수식 튼튼! 코드 탄탄! 내 손으로 만드는 딥러닝 모델

2010년 신경망 기술이 딥러닝이라는 이름으로 부활하면서 머신러닝 실무자는 물론, 소프트웨어 엔지니어에게도 딥러닝은 필수 소양이 되었다. 머신러닝을 처음 접하는 데이터 과학자와 소프트웨어 엔지니어에게 실용적인 정보를 제공한다. 딥러닝의 기초부터 고급 신경망 구조까지 폭넓게 배우고, 딥러닝 모델을 직접 구현하며 빠르게 개념을 익혀보자. 먼저 그림으로 개념을 설명하고, 코드의 밑바탕이 되는 수학적 원리를 설명한다. 그다음 파이썬 코드로 신경망을 구현하며 동작하는 방법을 이해한다. 다층 신경망, 합성곱 신경망, 순환 신경망의 간단한 구조부터 복잡한 구조까지 확장해보며 딥러닝 프로젝트에 준비된 개발자로 성장할 수 있다.

여러 해 동안 머신러닝을 이용한 문제 해결과 머신러닝 강의를 했다. 개인 의류 맞춤 서비스로 유명한 트렁크 클럽(Trunk Club)에서 데이터 과학자로 근무하며 추천 시스템 개발 업무를 담당했다. 메티스(Metis)에서 데이터 과학과 머신러닝 부트캠프 프로그램을 진행하기도 했다. 현재 페이스북 인프라팀에서 머신러닝 모델을 구축한다. 복잡한 개념을 간단하게 설명하는 것을 좋아한다.

chapter 1 신경망 기초 1
1.1 함수
1.2 도함수
1.3 합성함수
1.4 연쇄법칙
1.5 조금 더 복잡한 예제
1.6 입력이 두 개 이상인 함수의 합성함수
1.7 입력이 여러 개인 함수의 도함수
1.8 여러 개의 벡터 입력을 갖는 함수
1.9 기존 특징으로 새로운 특징 만들기
1.10 여러 개의 벡터 입력을 갖는 함수의 도함수
1.11 벡터 함수와 도함수
1.12 두 개의 2차원 행렬을 입력받는 계산 그래프
1.13 역방향 계산
1.14 마치며

chapter 2 신경망 기초 2
2.1 지도 학습
2.2 지도 학습 모델
2.3 선형회귀
2.4 모델 학습하기
2.5 학습 데이터와 테스트 데이터
2.6 모델 성능을 평가하는 코드
2.7 밑바닥부터 만드는 신경망
2.8 첫 번째 신경망 모델의 학습과 성능 평가
2.9 마치며

chapter 3 밑바닥부터 만들어보는 딥러닝
3.1 딥러닝 정의하기
3.2 신경망의 구성 요소: 연산
3.3 신경망의 구성 요소: 층
3.4 모델의 구성 요소 조립하기
3.5 NeuralNetwork 클래스와 그 외 클래스
3.6 딥러닝 구현하기
3.7 Optimizer와 Trainer 클래스
3.8 모든 구성 요소 조합하기
3.9 마치며

chapter 4 프레임워크 확장하기
4.1 신경망에 대한 직관
4.2 소프트맥스 교차 엔트로피 손실함수
4.3 실험
4.4 모멘텀
4.5 학습률 감쇠
4.6 초기 가중치 설정
4.7 드롭아웃
4.8 마치며

chapter 5 합성곱 신경망
5.1 신경망과 표현 학습
5.2 합성곱층
5.3 다채널 합성곱 연산 구현하기
5.4 Conv2DOperation 연산으로 합성곱 신경망 학습하기
5.5 마치며

chapter 6 순환 신경망
6.1 근본적인 한계: 분기 처리하기
6.2 자동 미분
6.3 순환 신경망이 필요한 이유
6.4 순환 신경망이란
6.5 RNN 코드
6.6 마치며

chapter 7 파이토치
7.1 텐서
7.2 파이토치로 딥러닝 구현하기
7.3 합성곱 신경망 구현하기
7.4 오토인코더를 활용한 비지도 학습
7.5 마치며

부록 A 더 알아보기
A.1 행렬 미분의 연쇄법칙
A.2 편향 항에 대한 손실의 기울기
A.3 행렬곱으로 합성곱 구현하기