자료검색

책소개

최근 4차 산업혁명 시대를 맞이하여 인공지능을 포함한 빅데이터, 로봇, 자율주행자동차, 드론, 5G 등의 기술 발전에서 소프트웨어에 대한 중요성이 점점 더 높아지고 있다. 특히 소프트웨어를 이용한 인공지능(AI) 분야에 대한 적용 및 활용 기술의 개발이 활발하게 이루어지고 있다. 따라서 인공지능, 기계 학습, 심층 학습, 강화 학습 분야의 기술 개발을 위해 파이썬 등과 같은 다양한 프로그램 언어들이 개발되어 사용되고 있는데, 그중에서 심층 학습은 컴퓨터 비전, 음성 인식, 자연어 처리 및 이해 분야에서 놀랄만한 발전을 거듭해 왔다.

앞으로도 심층 학습은 비전 기반의 감지 및 인식, 자율 주행, 에너지 절약, 신약 개발, 금융 및 마케팅 분야의 애플리케이션에서 심층 학습 알고리즘이 많이 적용될 것으로 예상하고 있다. 따라서, Tensorflow와 Keras를 이용한 고급 심층 학습 프로그래밍을 익히고자 하는 국내 개발자들에게 많은 도움이 될 좋은 책이라 생각되어 번역하게 되었다.

목차

1장 Keras를 이용한 고급 심층 학습 소개

1. 왜 Keras가 완벽한 심층학습 라이브러리 인가? 4
Keras와 텐서플로우 설치하기 5
2. MLP, CNN, RNN 8
MLP, CNN, 그리고 RNN의 차이점 8
3. 멀티레이어 퍼셉트론(MLP) 9
MNIST 데이터셋 10
MNIST 숫자 분류기 모델 13
MLP와 Keras를 이용하여 모델 구축하기 17
정규화 20
출력 활성화 및 손실 함수 21
최적화 24
성능 평가 29
모델 요약 30
4. 합성곱 신경망(CNN) 33
합성곱 35
풀링(Pooling) 연산 37
성능 평가 및 모델 요약 38
5. 순환 신경망(RNN) 40
6. 요점 정리 46
7. 참고자료 47

2장 심층 신경망

1. 함수형 API 52
두 개의 입력과 하나의 출력을 갖는 모델 생성하기 55
2. 심층 잔차 네트워크(ResNet) 62
3. ResNet v2 73
4. 조밀하게 연결된 합성곱 네트워크(DenseNet) 77
CIFAR10으로 100-레이어 DenseNet-BC 구축하기 81
5. 요점 정리 84
6. 참고자료 85

3장 오토인코더

1. 오토인코더의 원리 90
2. Keras를 이용한 오토인코더 구축하기 93
3. 노이즈 제거 오토인코더(DAE) 104
4. 자동 채색 오토인코더 110
5. 요점 정리 118
6. 참고자료 119

4장 생성적 적대 신경망(GAN)

1. GAN의 개요 123
GAN의 원리 125
2. Keras로 DCGAN 구현하기 131
3. 조건부(conditional) GAN 142
4. 요점 정리 153
5. 참고자료 153

5장 향상된 GAN

1. Wasserstein GAN 158
거리 함수 158
GAN의 거리 함수 161
Wasserstein 손실 사용하기 164
Keras를 이용한 WGAN 구현 169
2. Least-squares GAN(LSGAN) 177
3. 보조 분류기(Auxiliary Classifier) GAN(ACGAN) 182
4. 요점 정리 196
5. 참고자료 196

6장 풀어진 표현 GAN

1. 풀어진 표현 200
InfoGAN 202
Keras로 InfoGAN 구현 206
InfoGAN의 생성자 출력 218
2. StackedGAN 221
Keras로 StackedGAN 구현 222
StackedGAN의 생성자 출력 240
3. 요점 정리 244
4. 참고자료 244

7장 교차-도메인 GAN

1. CycleGAN의 기본 개념 248
CycleGAN 모델 251
Keras를 이용한 CycleGAN 구현 258
CycleGAN의 생성자 출력 276
MNIST의 CycleGAN 및 SVHN 데이터셋 279
2. 요점 정리 286
3. 참고자료 287

8장 변분 오토인코더(VAEs)

1. VAE의 기본 개념 292
변분 추론 294
핵심 방정식 294
최적화 296
재매개변수화 기법 297
디코더 테스트 298
Keras의 VAE 298
CNN을 이용한 AE 308
2. 조건부 VAE (CVAE) 315
3. ?? -VAE -풀어진 잠재 표현을 갖는 VAE 323
4. 요점 정리 327
5. 참고자료 327

9장 심층 강화 학습

1. 강화 학습(RL)의 기본 개념 332
2. Q 값 335
3. Q-learning 예제 337
파이썬에 의한 Q-Learning 343
4. 비결정론적 환경 351
5. 시간차 학습(Temporal-difference learning) 352
OpenAI Gym에서 Q-learning 352
6. 심층 Q-Network(DQN) 359
Keras에서 DQN 363
Double Q-learning (DDQN) 371
7. 요점 정리 375
8. 참고자료 376

10장 정책 경사 방법

1. 정책 경사 정리 380
2. 몬테 카를로(Monte Carlo) 정책 경사(REINFORCE) 방법 383
3. 기준치를 갖는 REINFORCE 방법 387
4. Actor-Critic 방법 393
5. Advantage Actor-Critic(A2C) 방법 397
6. Keras를 이용한 정책 경사 방법 401
7. 정책 기울기 방법들의 성능 평가 420
8. 요점 정리 427
9. 참고자료 427

11장 객체 감지

1. 객체 감지 432
2. 앵커 박스 435
3. 정답 앵커 박스 442
4. 손실 함수 450
5. SSD 모델 아키텍처 454
6. Keras에서 SSD 모델 아키텍처 458
7. Keras에서 SSD 객체 459
8. Keras에서 SSD 모델 464
9. Keras에서 데이터 생성기 모델 468
10. 예제 데이터셋 472
11. SSD 모델 훈련 473
12. 비-최대값 억제(NMS) 알고리즘 475
13. SSD 모델 검증 479
14. 요점 정리 487
15. 참고자료 487

12장 시멘틱 분할

1. 분할 492
2. 시멘틱 분할 네트워크 495
3. Keras의 시멘틱 분할 네트워크 498
4. 예제 데이터셋 505
5. 시멘틱 분할 검증 507
6. 요점 정리 511
7. 참고자료 512

13장 상호 정보를 이용한 비지도 학습

1. 상호 정보 516
2. 상호 정보와 엔트로피 518
3. 이산 확률 변수의 상호 정보 극대화에 의한 비지도 학습 521
4. 비지도 클러스터링을 위한 인코더 네트워크 525
5. Keras에서 비지도 클러스터링 구현 529
6. MNIST를 이용한 검증 542
7. 연속 확률 변수의 상호 정보 최대화에 의한 비지도 학습 543
8. 이변량 가우시안의 상호 정보 추정 545
9. Keras에서 연속 확률 변수를 이용한 비지도 클로스터링 552
10. 요점 정리 561
11. 참고자료 562