실전! 딥러닝(데이터 사이언스 시리즈 29)

[1부] 기본편



▣ 01장: 머신러닝 라이브러리 텐서플로와 케라스

1.1 텐서플로와 딥러닝

__1.1.1 텐서플로란

__1.1.2 딥러닝이란

1.2 딥러닝으로 할 수 있는 것

1.2.1 이미지 처리

1.2.2 자연어 처리

1.2.3 음성 처리

__1.2.4 강화학습

__1.2.5 그 외

1.3 텐서플로의 특징

__1.3.1 방향성 비순환 그래프

__1.3.2 다양한 환경에서 동작

__1.3.3 분산 처리

__1.3.4 텐서 보드를 이용한 가시화

__1.3.5 다양한 수준의 API와 에코시스템

1.4 케라스(Keras)

__1.4.1 케라스의 특징

1.5 딥러닝 라이브러리의 동향

__1.5.1 Define and Run과 Define by Run

__1.5.2 여러 라이브러리 간의 모델 공유

__1.5.3 딥러닝의 에코시스템

1.6 이 책의 구성과 내용

__1.6.1 1부에서 다루는 내용

__1.6.2 2부에서 다루는 내용



▣ 02장: 개발 환경을 구축하자

2.1 텐서플로와 GPU

__2.1.1 CPU 버전과 GPU 버전의 차이

2.2 파이썬 환경 구축

__2.2.1 아나콘다란?

__2.2.2 아나콘다 설치

__2.2.3 가상 환경 구축

__2.2.4 필요한 라이브러리 설치

__2.2.5 주피터 노트북으로 동작 확인

2.3 GPU 환경과 클라우드 활용

__2.3.1 GPU 버전 텐서플로 설치

__2.3.2 클라우드 이용

2.4 정리

__2.4.1 개발 환경에 대해서



▣ 03장: 간단한 예제로 배우는 텐서플로의 기본

3.1 텐서플로와 데이터 플로우 그래프

__3.1.1 데이터 플로우 그래프

__3.1.2 세션

3.2 데이터 플로우 그래프의 구성 요소

__3.2.1 데이터 플로우 그래프의 구성 요소란

3.3 다차원 배열과 텐서

__3.3.1 텐서 계산

__3.3.2 텐서 연산과 플레이스홀더

3.4 세션과 Saver

__3.4.1 세션과 Saver의 이용 방법

3.5 텐서보드를 이용한 그래프 가시화

__3.5.1 그래프 가시화

__3.5.2 요약 출력

__3.5.3 텐서보드의 기동과 실행

3.6 최적화와 경사법

__3.6.1 딥러닝과 최적화

__3.6.2 경사법(경사하강법)

__3.6.3 머신러닝에 경사법 적용

__3.6.4 데이터 세트 준비

__3.6.5 데이터의 전처리

__3.6.6 모델 정의

__3.6.7 손실 함수의 정의와 학습

__3.6.8 확률적 경사하강법과 미니배치

3.7 최적화와 경사법

__3.7.1 텐서플로 기본에 대해서



▣ 04장: 신경망과 케라스

4.1 최적화와 경사법

__4.1.1 퍼셉트론이란

__4.1.2 시그모이드 뉴런

4.2 순전파 신경망과 케라스로 구현

__4.2.1 순전파 신경망

__4.2.2 케라스를 사용한 구현

__4.2.3 구축한 모델 학습

4.3 Functional API

__4.3.1 Functional API의 이용

4.4 딥러닝 라이브러리의 동향

__4.4.1 순전파 신경망을 케라스로 구현



▣ 05장: 케라스를 이용한 CNN 구현

5.1 CNN의 개요

__5.1.1 입력 이미지의 크기와 파라미터 수

__5.1.2 합성곱 층과 풀링 층

5.2 케라스로 CNN 구현

__5.2.1 CIFAR-10 데이터 세트

__5.2.2 예제 데이터 임포트

__5.2.3 데이터 변형

__5.2.4 합성곱 층 추가

__5.2.5 풀링 층 추가

__5.2.6 드롭아웃 층 추가

__5.2.7 합성곱 층, 풀링 층 추가

__5.2.8 완전연결 계층 추가

__5.2.9 모델 학습

5.3 정리

__5.3.1 CNN 구현에 대해서



▣ 06장: 사전 학습 모델 활용

6.1 사전 학습 모델의 활용 목적

__6.1.1 딥러닝 모델을 구축할 때의 어려움

__6.1.2 사전 학습 모델이란

__6.1.3 ImageNet의 이미지 데이터 세트

__6.1.4 케라스에서 이용할 수 있는 사전 학습 모델

6.2 학습시키지 않고 그대로 사용

__6.2.1 모델을 그대로 사용

__6.2.2 모델 불러오기

__6.2.3 입력 이미지 준비

__6.2.4 예측

6.3 사전 학습 모델의 일부를 재학습(전이학습)

