그림으로 배우는 딥러닝

◈ 이 책에서 다루는 내용 ◈

◆ 텍스트 생성기로 이야기와 기사를 만드는 방법
◆ 인간 게임에서 딥러닝 시스템이 승리하도록 학습하는 방법
◆ 이미지 분류 시스템으로 사진 속 사물이나 사람을 식별하는 방법
◆ 일상생활에서 확률을 유용하게 활용하는 방법
◆ 머신러닝 기술로 현대 AI에 기여하는 방법

◈ 이 책의 대상 독자 ◈

딥러닝이 어떻게 동작하는지 관심 있는 사람을 위해 이 책을 썼다. 수학이나 프로그래밍 경험은 필요 없다. 컴퓨터 전문가나 기술자일 필요도 전혀 없다.
딥러닝의 알고리듬 대부분이 그리 복잡하거나 이해하기 어렵지 않다는 것에 놀랄지도 모른다. 이들은 대개 단순하고 우아하며 대형 데이터베이스를 통해 수백만 번 반복해 힘을 얻게 된다.
순수하게 지적 호기심을 충족시키고 싶은 사람이나 딥러닝을 다루는 다른 사람과 교류하는 사람이 읽기에도 좋다. AI를 이해하면 좋은 이유 중 하나는 AI를 활용할 수 있다는 것이다. 이 책을 통해 일을 더 잘하고 취미를 더 깊게 즐기고 주변 세상을 더욱 완전하게 이해할 수 있도록 도와주는 인공지능 시스템을 구축할 수 있을 것이다.

◈ 이 책의 구성 ◈

1장, '머신러닝 개요'에서는 큰 그림을 보면서 머신러닝이 어떻게 동작하는지에 대한 발판을 마련한다.
2장, '필수 통계'에서는 데이터에서 패턴을 찾고 설명할 수 있게 해준다.
3장, '성능 측정'에서는 측정할 방법을 신중하게 선택해 알고리듬이 "잘못"된 상황은 실제로 무엇을 의미하는지 설명할 수 있다.
4장, '베이즈 규칙'에서는 기댓값(expectations)과 지금까지 확인한 결과들을 모두 고려해 알고리듬이 올바른 결과를 제공할 수 있는 우도(likelihood)에 대해 살펴본다.
5장, '곡선과 표면'에서는 학습 알고리듬을 다루는 데 도움이 되도록 곡선과 표면이 어떻게 생겼는지 설명한다.
6장, '정보 이론'에서는 정보를 표현하고 수정하는 아이디어로 다양한 유형의 정보를 정량화하고 측정할 수 있게 해준다.
7장, '분류'에서는 컴퓨터가 데이터 조각에 특정 클래스나 범주를 할당하는 문제를 해결하기 위한 기본 아이디어를 살펴본다.
8장, '훈련과 테스팅'에서는 실제로 활용할 수 있는 딥러닝 시스템의 구축을 위해 성능을 테스트한다.
9장, '과적합과 과소적합'에서는 훈련 시 사용한 데이터를 외워 처음 본 데이터 처리를 더 못하는 문제가 어디에서 발생하는지, 어떻게 영향을 줄일 수 있는지 알아본다.
10장, '데이터 준비'에서는 학습할 많은 데이터를 제공해 딥러닝 시스템을 훈련한다. 가능한 한 효과적으로 학습하고자 이 데이터를 어떻게 준비해야 하는지 알아본다.
11장, '분류기'에서는 데이터를 분류하기 위한 구체적인 머신러닝 알고리듬을 알아본다. 이러한 방법들은 딥러닝 시스템을 훈련시키고자 시간과 노력을 투자하기 전에 데이터를 파악하는 좋은 방법이다.
12장, '앙상블'에서는 아주 간단한 학습 시스템을 훨씬 더 강력한 복합 시스템으로 결합시키는 방법을 다룬다.
13장, '신경망'에서는 인공 뉴런과 이것들을 어떻게 연결해서 네트워크를 만드는지 살펴본다. 이러한 네트워크들은 딥러닝의 기반을 구성한다.
14장, '역전파'에서는 신경망을 실용적으로 만드는 핵심 알고리듬은 데이터에서 학습할 수 있게 훈련시키는 방법을 다룬다.
15장, '옵티마이저'에서는 심층 네트워크를 훈련하는 두 번째 알고리듬의 성능 향상을 효과적으로 수행하기 위한 다양한 방법을 알아본다.
16장, '컨볼루션 신경망'에서는 영상과 같은 공간 데이터를 처리할 수 있는 강력한 알고리듬과 그것들이 어떻게 사용되는지 알아본다.
17장, '실제 컨볼루션 신경망'에서는 공간 정보를 다루는 기술을 어떻게 활용할 수 있는지 자세히 알아본다.
18장, '오토인코더'에서는 대규모 데이터 세트를 단순화하고 노이즈를 제거해 손상된 이미지를 정제하는 방법을 다룬다.
19장, '순환 신경망'에서는 텍스트와 오디오 클립 같은 시퀀스를 작업할 때 필요한 특별한 도구를 살펴본다.
20장, '어텐션과 트랜스포머'에서는 텍스트를 해석하고 생성하도록 설계된 알고리듬을 알아본다.
21장, '강화학습'에서는 컴퓨터가 제공하기를 원하는 답을 모르는 문제를 유연하게 해결하는 방법을 살펴본다.
22장, '생성적 적대 신경망'에서는 갖고 있는 데이터의 새로운 인스턴스를 창조하거나 생성하는 생성기를 훈련시킬 수 있는 강력한 방법을 알아본다.
23장, '창의적인 애플리케이션'에서는 사이키델릭한 이미지를 만들고, 예술가의 시그니처 스타일을 사진에 적용하고, 어떤 작가의 스타일로든 새로운 텍스트를 생성하기 위한 딥러닝 도구를 적용해본다.

