도서상세정보
Detail Information
다양한 프로젝트로 끝장내는 파이토치 딥러닝 : 이렇게만 공부하면 파이토치는 끝!
저자
출판사
출판일
20241210
가격
￦ 23,000
ISBN
9791198685346
페이지
344 p.
판형
188 X 257 mm
커버
Book
책 소개
초심자가 딥러닝을 쉽게 시작할 수 있도록 단순히 이론을 나열하는 것에 그치지 않고, 프로젝트를 통해 이론을 실제로 구현하고 실습할 수 있도록 구성했다. 다양한 프로젝트를 직접 진행하면서 여러분은 이론을 실전에 적용하는 경험을 하게 될 것이다. 이러한 실습 중심의 학습을 통해 딥러닝에 대한 이해도가 높아질 뿐만 아니라 딥러닝을 더 깊이 탐구할 수 있는 기초를 쌓게 될 것이다.
목차
Part 1 신경망 이론 정복하기
Chapter 01 딥러닝 이해하기
1.1 인공지능, 머신러닝, 딥러닝의 기본
1.2 지도학습, 비지도학습, 강화학습
1.3 문제 해결 과정
Chapter 02 파이토치와 친해지기
2.1 파이썬과 파이토치
2.2 구글 코랩 개발 환경 설정
2.3 텐서 이해하기
2.4 판다스로 데이터 처리하기
2.5 Matplotlib으로 시각화하기
Chapter 03 신경망 입문하기
3.1 퍼셉트론의 기본 개념
3.2 다층 신경망과 XOR 문제 해결하기
3.3 손실 함수/경사 하강법/오차 역전파 이해하기
3.4 ReLU로 기울기 소실 극복하기
3.5 과소적합과 과적합 이해하기
Part 2 딥러닝 몸풀기
Chapter 01 사인 함수 예측하기
1.1 딥러닝 모델의 가중치
1.2 3차 다항식 모델 정의하기
1.3 3차 다항식 모델 학습하기
1.4 자동 미분(Auto-grad)
1.5 파이토치 모듈 사용하기
1.6 최적화 함수
Chapter 02 당뇨병 진행도 예측하기
2.1 데이터 살펴보기
2.2 모델 구현 및 학습
2.3 모델 성능 평가
Chapter 03 붓꽃 종 예측하기
3.1 데이터 살펴보기
3.2 파이토치 데이터 유틸 사용하기
3.3 모델 구현 및 학습
3.4 모델 성능 평가
Part 3 딥러닝의 기본 이미지 분류하기
Chapter 01 손 글씨 숫자 분류와 CNN
1.1 합성곱 신경망(CNN)
1.2 합성곱(Convolution)
1.3 풀링(Pooling)
1.4 이미지 분류(Image Classification)
1.5 학습 준비
1.6 MNIST 데이터셋
1.7 LeNet 모델
1.8 학습, 검증, 테스트
Chapter 02 CIFAR10 이미지 분류와 VGG, ResNet
2.1 CIFAR10 데이터셋
2.2 VGG, ResNet 모델
2.3 모델 학습
Chapter 03 개의 품종 분류와 사전 학습하기
3.1 사전 훈련과 전이 학습
3.2 데이터셋(개의 품종 분류)
3.3 사전 학습된 ResNet50 모델
3.4 학습, 검증, 테스트
Chapter 04 흉부 엑스레이 분석과 데이터 증강하기
4.1 데이터셋
4.2 데이터 증강과 Albumentations
4.3 학습 모델(ResNet18)
4.4 학습 및 기록(Wandb)
Chapter 05 자연 풍경 이미지 분류하기
5.1 데이터 분석
5.2 데이터셋
5.3 ResNet18 모델
5.4 모델 학습
5.5 정확도/정밀도/재현율/F1 스코어
5.6 테스트
Part 4 딥러닝의 이미지 데이터와 영상 처리
Chapter 01 객체 인식으로 마스크 인식하기
1.1 객체 인식의 이해
1.2 데이터 분석
1.3 데이터셋
1.4 FasterRCNN 모델
1.5 모델 학습
1.6 추론
Chapter 02 오토 인코더로 이미지 노이즈 제거하기
2.1 데이터 분석
2.2 데이터셋
2.3 오토 인코더(Auto-Encoder) 모델
2.4 모델 학습
2.5 추론
Chapter 03 U-Net 객체 분할로 인물 사진 배경 흐리게 하기
3.1 데이터 분석(EG1800)
3.2 데이터셋
3.3 U-Net 모델
3.4 모델 학습
3.5 추론 및 배경 흐리게 처리하기
Chapter 04 숫자 이미지 생성하기
4.1 GAN 알아보기
4.2 데이터와 데이터셋
4.3 CGAN 모델
4.4 모델 학습
4.5 추론
Part 5 시퀀스 데이터와 자연어 처리
Chapter 01 RNN으로 비트 코인 가격 예측하기
1.1 RNN 이해하기
1.2 RNN, LSTM, GRU
1.3 비트 코인 가격 데이터
1.4 LSTM 모델
1.5 모델 학습
1.6 추론
Chapter 02 문자 RNN을 이용해 자연어 품사 태깅하기
2.1 품사 태깅 이해하기
