로그인정보 입력 영역

아이디

비밀번호

• 홈
• 전자책

책소개

아마존 인공지능 분야 부동의 1위 도서

이 책의 원서는 출간 직후부터 미국 아마존 인공지능 분야에서 줄곧 1위 자리를 지키고 있습니다. 가장 많은 명저가 경쟁하는 시장에서 이처럼 확고부동한 호응을 얻은 데는 그만한 이유가 있습니다. 이론과 활용을 적절히 섞으면서도 실무에서 확실히 통하도록 구성했고, 나아가 실무자들의 실력을 한층 끌어올려줄 깊이를 담았기 때문이죠.

또한, 박해선 역자는 번역서에 많은 노력과 애정을 쏟아붓는 분으로 손꼽힙니다. 모든 것을 직접 해보며 독자가 궁금해할 만한 내용을 꼼꼼히 챙겨, 아마도 책을 읽다 보면 저절로 역자께 감사하는 마음마저 들게 될 것입니다. 게다가 철저한 사후지원까지…

이 책 한 권으로 머신러닝과 딥러닝을 통달할 수는 없지만, 인공지능 마스터로 가는 거리를 단축해줄 치트키가 되어줄 것입니다.

★ 목적과 접근 방식

이 책은 여러분이 머신러닝을 거의 모른다고 가정하고, 데이터로부터 스스로 학습하는 프로그램을 실제로 구현하는 데 필요한 개념, 직관, 도구를 알려주는 것을 목표로 합니다.

선형 회귀처럼 가장 단순하고 널리 쓰이는 기법부터 시장을 선도하는 딥러닝 기법까지 다채로운 지식과 경험을 담았고, 당장 제품화에 사용할 수 있는 다음의 두 파이썬 프레임워크를 활용했습니다.
- 사이킷런(Scikit-Learn)은 다양한 머신러닝 알고리즘을 효율적으로 구현했으며 사용하기도 쉬워 머신러닝을 처음 배우기에 가장 좋은 도구입니다.
- 텐서플로(TensorFlow)는 수치계산을 데이터 플로 그래프를 이용하여 분산 처리해주는, 더 복잡한 라이브러리입니다. 연산을 수천 대의 GPU 서버에 분배하여 대규모 신경망을 효율적으로 학습시키고 운영할 수 있습니다. 텐서플로는 구글이 만들어 자사의 다양한 대규모 머신러닝 서비스에 활용하고 있으며 2015년에 오픈소스로 공개했습니다.

★ 주요 내용
1부. 사이킷런을 활용한 머신러닝 실무
● 한눈에 보는 머신러닝
● 머신러닝 프로젝트 처음부터 끝까지
● 분류
● 모델 훈련
● 서포트 벡터 머신
● 결정 트리
● 앙상블 학습과 랜덤 포레스트
● 차원 축소
2부. 텐서플로를 활용한 딥러닝 실무
● 텐서플로 시작하기
● 인공 신경망 소개
● 심층 신경망 훈련
● 다중 머신과 장치를 위한 분산 텐서플로
● 합성곱 신경망
● 순환 신경망
● 오토인코더
● 강화 학습

저자소개

머신러닝 컨설턴트. 2013년에서 2016년까지 구글에서 유튜브 동영상 분류팀을 이끌었습니다. 2002년에서 2012년까지 프랑스의 모바일 ISP 선두 주자인 Wifirst를 설립하고 CTO로 일했습니다. 2001년에는 Polyconseil을 설립하고 CTO로 일했습니다. 이 회사는 지금 전기차 공유 서비스인 Autolib’을 운영하고 있습니다.

그 전에는 재무(JP 모건과 소시에테 제네랄), 방위(캐나다 DOD), 의료(수혈) 등 다양한 분야에서 엔지니어로 일했습니다. C++, WiFi, 인터넷 구조에 대한 몇 권의 기술 서적을 썼으며 한 프랑스 공과대학교에서 컴퓨터 과학을 가르쳤습니다.

재미있는 몇 가지 사실: 세 아이에게 손가락으로 이진수 세는 법을 가르쳤습니다(1023까지). 소프트웨어 공학 분야에 들어오기 전에는 미생물학과 진화 유전학을 공부했습니다. 두 번째 점프에서 낙하산이 펼쳐지지 않았습니다.