◈ 옮긴이의 말 ◈

해가 지날수록 풀기 힘든 문제를 AI로 풀어보고자 노력하는 사람들을 많이 만난다. 문제의 본질을 고민하고, 여러 아이디어로 실험해보고, 피처를 새로 만들어보고, 네트워크 구조를 바꿔보고, 데이터를 더 모아보고, 잘못된 데이터가 없는지 또 검사해보고, 실험을 실패하고 다시 시도하는 등 고군분투하는 사람이 늘고 있다.
또한 AI나 ML 팀이 아닌 다른 부서에 AI나 머신러닝 지식을 전달하고 발표해야 하는 자리도 늘어나고 있다. 업무의 효율을 높이기 위해서는 AI를 적용해야 하고, 다른 회사와의 협업이나 사업 기회를 만드려면 연구 개발 조직이 아닌 부서에도 AI와 머신러닝 지식이 요구된다.
이 책은 마주치자마자 덮어 버리고 싶은 수식과 개발자가 아니면 굳이 알고 싶지 않은 코드를 제거하고 그림만으로 머신러닝, 딥러닝 이론을 설명한 책이다. 거부 반응 없이 머신러닝과 딥러닝에 최대한 가깝게 갈 수 있도록 저자가 많은 공을 들였다. 부족한 역자로 인해 저자의 노력이 사라지지 않도록 최선을 다해 번역했다.
아무쪼록 이 책이 머신러닝과 딥러닝에 입문할 때 수식과 코드 때문에 겁먹어 포기하지 않고, 이 분야의 이론을 전반적으로 훑어보고 이해하는 데 많은 도움이 됐으면 한다.
김창엽

