1 캐글 경진 대회
2.4.2 타이타닉 생존자 예측 대회
2.4.3 타이타닉 데이터
2.4.4 인공지능의 학습과 데이터
2.4.5 엑셀을 사용하는 데이터 분석
2.4.6 엑셀을 사용하는 단순 예측
연습문제
CHAPTER 3 파이썬과 코딩의 기초
3.1 코딩이란?
3.2 구글 코랩을 사용하는 파이썬 코딩
연습문제
3.3 계산식, 라이브러리와 함수
3.3.1 계산식과 라이브러리(모듈)
연습문제
3.4 변수
3.4.1 변수의 개념
3.4.2 변수의 종류
3.4.3 변수의 사용 실습
연습문제
3.5 함수
3.5.1 함수의 기본 개념
3.5.2 파라미터가 두 개 이상인 함수
3.5.3 많이 사용되는 다른 함수들
3.5.4 print 함수를 사용하는 문자열의 출력
3.5.5 함수의 사용 실습
연습문제
3.6 조건문
3.6.1 조건문의 개념
3.6.2 다중 조건문
3.6.3 조건식의 조합
3.6.4 조건문의 사용 실습
연습문제
3.7 고급 데이터 타입
3.7.1 리스트
3.7.2 튜플
3.7.3 딕셔너리(사전)
3.7.4 집합
3.7.5 고급 데이터 사용 실습
연습문제
3.8 반복문
3.8.1 while 반복문
3.8.2 for 반복문
3.8.3 break와 continue
3.8.4 반복문 사용 실습
연습문제
3.9 Numpy 배열
3.9.1 배열의 생성과 접근
3.9.2 numpy 배열의 모양 변경
3.9.3 numpy 배열과 슬라이싱
3.9.4 numpy 라이브러리의 기타 함수들
연습문제
3.10 사용자 정의 함수
3.10.1 사용자 정의 함수의 정의
3.10.2 변수의 범위와 함수
3.10.3 사용자 함수의 활용
3.10.4 객체 참조에 의한 파라미터의 전달
연습문제
CHAPTER 4 구글 코랩과 데이터 분석의 기초
4.1 리눅스 시스템 기초
4.2 구글 코랩과 캐글의 연동
4.3 구글 코랩과 타이타닉 데이터
4.4 파이썬 코드로 타이타닉 데이터 분석하기
4.5 데이터 분석 실습: 코로나19 확진자 추이 데이터
연습문제
CHAPTER 5 딥러닝의 개념
5.1 딥러닝 모델의 기본 구조
5.1.1 딥러닝 모델의 기본 구조
5.1.2 딥러닝 모델의 학습
5.1.3 딥러닝 모델과 네트워크층(Layer)
5.1.4 딥러닝 모델의 네트워크 구조
5.2 네트워크의 입력과 출력을 위한 데이터의 변환
5.2.1 네트워크의 입력과 출력
5.2.2 범주형 데이터의 수치화
5.2.3 수치형 데이터의 정규화
5.2.4 타이타닉 데이터의 수치화 및 정규화
연습문제
CHAPTER 6 완전 연결층과 다층 신경망
6.1 완전 연결층
6.2 다층 신경망
6.3 역전파 알고리즘
6.4 최적화 도구와 학습률, 배치 크기
6.5 실습에 필요한 추가 개념 정리
6.6 완전 연결층과 타이타닉 데이터
연습문제
CHAPTER 7 이미지를 인식하는 네트워크, 합성곱 신경망
7.1 이미지 데이터의 인식
7.2 합성곱과 이미지
7.3 합성곱층
7.4 합성곱 신경망과 숫자 이미지 인식
7.4.1 MNIST 데이터셋
7.4.2 딥러닝 모델 생성과 학습
7.4.3 테스트
7.4.4 결과 분석
연습문제
CHAPTER 8 시계열 데이터와 딥러닝 네트워크
8.1 시계열 데이터 개요
8.2 티쳐블 머신을 사용하는 사운드 데이터의 인식
8.3 시계열 데이터의 특징
8.4 시계열 데이터의 전처리
8.5 시계열 데이터를 위한 딥러닝 네트워크 구조
8.6 시계열 데이터의 딥러닝 실습
8.6.1 심전도 데이터의 준비
8.6.2 데이터의 기초 분석
8.6.3 딥러닝
연습문제
CHAPTER 9 순환 신경망과 파라미터 최적화
9.1 순환 신경망
9.1.1 순환 네트워크 개요
9.1.2 완전 연결층 리뷰
9.1.3 단순 순환 신경망(Simple Recurrent Neural Network: Simple RNN)
9.2 LSTM층
9.3 딥러닝 파라미터의 최적화
9.3.1 딥러닝 파라미터 최적화 개요
9.3.2 합성곱층의 파라미터
9.3.3 LSTM층의 파라미터
9.3.4 완전 연결층의 파라미터
9.3.5 모델 생성(컴파일) 시의 파라미터
9.3.6 학습 파라미터와 오버피팅(Overfitting)
9.3.7 파라미터 최적화 전략
9.4 합성곱 신경망과 LSTM을 사용하는 시계열 데이터 인식 실습