목차

1부. 머신러닝

1장. 한눈에 보는 머신러닝
1.1 머신러닝이란?
1.2 왜 머신러닝을 사용하는가?
1.3 머신러닝 시스템의 종류
1.4 머신러닝의 주요 도전 과제
1.5 테스트와 검증
1.6 연습문제

2장. 머신러닝 프로젝트 처음부터 끝까지
2.1 실제 데이터로 작업하기
2.2 큰 그림 보기
2.3 데이터 가져오기
2.4 데이터 이해를 위한 탐색과 시각화
2.5 머신러닝 알고리즘을 위한 데이터 준비
2.6 모델 선택과 훈련
2.7 모델 세부 튜닝
2.8 론칭, 모니터링, 그리고 시스템 유지 보수
2.9 직접 해보세요!
2.10 연습문제

3장. 분류
3.1 MNIST
3.2 이진 분류기 훈련
3.3 성능 측정
3.4 다중 분류
3.5 에러 분석
3.6 다중 레이블 분류
3.7 다중 출력 분류
3.8 연습문제

4장. 모델 훈련
4.1 선형 회귀
4.2 경사 하강법
4.3 다항 회귀
4.4 학습 곡선
4.5 규제가 있는 선형 모델
4.6 로지스틱 회귀
4.7 연습문제

5장. 서포트 벡터 머신
5.1 선형 SVM 분류
5.2 비선형 SVM 분류
5.3 SVM 회귀
5.4 SVM 이론
5.5 연습문제

6장. 결정 트리
6.1 결정 트리 학습과 시각화
6.2 예측하기
6.3 클래스 확률 추정
6.4 CART 훈련 알고리즘
6.5 계산 복잡도
6.6 지니 불순도 또는 엔트로피?
6.7 규제 매개변수
6.8 회귀
6.9 불안정성
6.10 연습문제

7장. 앙상블 학습과 랜덤 포레스트
7.1 투표 기반 분류기
7.2 배깅과 페이스팅
7.3 랜덤 패치와 랜덤 서브스페이스
7.4 랜덤 포레스트
7.5 부스팅
7.6 스태킹
7.7 연습문제

8장. 차원 축소
8.1 차원의 저주
8.2 차원 축소를 위한 접근 방법
8.3 PCA
8.4 커널 PCA
8.5 LLE
8.6 다른 차원 축소 기법
8.7 연습문제


2부. 신경망과 딥러닝

9장. 텐서플로 시작하기
9.1 설치
9.2 첫 번째 계산 그래프를 만들어 세션에서 실행하기
9.3 계산 그래프 관리
9.4 노드 값의 생애주기
9.5 텐서플로를 이용한 선형 회귀
9.6 경사 하강법 구현
9.7 훈련 알고리즘에 데이터 주입
9.8 모델 저장과 복원
9.9 텐서보드로 그래프와 학습 곡선 시각화하기
9.10 이름 범위
9.11 모듈화
9.12 변수 공유
9.13 연습문제

10장. 인공 신경망 소개
10.1 생물학적 뉴런에서 인공 뉴런까지
10.2 텐서플로의 고수준 API로 다층 퍼셉트론 훈련하기
10.3 텐서플로의 저수준 API로 심층 신경망 훈련하기
10.4 신경망 하이퍼파라미터 튜닝하기
10.5 연습문제

11장. 심층 신경망 훈련
11.1 그래디언트 소실과 폭주 문제
11.2 미리 훈련된 층 재사용하기
11.3 고속 옵티마이저
11.4 과대적합을 피하기 위한 규제 방법
11.5 실용적 가이드라인
11.6 연습문제

12장. 다중 머신과 장치를 위한 분산 텐서플로
12.1 단일 머신의 다중 장치
12.2 다중 머신의 다중 장치
12.3 텐서플로 클러스터에서 신경망 병렬화하기
12.4 연습문제

13장. 합성곱 신경망
13.1 시각 피질의 구조
13.2 합성곱층
13.3 풀링층
13.4 CNN 구조
13.5 연습문제

14장. 순환 신경망
14.1 순환 뉴런
14.2 텐서플로로 기본 RNN 구성하기
14.3 RNN 훈련하기
14.4 심층 RNN
14.5 LSTM 셀
14.6 GRU 셀
14.7 자연어 처리
14.8 연습문제

15장. 오토인코더
15.1 효율적인 데이터 표현
15.2 과소완전 선형 오토인코더로 PCA 수행하기
15.3 적층 오토인코더
15.4 적층 오토인코더를 사용한 비지도 사전훈련
15.5 잡음제거 오토인코더
15.6 희소 오토인코더
15.7 변이형 오토인코더
15.8 다른 오토인코더들
15.9 연습문제

16장. 강화 학습
16.1 보상을 최적화하기 위한 학습
16.2 정책 탐색
16.3 OpenAI 짐(Gym)
16.4 신경망 정책
16.5 행동 평가: 신용 할당 문제
16.6 정책 그래디언트
16.7 마르코프 결정 과정
16.8 시간차 학습과 Q-러닝
16.9 DQN 알고리즘으로 미스 팩맨 플레이 학습하기
16.10 연습문제

부록 A. 연습문제 정답
부록 B. 머신러닝 프로젝트 체크리스트
부록 C. SVM 쌍대 문제
부록 D. 자동 미분
부록 E. 유명한 다른 인공 신경망 구조

한줄 서평