__6.3.1 전이학습을 하는 경우와 장점

__6.3.2 모델 불러오기

__6.3.3 모델 편집

__6.3.4 모델 컴파일

__6.3.5 생성기 생성

__6.3.6 iterator 생성

__6.3.7 모델 학습

6.4 정리

__6.4.1 사전 학습 모델의 활용에 대해서



▣ 07장: 자주 사용하는 케라스 기능

7.1 케라스의 레이어(Layer) 객체

__7.1.1 케라스 레이어

__7.1.2 드롭아웃(Dropout) 레이어

__7.1.3 BatchNormalization(배치정규화) 레이어

__7.1.4 Lambda(람다) 레이어

7.2 활성화 함수(Activation)

__7.2.1 다양한 활성화 함수

__7.2.2 케라스에서 활성화 함수의 이용 방법

__7.2.3 2부에서 사용할 중요한 활성화 함수

7.3 ImageDataGenerator

__7.3.1 ImageDataGenerator의 생성과 전처리

__7.3.2 ImageDataGenerator를 사용한 데이터 불러오기

7.4 정리

__7.4.1 소개한 케라스의 기능에 대해서



[2부] 응용편



▣ 08장: CAE를 이용한 노이즈 제거

8.1 CAE의 유용성

__8.1.1 CAE의 적용 예제와 유용성

8.2 오토인코더, CAE, DAE

__8.2.1 오토인코더란

__8.2.2 CAE란

__8.2.3 DAE란

8.3 노이즈 제거

__8.3.1 노이즈 제거

__8.3.2 데이터 세트 불러오기

__8.3.3 인위적인 노이즈 데이터 작성

__8.3.4 CAE 모델 구축

__8.3.5 모델 요약 확인

__8.3.6 가우시안 노이즈 데이터를 이용한 학습과 예측

__8.3.7 마스킹 노이즈 데이터를 이용한 학습과 예측

__8.3.8 노이즈 이미지 2종류의 예측 결과

8.4 정리

__8.4.1 CAE에 대해서



▣ 09장: 자동 채색

9.1 자동 채색이란

9.2 자동 채색을 위한 연구

__9.2.1 구축할 네트워크 전체 그림

__9.2.2 전처리-후처리 연구(RGB를 LAB로 변환)

9.3 자동 채색을 해보자

__9.3.1 자동 채색 처리의 흐름

__9.3.2 데이터 불러오기

__9.3.3 전처리: 「RGB」를 「LAB」로 변환

__9.3.4 모델 구축

__9.3.5 모델의 학습-예측

__9.3.6 후처리:예측 결과 「AB」를 입력하고 「L」과 RGB」로 변환

9.4 정리

__9.4.1 자동 채색에 대해서자동 채색에 대해서



▣ 10장: 초해상

10.1 CNN을 이용한 초해상

__10.1.1 초해상이란

__10.1.2 SRCNN

__10.1.3 데이터 전처리

__10.1.4 입력 데이터 생성

__10.1.5 모델 구축

__10.1.6 학습-검증

10.2 CAE를 이용한 초해상

__10.2.1 CAE와 스킵 연결

__10.2.2 케라스로 구현

10.3 정리

__10.3.1 CAE와 초해상



▣ 11장: 화풍 변환

11.1 화풍 변환의 방법

__11.1.1 화풍 변환이란

__11.1.2 손실 함수를 연구함으로써 적용 범위가 넓어진다

__11.1.3 구축할 네트워크 개요

11.2 화풍 변환 모델의 학습방법

__11.2.1 학습의 입력과 출력

11.3 화풍 변환 모델의 학습방법

__11.3.1 화풍 변환 실행 순서

__11.3.2 순서 - 네트워크 구축

__11.3.3 순서 - 학습 데이터 준비

__11.3.4 순서 - 손실 함수 정의

__11.3.5 순서 - 모델 학습

__11.3.6 순서 - 모델을 사용해서 화풍 변환

__11.3.7 학습할 때 유의점

11.4 화풍 변환 모델의 학습방법

__11.4.1 화풍 변환에 대해서



▣ 12장: 이미지 생성

12.1 CAE와 이미지 생성

__12.1.1 인코더와 디코더

12.2 DCGAN을 이용한 이미지 생성

__12.2.1 DCGAN

12.3 BEGAN

__12.3.1 BEGAN의 특징

__12.3.2 BEGAN의 수렴 판정

12.4 BEGAN 구현

__12.4.1 데이터 준비

__12.4.2 모델 정의

__12.4.3 손실 함수 정의와 모델 컴파일

__12.4.4 학습

12.5 화풍 변환 모델의 학습방법

__12.5.1 이미지 생성과 BEGAN에 대해서

오타 미쯔히사 1986년 도쿄 출생. 나고야에서 성장하고 교토대학 기초물리학연구소에서 소립자론을 전공하면서 2010년에 박사를 취득했다. 그 해 데이터 분석 회사인 브레인 패드사에 입사하면서 수학적인 배경을 살려서 자연어 처리 엔진과 추천 알고리즘 개발을 담당했다. 현재 최신 기술에 대한 조사와검증을 담당하고 있다. TensorFlow User Group Tokyo 책임자로 Google Developer Expert(Machine Learning)이며 일본 딥러닝 협회 시험 위원을 역임하고 있다.