목차
Chapter 01 인공지능이란?
1. 인공지능의 시대
2. 인공지능의 정의
3. 인공지능의 간단한 역사
4. 규칙 기반 방법 vs 머신러닝 방법
5. 인공지능은 어디에 필요할까?
Lab 머신러닝 체험하기 #1
Lab 머신러닝 체험하기 #2
Lab 티처블 머신 이용하여 머신러닝 체험하기
요약
연습문제
Chapter 02 파이썬과 넘파이 복습
1. 파이썬이란?
2. 파이썬 설치하기
3. 어떤 개발 도구를 사용할 것인가?
4. 파이썬 복습
5. 딥러닝 개발에 사용되는 라이브러리
6. 넘파이
Lab 넘파이로 평균 제곱 오차 계산하기
7. 맵플롯립
Lab 맵플롯립으로 시그모이드 함수를 그려보자
요약
연습문제
Chapter 03 머신러닝의 기초
1. 머신러닝이란?
2. 지도 학습
3. 머신러닝의 과정
4. 붓꽃을 머신러닝으로 분류해보자.
5. 필기체 숫자 이미지를 분류해보자.
6. 머신러닝 알고리즘의 성능평가
7. 머신러닝의 용도
요약
연습문제
Chapter 04 선형 회귀
1. 선형 회귀
2. 선형 회귀에서 손실 함수 최소화 방법
3. 선형 회귀 파이썬 구현 #1
4. 선형 회귀 파이썬 구현 #2
Lab 선형 회귀 실습
5. 과잉 적합 vs 과소 적합
Lab 당뇨병 예제
Mini Project 면적에 따른 집값 예측
요약
연습문제
Chapter 05 퍼셉트론
1. 신경망이란?
2. 퍼셉트론
3. 퍼셉트론 학습 알고리즘
Lab 퍼셉트론 시각화
4. 퍼셉트론의 한계점
Mini Project 퍼셉트론으로 분류
요약
연습문제
Chapter 06 MLP(다층 퍼셉트론)
1. MLP(다층 퍼셉트론)
2. 활성화 함수
Lab 활성화 함수 구현
3. MLP의 순방향 패스
Lab MLP 순방향 패스
4. 손실함수 계산
5. 경사 하강법
Lab 경사 하강법 실습
Lab 2차원 그래디언트 시각화
6. 역전파 학습 알고리즘
7. 역전파 알고리즘을 손으로 계산해보자.
8. 넘파이만을 이용한 MLP 구현
9. 구글의 플레이그라운드를 이용한 실습
요약
연습문제
Chapter 07 MLP와 케라스 라이브러리
1. 미니 배치
Lab 미니 배치 실습 #1
2. 행렬로 미니 배치 구현하기
3. 학습률
Lab 학습률과 배치크기 실습
4. 케라스(Keras) 시작하기
5. 케라스를 사용하는 3가지 방법
6. 케라스를 이용한 MNIST 숫자 인식
7. 케라스의 입력 데이터
8. 케라스의 클래스들
9. 하이퍼 매개변수
요약
연습문제
Chapter 08 심층 신경망
1. 심층 신경망
2. 그래디언트 소실 문제
Lab 활성화 함수 실험
3. 손실 함수 선택 문제
Lab 교차 엔트로피의 계산
4. 케라스에서의 손실 함수
5. 가중치 초기화 문제
Lab 가중치 초기화 실험
6. 범주형 데이터 처리
7. 데이터 정규화
8. 과잉 적합과 과소 적합
9. 과잉 적합 방지 전략
Lab 배치 크기, 학습률, 규제항
10. 앙상블
11. 예제: MNIST 필기체 숫자 인식
12. 예제: 패션 아이템 분류
13. 예제: 타이타닉 생존자 예측하기
요약
연습문제
Chapter 09 컨벌루션 신경망
1. 컨벌루션 신경망 소개
2. 컨볼루션 연산
3. 풀링(서브 샘플링)
4. 컨벌루션 신경망을 해석해보자.
5. 케라스로 컨벌루션 신경망 구현하기
6. 예제: MNIST 필기체 숫자 인식
요약
연습문제
Chapter 10 영상 인식
1. 영상 인식이란?
Lab 영상인식 신경망 체험하기
2. 전통적인 영상 인식
3. 심층 신경망을 이용한 영상 인식
4. 예제: CIFAR-10 영상 분류하기
5. 데이터 증대
6. 예제: 강아지와 고양이 구별하기
7. 가중치 저장과 전이 학습
요약
연습문제
Chapter 11 순환 신경망
1. 순환 신경망이란?
2. 순환 데이터의 이해
3. RNN의 구조
4. RNN의 순방향 패스
5. 순환 신경망의 학습
6. 예제: 사인파 예측 프로그램
7. LSTM 신경망
8. 예제: Keras를 이용한 주가 예측
요약
연습문제
Chapter 12 자연어 처리
1. 자연어 처리란?
2. 텍스트 전처리
3. 단어의 표현
4. 케라스에서의 자연어 처리
5. 예제: 스팸 메일 분류하기
6. 예제: 다음 단어 예측하기
7. 예제: 영화 리뷰 감성 판별하기
요약
연습문제
Chapter 13 강화 학습
1. 강화 학습이란?
2. 강화 학습 프레임워크
3. OpenAI
4. 전통 Q-학습
5. 예제: 얼음 호수 게임에서 Q-학습의 구현
6. Deep Q-학습
7. 예제: 얼음 호수 게임에서 심층 Q-학습의 구현
요약
연습문제
Chapter 14 생성 모델
1. 생성 모델이란?
2. 케라스의 함수형 API
3. 기본형 오토인코더
4. 노이즈 제거 오토인코더
5. GAN이란?
6. 예제: GAN으로 숫자 이미지 생성
요약
연습문제