6년 전, 인간과 AI가 바둑 대결을 할 때만 해도 "AI가 이런 것도 가능해?"라며 탄복한 기억이 있다. 여러 해가 지난 지금은 "AI가 이런 것도 못해?"라는 생각이 들 때가 있다. 일상에서 사용하는 냉장고나 공기청정기, 스피커와 같은 가전에서도 이제는 AI를 찾기 어렵지 않아 기대감이 높아졌기 때문일 것이다. AI는 어느새 일상에 뿌리 깊게 자리한 기술이 됐다. 하지만 AI에 대해 과연 얼마나 알고 있을까? 개발자를 비롯한 많은 사람이 작동 원리를 완벽히 이해하진 못할 것이다. 모든 기술이 그렇듯 단순히 제공하는 기능을 사용하기보다는 작동 원리를 이해함으로써 더욱 편리하게 사용할 수 있다. 배경을 없애는 기능을 사용하고자 사진을 찍을 때 하얀 바탕을 배경으로 찍는다든가, 녹음 파일의 잡음을 제거하고자 녹음할 때는 격리된 곳으로 이동하는 식으로 말이다. AI를 더 깊이 있게 알면 더 효과적으로 사용하게 되고 나아가 직접 개발하고 개선시키고 싶을 것이다.
AI 기능을 개선하려면 이 분야의 지식에 한 발짝 더 다가가야 한다. 그래야 상황에 맞는 알고리듬을 선택하고 원하는 결과를 얻을 수 있을 것이다. 이런 면에서 이 책이 큰 의미가 있다고 생각한다. 이 책은 단순히 기술의 설명만을 늘어놓지 않고 AI 분야의 작동 원리를 알기 쉽게 풀어 설명하고 있다. 삶과 지식을 윤택하게 만들어주는 교양서일 뿐만 아니라 이 분야의 기술자에게는 다른 무언가를 개발하고 개선시킬 수 있게 하는 토르의 망치와 같은 책이 될 것이다. 기술의 겉모습에 집중하지 말고 번개와 같은 기술의 속성을 이해하면서 망치를 휘둘러보자. 훨씬 더 강력할 것이다.
소재현

1부. 기본 개념

1장. 머신러닝 개요
전문가 시스템
지도학습
비지도학습
강화학습
딥러닝
요약

2장. 필수 통계
무작위성 설명
확률 변수와 확률 분포
몇 가지 일반적인 분포
__연속 분포
__이산 분포
확률 변수의 집합
__기댓값
__의존성
__독립 항등 분포된 변수
추출과 복원
__복원 추출
__비복원 추출
부트스트랩
공분산과 상관관계
__공분산
__상관관계
통계가 모든 것을 말해주지는 않는다
고차원 공간
요약

3장. 성능 측정
확률의 여러 유형
__다트 던지기
__단순 확률
__조건부 확률
__결합 확률
__주변 확률
정확도 측정
__샘플 분류
__혼동 행렬
__잘못된 예측값 특성화
__옳고 그름의 측정
__정확도
__정밀도
__재현율
__정밀도-재현율 트레이드오프
__오해의 소지가 있는 측정지표
__f1 점수
__용어
__기타 측정지표
혼동 행렬을 올바르게 구성하기
요약

4장. 베이즈 규칙
빈도주의와 베이지안 확률
__빈도주의적 접근
__베이지안 접근법
__빈도주의자 대 베이지안 주의자
빈도주의자의 동전 던지기
베이지안의 동전 던지기
__동기 부여 예제
__동전 확률 그리기
__동전 던지기를 확률로 표현하기
__베이즈 규칙
__베이즈 규칙에 대한 논의
베이즈 규칙과 혼동 행렬
베이즈 규칙 반복
__사후 확률-사전 확률 루프
__베이즈 루프 실습
다중 가설
요약

5장. 곡선과 표면
함수의 본질
미분
__최댓값과 최솟값
__접선
__미분으로 최솟값과 최댓값 찾기
그래디언트
__물, 중력, 그래디언트
__경사도로 최댓값과 최솟값 찾기
__안장점
요약

6장. 정보 이론
놀라움과 맥락
__놀라움 이해
__맥락 풀기
정보 측정
적응형 코드
__모스 말하기
__모스 부호 커스터마이징
엔트로피
교차 엔트로피
__두 개의 적응형 코드
__코드 사용
__실전에서의 교차 엔트로피
쿨백-라이블러 발산
요약