9.4.1 데이터 개요
9.4.2 학습/테스트 파일 분리와 정답 정보 만들기
9.4.3 데이터 읽기 및 전처리
9.4.4 모델 구조 지정, 학습 및 테스트
9.5 수업용 온라인 대회 만들기
연습문제
CHAPTER 10 생성 네트워크
10.1 생성 네트워크
10.1.1 생성 네트워크 개요
10.1.2 네트워크층
10.1.3 생성 네트워크의 구성
10.2 생성 네트워크 실습
10.3 적대적 생성 네트워크(GAN)
10.3.1 GAN의 개념
10.3.2 GAN의 학습 원리
10.3.3 배치 정규화 층
10.4 GAN 실습
10.4.1 데이터 읽기, Reshape와 정규화
10.4.2 네트워크의 구성
10.4.3 학습
10.4.4 이미지 생성과 생성된 이미지의 확인
연습문제
CHAPTER 11 정답을 찾아가는 에이전시: 강화 학습과 AWS 딥레이서
11.1 강화 학습 개요
11.2 강화 학습의 원리
11.2.1 환경과 에이전트
11.2.2 학습
11.3 아마존 웹 서비스와 딥레이서
11.4 딥레이서 실습
11.5 딥레이서 보상 함수의 수정과 모델 개선
11.5.1 기본 보상 함수 분석
11.5.2 웨이포인트(Waypoints)를 사용하는 보상 함수
11.5.3 새로운 보상 함수의 디자인
11.6 딥레이서 에이전트와 행동(Action)
연습문제
1.1 인공지능 개념 잡기
1.1.1 인공지능이란 무엇인가?
1.1.2 미디어 속의 인공지능
연습문제
1.2 인공지능의 역사
1.2.1 인공지능 이전 시대
1.2.2 인공신경망의 기초 확립
1.2.3 다양한 인공지능 이론의 개발
1.2.4 딥러닝 전성시대와 미래
연습문제
1.3 국가별 인공지능기술과 과학기술정책
1.3.1 미국
1.3.2 중국
1.3.3 유럽
1.3.4 일본
1.3.5 대한민국
연습문제
1.4 인공지능기술
1.4.1 인공지능 기술 개요
1.4.2 데이터
1.4.3 소프트웨어: 인공지능 모델
1.4.4 인공지능 알고리즘
연습문제
CHAPTER 2 캐글 입문
2.1 캐글이란
2.2 캐글 가입하기
2.3 캐글 데이터셋
2.4 캐글 경진 대회와 타이타닉 데이터
2.4.1 캐글 경진 대회
2.4.2 타이타닉 생존자 예측 대회
2.4.3 타이타닉 데이터
2.4.4 인공지능의 학습과 데이터
2.4.5 엑셀을 사용하는 데이터 분석
2.4.6 엑셀을 사용하는 단순 예측
연습문제
CHAPTER 3 파이썬과 코딩의 기초
3.1 코딩이란?
3.2 구글 코랩을 사용하는 파이썬 코딩
연습문제
3.3 계산식, 라이브러리와 함수
3.3.1 계산식과 라이브러리(모듈)
연습문제
3.4 변수
3.4.1 변수의 개념
3.4.2 변수의 종류
3.4.3 변수의 사용 실습
연습문제
3.5 함수
3.5.1 함수의 기본 개념
3.5.2 파라미터가 두 개 이상인 함수
3.5.3 많이 사용되는 다른 함수들
3.5.4 print 함수를 사용하는 문자열의 출력
3.5.5 함수의 사용 실습
연습문제
3.6 조건문
3.6.1 조건문의 개념
3.6.2 다중 조건문
3.6.3 조건식의 조합
3.6.4 조건문의 사용 실습
연습문제
3.7 고급 데이터 타입
3.7.1 리스트
3.7.2 튜플
3.7.3 딕셔너리(사전)
3.7.4 집합
3.7.5 고급 데이터 사용 실습
연습문제
3.8 반복문
3.8.1 while 반복문
3.8.2 for 반복문
3.8.3 break와 continue
3.8.4 반복문 사용 실습
연습문제
3.9 Numpy 배열
3.9.1 배열의 생성과 접근
3.9.2 numpy 배열의 모양 변경
3.9.3 numpy 배열과 슬라이싱
3.9.4 numpy 라이브러리의 기타 함수들
연습문제
3.10 사용자 정의 함수
3.10.1 사용자 정의 함수의 정의
3.10.2 변수의 범위와 함수
3.10.3 사용자 함수의 활용
3.10.4 객체 참조에 의한 파라미터의 전달
연습문제
CHAPTER 4 구글 코랩과 데이터 분석의 기초
4.1 리눅스 시스템 기초
4.2 구글 코랩과 캐글의 연동
4.3 구글 코랩과 타이타닉 데이터
4.4 파이썬 코드로 타이타닉 데이터 분석하기
4.5 데이터 분석 실습: 코로나19 확진자 추이 데이터
연습문제
CHAPTER 5 딥러닝의 개념
5.1 딥러닝 모델의 기본 구조
5.1.1 딥러닝 모델의 기본 구조