2.2 품사 태깅 데이터
2.3 RNN 분류기 모델
2.4 모델 학습
2.5 추론
Chapter 03 트랜스포머를 이용한 객체명 인식기
3.1 트랜스포머 이해하기
3.2 객체명 인식 데이터
3.3 데이터셋
3.4 트랜스포머 모델
3.5 모델 학습
3.6 추론
Chapter 01 딥러닝 이해하기
1.1 인공지능, 머신러닝, 딥러닝의 기본
1.2 지도학습, 비지도학습, 강화학습
1.3 문제 해결 과정
Chapter 02 파이토치와 친해지기
2.1 파이썬과 파이토치
2.2 구글 코랩 개발 환경 설정
2.3 텐서 이해하기
2.4 판다스로 데이터 처리하기
2.5 Matplotlib으로 시각화하기
Chapter 03 신경망 입문하기
3.1 퍼셉트론의 기본 개념
3.2 다층 신경망과 XOR 문제 해결하기
3.3 손실 함수/경사 하강법/오차 역전파 이해하기
3.4 ReLU로 기울기 소실 극복하기
3.5 과소적합과 과적합 이해하기
Part 2 딥러닝 몸풀기
Chapter 01 사인 함수 예측하기
1.1 딥러닝 모델의 가중치
1.2 3차 다항식 모델 정의하기
1.3 3차 다항식 모델 학습하기
1.4 자동 미분(Auto-grad)
1.5 파이토치 모듈 사용하기
1.6 최적화 함수
Chapter 02 당뇨병 진행도 예측하기
2.1 데이터 살펴보기
2.2 모델 구현 및 학습
2.3 모델 성능 평가
Chapter 03 붓꽃 종 예측하기
3.1 데이터 살펴보기
3.2 파이토치 데이터 유틸 사용하기
3.3 모델 구현 및 학습
3.4 모델 성능 평가
Part 3 딥러닝의 기본 이미지 분류하기
Chapter 01 손 글씨 숫자 분류와 CNN
1.1 합성곱 신경망(CNN)
1.2 합성곱(Convolution)
1.3 풀링(Pooling)
1.4 이미지 분류(Image Classification)
1.5 학습 준비
1.6 MNIST 데이터셋
1.7 LeNet 모델
1.8 학습, 검증, 테스트
Chapter 02 CIFAR10 이미지 분류와 VGG, ResNet
2.1 CIFAR10 데이터셋
2.2 VGG, ResNet 모델
2.3 모델 학습
Chapter 03 개의 품종 분류와 사전 학습하기
3.1 사전 훈련과 전이 학습
3.2 데이터셋(개의 품종 분류)
3.3 사전 학습된 ResNet50 모델
3.4 학습, 검증, 테스트
Chapter 04 흉부 엑스레이 분석과 데이터 증강하기
4.1 데이터셋
4.2 데이터 증강과 Albumentations
4.3 학습 모델(ResNet18)
4.4 학습 및 기록(Wandb)
Chapter 05 자연 풍경 이미지 분류하기
5.1 데이터 분석
5.2 데이터셋
5.3 ResNet18 모델
5.4 모델 학습
5.5 정확도/정밀도/재현율/F1 스코어
5.6 테스트
Part 4 딥러닝의 이미지 데이터와 영상 처리
Chapter 01 객체 인식으로 마스크 인식하기
1.1 객체 인식의 이해
1.2 데이터 분석
1.3 데이터셋
1.4 FasterRCNN 모델
1.5 모델 학습
1.6 추론
Chapter 02 오토 인코더로 이미지 노이즈 제거하기
2.1 데이터 분석
2.2 데이터셋
2.3 오토 인코더(Auto-Encoder) 모델
2.4 모델 학습
2.5 추론
Chapter 03 U-Net 객체 분할로 인물 사진 배경 흐리게 하기
3.1 데이터 분석(EG1800)
3.2 데이터셋
3.3 U-Net 모델
3.4 모델 학습
3.5 추론 및 배경 흐리게 처리하기
Chapter 04 숫자 이미지 생성하기
4.1 GAN 알아보기
4.2 데이터와 데이터셋
4.3 CGAN 모델
4.4 모델 학습
4.5 추론
Part 5 시퀀스 데이터와 자연어 처리
Chapter 01 RNN으로 비트 코인 가격 예측하기
1.1 RNN 이해하기
1.2 RNN, LSTM, GRU
1.3 비트 코인 가격 데이터
1.4 LSTM 모델
1.5 모델 학습
1.6 추론
Chapter 02 문자 RNN을 이용해 자연어 품사 태깅하기
2.1 품사 태깅 이해하기
2.2 품사 태깅 데이터
2.3 RNN 분류기 모델
2.4 모델 학습
2.5 추론
Chapter 03 트랜스포머를 이용한 객체명 인식기
3.1 트랜스포머 이해하기
3.2 객체명 인식 데이터
3.3 데이터셋
3.4 트랜스포머 모델
3.5 모델 학습
3.6 추론
저자소개
신은섭
경희대학교 컴퓨터공학과에서 딥러닝 모델 압축을 연구했다. GPU 관리 솔루션 Ocean을 창업했으며, 이후 AI 스타트업에서 MLOps 엔지니어를 하고 있다.