2부. 머신러닝 기초

7장. 분류
이진 분류
2D 다중 클래스 분류
다중 클래스 분류
__하나 대 나머지
__하나 대 하나
클러스터링
차원의 저주
__차원과 밀도
__고차원의 기이함
요약

8장. 훈련과 테스팅
훈련
성능 테스트
__테스트 데이터
__검증 데이터
교차 검증
k-폴드 교차 검증
요약

9장. 과적합과 과소적합
좋은 적합 찾기
__과적합
__과소적합
과적합의 탐지와 해결
__얼리스토핑
__일반화
편향과 분산
__기저 데이터에 일치시키기
__높은 편향, 낮은 분산
__낮은 편향, 높은 분산
__곡선 비교
베이즈 규칙으로 선 적합하기
요약

10장. 데이터 준비
기본 데이터 정제
일관성의 중요성
데이터 유형
원핫 인코딩
정규화와 표준화
__정규화
__표준화
__변환 기억하기
변환 유형
__슬라이스 처리
__샘플별 처리
__피처별 처리
__요소별 처리
역변환
교차 검증의 정보 유출
데이터 세트 축소
__피처 선택
__차원 축소
주성분 분석
__단순 이미지를 위한 PCA
__실제 이미지에 대한 PCA
요약

11장. 분류기
분류기의 유형
k-최근접 이웃
의사결정 트리
__트리 소개
__의사결정 트리 사용
__과적합 트리
__노드 분할
서포트 벡터 머신
__기본 알고리듬
__SVM 커널 트릭
나이브 베이즈
분류기 비교
요약

12장. 앙상블
투표
의사결정 트리의 앙상블
__배깅
__랜덤 포레스트
__엑스트라 트리
부스팅
요약


3부. 딥러닝 기본

13장. 신경망
실제 뉴런
인공 뉴런
__퍼셉트론
__현대 인공 뉴런
뉴런 그리기
피드포워드 네트워크
신경망 그래프
가중치 초기화
딥 네트워크
완전 연결 레이어
텐서
네트워크 붕괴 방지
활성화 함수
__직선 함수
__계단 함수
__구간 선형 함수
__매끄러운 함수
__활성화 함수 갤러리
__활성화 함수 비교
소프트맥스
요약

14장. 역전파
높은 수준에서의 훈련 개요
__오류 처벌하기
__학습을 위한 느린 방법
__경사 하강법
개요
작은 신경망에서의 역전파
__출력 뉴런의 델타 찾기
__가중치 변경을 위해 델타 사용
__다른 뉴런의 델타
더 큰 네트워크에서의 역전파
학습률
__이진 분류기 구축
__학습률 선택
__훨씬 더 작은 학습률
요약

15장. 옵티마이저
2D 곡선 오류
학습률 조정
__일정한 크기로 업데이트
__시간에 따라 학습률을 변화
__감쇠 스케줄
업데이트 전략
__배치 경사 하강법
__확률적 경사 하강법
__미니배치 경사 하강법
경사 하강법 변형
__모멘텀
__네스테로프 모멘텀
__Adagrad
__Adadelta와 RMSprop
__Adam
옵티마이저 선택
일반화
__드롭아웃
__배치 정규화
요약


4부. 기초를 넘어

16장. 컨볼루션 신경망
컨볼루션 소개
__노란색 탐지
__가중치 공유
__더 큰 필터
__필터와 피처
__패딩
다차원 컨볼루션
다중 필터
컨볼루션 레이어
__1D 컨볼루션
__1×1 컨볼루션
출력 크기 변경
__풀링
__스트라이드
__전치 컨볼루션
필터의 계층 구조
__가정 단순화
__안면 마스크 찾기
__눈, 코, 입 찾기
__필터 적용
요약

