길벗·이지톡

길벗스쿨 시나공 IT

1장 머신 러닝과 딥러닝

1.1 인공지능, 머신 러닝과 딥러닝

1.2 머신 러닝이란

__1.2.1 머신 러닝 학습 과정

__1.2.2 머신 러닝 학습 알고리즘

1.3 딥러닝이란

__1.3.1 딥러닝 학습 과정

__1.3.2 딥러닝 학습 알고리즘

2장 실습 환경 설정과 텐서플로 기초

2.1 텐서플로 개요

__2.1.1 텐서플로 특징 및 장점

__2.1.2 텐서플로의 일반적인 아키텍처

2.2 텐서플로 2.x 기초 문법

__2.2.1 데이터 준비

__2.2.2 모델 정의

__2.2.3 모델 컴파일

__2.2.4 모델 훈련

__2.2.5 모델 평가

__2.2.6 훈련 과정 모니터링

__2.2.7 모델 사용

2.3 실습 환경 설정

__2.3.1 아나콘다 설치

__2.3.2 가상 환경 생성 및 텐서플로 2 설치

2.4 텐서플로 2 코드 맛보기

3장 머신 러닝 핵심 알고리즘

3.1 지도 학습

__3.1.1 K-최근접 이웃

__3.1.2 서포트 벡터 머신

__3.1.3 결정 트리

__3.1.4 로지스틱 회귀와 선형 회귀

3.2 비지도 학습

__3.2.1 K-평균 군집화

__3.2.2 밀도 기반 군집 분석

__3.2.3 주성분 분석(PCA)

4장 딥러닝 시작

4.1 인공 신경망의 한계와 딥러닝 출현

4.2 딥러닝 구조

__4.2.1 딥러닝 용어

__4.2.2 딥러닝 학습

__4.2.3 딥러닝의 문제점과 해결 방안

__4.2.4 딥러닝을 사용할 때 이점

4.3 딥러닝 알고리즘

__4.3.1 심층 신경망

__4.3.2 합성곱 신경망

__4.3.3 순환 신경망

__4.3.4 제한된 볼츠만 머신

__4.3.5 심층 신뢰 신경망

4.4 우리는 무엇을 배워야 할까?

5장 합성곱 신경망 I

5.1 합성곱 신경망

__5.1.1 합성곱층의 필요성

__5.1.2 합성곱 신경망 구조

__5.1.3 1D, 2D, 3D 합성곱

5.2 합성곱 신경망 맛보기

5.3 전이 학습

__5.3.1 특성 추출 기법

__5.3.2 미세 조정 기법

5.4 설명 가능한 CNN

__5.4.1 특성 맵 시각화

5.5 그래프 합성곱 네트워크

__5.5.1 그래프란

__5.5.2 그래프 신경망

__5.5.3 그래프 합성곱 네트워크

6장 합성곱 신경망 II

6.1 이미지 분류를 위한 신경망

__6.1.1 LeNet-5

__6.1.2 AlexNet

__6.1.3 VGGNet

__6.1.4 GoogLeNet

__6.1.5 ResNet

6.2 객체 인식을 위한 신경망

__6.2.1 R-CNN

__6.2.2 공간 피라미드 풀링

__6.2.3 Fast R-CNN

__6.2.4 Faster R-CNN

6.3 이미지 분할을 위한 신경망

__6.3.1 완전 합성곱 네트워크

__6.3.2 합성곱 & 역합성곱 네트워크

__6.3.3 U-Net

__6.3.4 PSPNet

__6.3.5 DeepLabv3/DeepLabv3+

7장 시계열 분석

7.1 시계열 문제

7.2 AR, MA, ARMA, ARIMA

__7.2.1 AR 모델

__7.2.2 MA 모델

__7.2.3 ARMA 모델

__7.2.4 ARIMA 모델

7.3 순환 신경망(RNN)

__7.3.1 RNN 계층과 셀

7.4 RNN 구조

__7.4.1 RNN 셀 구현

__7.4.2 RNN 계층 구현

7.5 LSTM

__7.5.1 LSTM 구조

__7.5.2 LSTM 셀 구현

__7.5.3 LSTM 계층 구현

7.6 게이트 순환 신경망(GRU)

__7.6.1 GRU 구조

__7.6.2 GRU 셀 구현

__7.6.3 GRU 계층 구현

7.7 RNN, LSTM, GRU 성능 비교

7.8 양방향 RNN

__7.8.1 양방향 RNN 구조

__7.8.2 양방향 RNN 구현

8장 성능 최적화

8.1 성능 최적화

__8.1.1 데이터를 사용한 성능 최적화

__8.1.2 알고리즘을 이용한 성능 최적화

__8.1.3 알고리즘 튜닝을 위한 성능 최적화

__8.1.4 앙상블을 이용한 성능 최적화

8.2 하드웨어를 이용한 성능 최적화

__8.2.1 CPU와 GPU 사용의 차이

__8.2.2 GPU를 이용한 성능 최적화

8.3 하이퍼파라미터를 이용한 성능 최적화

__8.3.1 배치 정규화를 이용한 성능 최적화

__8.3.2 드롭아웃을 이용한 성능 최적화

__8.3.3 조기 종료를 이용한 성능 최적화

9장 자연어 전처리

9.1 자연어 처리란

__9.1.1 자연어 처리 용어 및 과정

__9.1.2 자연어 처리를 위한 라이브러리

9.2 전처리

__9.2.1 결측치 확인

__9.2.2 토큰화

__9.2.3 불용어 제거

__9.2.4 어간 추출

__9.2.5 정규화

10장 자연어 처리를 위한 임베딩

10.1 임베딩

__10.1.1 희소 표현 기반 임베딩

__10.1.2 횟수 기반 임베딩

__10.1.3 예측 기반 임베딩

__10.1.4 횟수/예측 기반 임베딩

10.2 트랜스포머 어텐션

__10.2.1 seq2seq

__10.2.2 버트

__10.2.3 엘모

10.3 한국어 임베딩

11장 클러스터링

11.1 클러스터링이란

11.2 클러스터링 알고리즘 유형

__11.2.1 K-평균 군집화

__11.2.2 가우시안 혼합 모델

__11.2.3 자기 조직화 지도

12장 강화 학습

12.1 강화 학습이란

12.2 마르코프 결정 과정

__12.2.1 마르코프 프로세스

__12.2.2 마르코프 보상 프로세스

__12.2.3 마르코프 결정 과정

12.3 MDP를 위한 벨만 방정식

__12.3.1 벨만 기대 방정식

__12.3.2 벨만 최적 방정식

__12.3.3 다이나믹 프로그래밍

12.4 큐-러닝

__12.4.1 큐-러닝

__12.4.2 딥 큐-러닝

12.5 몬테카를로 트리 탐색

__12.5.1 몬테카를로 트리 탐색 원리

__12.5.2 몬테카를로 트리 검색을 적용한 틱택토 게임 구현

13장 생성 모델

13.1 생성 모델이란

__13.1.1 생성 모델 개념

__13.1.2 생성 모델의 유형

13.2 변형 오토인코더

__13.2.1 오토인코더란

__13.2.2 변형 오토인코더

13.3 적대적 생성 신경망(GAN)이란

__13.3.1 GAN 동작 원리

__13.3.2 GAN 구현

13.4 GAN 파생 기술

__13.4.1 DCGAN

__13.4.2 cGAN

__13.4.3 CycleGAN

부록

A.1 코랩

__A.1.1 코랩이란

__A.1.2 코랩에서 예제 파일 실행

A.2 캐글

__A.2.1 캐글이란

__A.2.2 캐글 시작