딥러닝 입문 교실(가장 쉬운)(데이터 사이언스 시리즈 21)

▣ 1장: 딥러닝과 머신러닝
Lesson 1-1 딥러닝의 기본
계층이 깊은 신경망
Lesson 1-2 딥러닝의 역사
인공지능의 진화로 보는 딥러닝
Lesson 1-3 머신러닝의 기초 지식
지도 학습과 비지도 학습
강화 학습
규칙기반? 지식기반?
통계적 머신러닝
전처리와 특징 추출
배치 학습과 온라인 학습
성능 평가
일반화 능력
Lesson 1-4 머신러닝을 위한 수학
수의 체계와 수식
변수와 정수
등식과 대입식
벡터와 첨자
합을 나타내는 기호
최솟값?최댓값
절댓값
거리와 노름
미분과 편미분
합성함수의 미분
지수와 로그
COLUMN 1 인공지능이란

▣ 2장: 파이썬 준비와 기본 문법
Lesson 2-1 파이썬 설치 -윈도우 편-
윈도우에 설치
Lesson 2-2 파이썬 설치 -맥 편-
맥에서는 파이썬2가 바로 사용 가능합니다
홈브루 설치
pyenv 설치
Python 3을 설치합니다
Lesson 2-3 라이브러리 설치 -윈도우 편-
윈도우용 아나콘다 설치
Lesson 2-4 라이브러리 설치 -맥 편-
맥용 아나콘다 설치
Lesson 2-5 파이썬 기본 문법
Hello, Python!!
변수
상수(Constant)
데이터형
연산
리스트형과 튜플형
집합형
딕셔너리
문자열의 연결과 반복
문자열 포맷
시퀀스 연산
함수
if 문
반복문
모듈 호출
COLUMN 2 자바로 구현

▣ 3장: 딥러닝 체험
Lesson 3-1 텐서플로와 케라스 설치
윈도우 편: 텐서플로 설치
윈도우 편: 케라스 설치
맥 편: 텐서플로 설치
맥 편: 케라스 설치
Lesson 3-2 주피터 노트북을 사용합시다
주피터 노트북 준비
주피터 노트북 사용법
Lesson 3-3 수치 계산 라이브러리 넘파이 사용법
기본적인 사용법
Lesson 3-4 그래프 라이브러리 맷플롯립 사용법
기본적인 사용법
Lesson 3-5 케라스로 딥러닝 체험
캐글에서 이미지를 다운로드
이미지 인식 프로그램 작성
COLUMN 3 텐서플로란？

▣ 4장: 신경망 기초
Lesson 4-1 뉴런과 퍼셉트론
신경세포(뉴런)
퍼셉트론
Lesson 4-2 활성화 함수
여러 가지 활성화 함수
Lesson 4-3 헵의 규칙과 델타 규칙
가중치(결합하중)의 학습 규칙
Lesson 4-4 신경망의 학습
개와 고양이를 분류한다
XOR 문제
다층 퍼셉트론(신경망)
OR 문제
AND 문제
NAND 문제
신경망에서의 식별
Lesson 4-5 학습 방법의 차이와 손실 함수
신경망의 학습 방법
학습 프로세스로 보는 손실 함수
여러 가지 손실 함수
Lesson 4-6 경사법
파라미터는 어떻게 조정하나?
신경망의 오차의 경사 구하는 법
Lesson 4-7 오차 역전파법（Back propagation）
오차 역전파법이란?
연쇄 법칙
Lesson 4-8 MNIST
Step 1. 주피터 노트북으로 신규 파일을 작성합니다
Step 2. 손글씨 이미지 데이터 준비
Step 3. 모델 작성
Step 4. 신경망의 학습
COLUMN 4 차원의 저주와 과적합

▣ 5장: 합성곱 신경망
Lesson 5-1 합성곱 신경망의 기초
이미지 분류와 시신경
하나의 뉴런으로 입력 이미지 전체를 학습시킨다
Lesson 5-2 합성곱 연산
수용 영역을 슬라이드한다
포커스의 이동
Lesson 5-3 합성곱층
다른 패턴을 인식시키려면?
Lesson 5-4 심층 합성곱 신경망
3차원 데이터를 입력받을 수 있도록 한다
수축하는 출력의 형태
Lesson 5-5 제로 패딩을 이용한 합성곱
입력 데이터의 주변 정보 손실
제로 패딩
Lesson 5-6 범위를 넓히는 합성곱
스트라이드란
제로 패딩 이용
Lesson 5-7 합성곱 ReLU층
비선형 변환으로 인식률 향상
Lesson 5-8 풀링층
풀링층을 이용한 처리
풀링층의 장점과 주의점
Lesson 5-9 완전 연결 계층
완전 연결 계층의 처리
완전 연결 계층의 수정
더 복잡한 판단을 하고 싶을 때
Lesson 5-10 심층 합성곱 신경망의 학습
모델 학습과 훈련
Step 1. 손실 E 정의
Step 2. 가중치 w 초기화
Step 3. 가중치 w를 반복해서 수정
Lesson 5-11 과적합과 드롭아웃
과적합의 예
과적합을 방지하는 드롭아웃
드롭아웃의 장점
Lesson 5-12 합성곱의 더 자세한 정보
합성곱층 vs. 완전 연결 계층
깊고 작은 국소 수용 영역 vs. 얕고 넓은 수용 영역
COLUMN 5 GPU를 이용한 학습

▣ 6장: 딥러닝의 응용
Lesson 6-1 순환 신경망（RNN）
RNN의 특징
RNN에 의한 정보의 전개
Lesson 6-2 LSTM 신경망
LSTM의 특징
Lesson 6-3 GRU(Gated Recurrent Unit)
GRU의 특징
더 효율적으로 기억할 수 있다
Lesson 6-4 RNN 언어 모델
다음에 어떤 단어가 올지 추측한다
Lesson 6-5 Sequence-To-Sequence 모델
시퀀스-투-시퀀스 모델의 특징
Lesson 6-6 어텐션(Attention)
어텐션의 특징
COLUMN 6 하향식과 상향식

히로키 타니오카 타니오카 히로키 (谷岡 ?樹)

1973년 도쿠시마현 출생으로 1997년에 치바대학을 졸업하고 2004년에 신슈대학 공학계연구과 석사를 거쳐 2008년 신슈대학 종합공학계연구과에서 박사학위를 받았다. 1997년 4월부터 일본 IT기업 소프트웨어 엔지니어와 연구개발 매니저를 거쳐 2016년부터 도쿠시마대학 정보센터 조교로 근무하고 있으며, 정보검색, 기계학습, 자연어처리 등에 흥미가 있음. 현재 대화 시스템, 스포츠테마, 의료정보 등 정보검색과 머신러닝을 응용한 연구개발을 진행 중이다. 정보처리학회, 인공지능학회, 언어처리학회, IEEE, ACM 회원이기도 하다.