17장. 실제 컨볼루션 신경망
손 글씨 분류
VGG16
필터 시각화 1부
필터 시각화 2부
적대 사례
요약

18장. 오토인코더
인코딩 소개
__비손실 인코딩과 손실 인코딩
표현 혼합하기
가장 단순한 오토인코더
더 좋은 오토인코더
오토인코더 탐험
__잠재 변수 자세히 살펴보기
__파라미터 공간
__잠재 변수 혼합
__새로운 입력에 대한 예측
컨볼루셔널 오토인코더
__잠재 변수 혼합
__새로운 입력에 대해 예측
노이즈 제거
변분 오토인코더
__잠재 변수의 분포
__변분 인코더 구조
VAE 탐험
__MNIST 샘플로 작업
__두 잠재 변수로 작업
__새로운 입력 전달
요약

19장. 순환 신경망
언어 다루기
__일반적인 자연어 처리 작업
__텍스트를 숫자로 변환
__미세 조정과 다운스트림 네트워크
완전 연결 예측
__네트워크 테스트
__네트워크가 실패한 이유
순환 신경망
__스테이트 소개
__다이어그램 롤업
__실전에서의 순환 셀
__순환 신경망 훈련
__장단기 기억과 게이트 순환 신경망
순환 신경망 사용
__흑점 데이터로 작업
__텍스트 생성
__다양한 아키텍처
Seq2Seq
요약

20장. 어텐션과 트랜스포머
임베딩
__단어 임베딩
__ELMo
어텐션
__동기를 부여하는 비유
__셀프 어텐션
__Q/KV 어텐션
__멀티헤드 어텐션
__레이어 아이콘
트랜스포머
__스킵 커넥션
__놈-애드
__포지셔널 인코딩
__트랜스포머 결합
__실전에서의 트랜스포머
BERT와 GPT-2
__BERT
__GPT-2
__생성기 논의
__데이터 포이즈닝
요약

21장. 강화학습
기본 아이디어
새로운 게임 배우기
강화학습의 구조
__1단계: 에이전트가 행동을 선택
__2단계: 환경이 응답
__3단계: 에이전트가 자체 업데이트
__큰 그림으로 돌아가기
__보상 이해
플리퍼
L-러닝
__기초
__L-러닝 알고리듬
__알고리듬 테스트
__예측 불가능성 처리
Q-러닝
__Q-값과 업데이트
__Q-러닝 정책
__하나로 결합
__골치 아픈 문제
__Q-러닝 실습
SARSA
__알고리듬
__SARSA 실습
__Q-러닝과 SARSA 비교
큰 그림
요약

22장. 생성적 적대 신경망
지폐 위조
__경험에서 학습
__신경망으로 위조
__학습 과정
__왜 적대일까?
GAN 구현
__판별기
__생성기
__GAN 훈련
GAN 실습
__판별기와 생성기 구축
__네트워크 훈련
__네트워크 테스트
DCGAN
도전 과제
__큰 샘플 사용
__모드 붕괴
__생성한 데이터로 훈련
요약

23장. 창의적인 애플리케이션
딥 드리밍
__필터 자극
__딥 드리밍 실행
뉴럴 스타일 전이
__스타일 표현
__콘텐츠 표현
__스타일과 콘텐츠를 함께
__스타일 전이 실행
이 책을 더 만들어보기
요약

앤드류 글래스너 Andrew S. Glassner
웨타 디지털(Weta Digital)의 선임 연구 과학자다. 예술가가 딥러닝으로 영화와 텔레비전에서 시각 효과를 낼 수 있게 돕고 있다. SIGGRAPH '94의 기술 논문 좌장, 「Journal of Computer Graphics Tools」의 창립 편집자, 「ACM Transactions on Graphics」의 편집장을 역임했다. 저서로는 『Graphics Gems』(Academic Press) 시리즈와 『Principles of Digital Image Synthesis』(Morgan Kaufmann, 1995)가 있다. UNC-Chapel Hill에서 박사 학위를 취득했다. 여가에는 그림을 그리고 재즈 피아노를 연주하고 소설을 쓴다. 웹 사이트는 www.glassner.com이며, 트위터에서 @AndrewGlassner로 찾아볼 수 있다.