5.1.2 딥러닝 모델의 학습
5.1.3 딥러닝 모델과 네트워크층(Layer)
5.1.4 딥러닝 모델의 네트워크 구조
5.2 네트워크의 입력과 출력을 위한 데이터의 변환
5.2.1 네트워크의 입력과 출력
5.2.2 범주형 데이터의 수치화
5.2.3 수치형 데이터의 정규화
5.2.4 타이타닉 데이터의 수치화 및 정규화
연습문제
CHAPTER 6 완전 연결층과 다층 신경망
6.1 완전 연결층
6.2 다층 신경망
6.3 역전파 알고리즘
6.4 최적화 도구와 학습률, 배치 크기
6.5 실습에 필요한 추가 개념 정리
6.6 완전 연결층과 타이타닉 데이터
연습문제
CHAPTER 7 이미지를 인식하는 네트워크, 합성곱 신경망
7.1 이미지 데이터의 인식
7.2 합성곱과 이미지
7.3 합성곱층
7.4 합성곱 신경망과 숫자 이미지 인식
7.4.1 MNIST 데이터셋
7.4.2 딥러닝 모델 생성과 학습
7.4.3 테스트
7.4.4 결과 분석
연습문제
CHAPTER 8 시계열 데이터와 딥러닝 네트워크
8.1 시계열 데이터 개요
8.2 티쳐블 머신을 사용하는 사운드 데이터의 인식
8.3 시계열 데이터의 특징
8.4 시계열 데이터의 전처리
8.5 시계열 데이터를 위한 딥러닝 네트워크 구조
8.6 시계열 데이터의 딥러닝 실습
8.6.1 심전도 데이터의 준비
8.6.2 데이터의 기초 분석
8.6.3 딥러닝
연습문제
CHAPTER 9 순환 신경망과 파라미터 최적화
9.1 순환 신경망
9.1.1 순환 네트워크 개요
9.1.2 완전 연결층 리뷰
9.1.3 단순 순환 신경망(Simple Recurrent Neural Network: Simple RNN)
9.2 LSTM층
9.3 딥러닝 파라미터의 최적화
9.3.1 딥러닝 파라미터 최적화 개요
9.3.2 합성곱층의 파라미터
9.3.3 LSTM층의 파라미터
9.3.4 완전 연결층의 파라미터
9.3.5 모델 생성(컴파일) 시의 파라미터
9.3.6 학습 파라미터와 오버피팅(Overfitting)
9.3.7 파라미터 최적화 전략
9.4 합성곱 신경망과 LSTM을 사용하는 시계열 데이터 인식 실습
9.4.1 데이터 개요
9.4.2 학습/테스트 파일 분리와 정답 정보 만들기
9.4.3 데이터 읽기 및 전처리
9.4.4 모델 구조 지정, 학습 및 테스트
9.5 수업용 온라인 대회 만들기
연습문제
CHAPTER 10 생성 네트워크
10.1 생성 네트워크
10.1.1 생성 네트워크 개요
10.1.2 네트워크층
10.1.3 생성 네트워크의 구성
10.2 생성 네트워크 실습
10.3 적대적 생성 네트워크(GAN)
10.3.1 GAN의 개념
10.3.2 GAN의 학습 원리
10.3.3 배치 정규화 층
10.4 GAN 실습
10.4.1 데이터 읽기, Reshape와 정규화
10.4.2 네트워크의 구성
10.4.3 학습
10.4.4 이미지 생성과 생성된 이미지의 확인
연습문제
CHAPTER 11 정답을 찾아가는 에이전시: 강화 학습과 AWS 딥레이서
11.1 강화 학습 개요
11.2 강화 학습의 원리
11.2.1 환경과 에이전트
11.2.2 학습
11.3 아마존 웹 서비스와 딥레이서
11.4 딥레이서 실습
11.5 딥레이서 보상 함수의 수정과 모델 개선
11.5.1 기본 보상 함수 분석
11.5.2 웨이포인트(Waypoints)를 사용하는 보상 함수
11.5.3 새로운 보상 함수의 디자인
11.6 딥레이서 에이전트와 행동(Action)
연습문제
저자
저자
장원두
부산대학교 정보컴퓨터공학부/컴퓨터공학과에서 학사 및 석사학위를, 일본 Aizu 대학에서 컴퓨터이공학 박사학위를 받았다. 한양대학교 의공학교실에서 포닥/연구교수로, 몽골국제대학교 IT학부, 동명대학교 전자 및 의용공학부에서 조교수로 근무하였으며, 현재는 부경대학교 컴퓨터공학과에서 조교수로 재직 중이다. 연구 분야는 생체 및 센서 신호와 영상 데이터를 해석하는 패턴인식 알고리즘으로, 관련 연구를 진행하며 다수의 국내외 논문을 출판하였다. (http://biosis.pknu.ac.kr)
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
$99 이상 무료 배송
3% 리워드 크레딧 적립
Secure Payment