[주요 경력]
ㆍGPU 클러스터 관리 솔루션 스타트업 Ocean CEO
ㆍ클래스 101 “MLOps 엔지니어에게 배우는 실전 딥러닝” 강의
ㆍ탑티어 인공지능 국제 학회 ICASSP 2024 출판(딥러닝 모델 압축)
ㆍAI 기반 오프라인 고객 분석 스타트업 mAy-I MLOps 엔지니어
경희대학교 컴퓨터공학과에서 딥러닝 모델 압축을 연구했다. GPU 관리 솔루션 Ocean을 창업했으며, 이후 AI 스타트업에서 MLOps 엔지니어를 하고 있다.
[주요 경력]
ㆍGPU 클러스터 관리 솔루션 스타트업 Ocean CEO
ㆍ클래스 101 “MLOps 엔지니어에게 배우는 실전 딥러닝” 강의
ㆍ탑티어 인공지능 국제 학회 ICASSP 2024 출판(딥러닝 모델 압축)
ㆍAI 기반 오프라인 고객 분석 스타트업 mAy-I MLOps 엔지니어
서평
∙실무에서 사용할 수 있는 다양한 프로젝트와 노하우로 딥러닝의 모델 구현!
∙파이토치를 활용한 신경망 이론, 딥러닝 개념, 이미지 분류, 이미지 데이터, 영상 처리, 시퀀스 데이터, 자연어 처리, 트랜스포머 등으로 딥러닝의 실무 모델 개발!
최근 몇 년간 우리는 딥러닝의 발전이 가져온 혁신적인 성과들을 목격해 왔습니다. 이미지 인식을 이용한 자율주행, 자연스러운 대화를 나누는 챗봇, 인간처럼 질문에 답하는 검색 엔진까지 딥러닝의 응용은 우리 생활 곳곳에서 찾아볼 수 있게 되었습니다. 특히, ChatGPT로 대표되는 생성형 AI는 텍스트뿐만 아니라 자연스러운 이미지를 생성하는 기술로 주목받고 있으며, 이는 앞으로도 기술 발전의 핵심 원동력이 될 것입니다. 이처럼 딥러닝은 우리 삶에 실질적인 변화를 주고 있는 중요한 기술입니다. 이러한 기술을 이해하고 창의적으로 활용할 수 있는 능력은 여러분의 미래에 중요한 자산이 될 것입니다. 책 후반부에서는 최신 딥러닝 분야들을 소개하고, 각 분야의 핵심 기술을 프로젝트로 진행합니다. 초심자들이 많이 하는 질문 중 하나인 “다음에는 무엇을 공부해야 하나요?”에 대한 답변이 될 챕터들입니다. 이를 통해 여러분은 보다 발전된 딥러닝 분야로 나아갈 수 있는 발판을 마련할 것입니다.
∙파이토치를 활용한 신경망 이론, 딥러닝 개념, 이미지 분류, 이미지 데이터, 영상 처리, 시퀀스 데이터, 자연어 처리, 트랜스포머 등으로 딥러닝의 실무 모델 개발!
최근 몇 년간 우리는 딥러닝의 발전이 가져온 혁신적인 성과들을 목격해 왔습니다. 이미지 인식을 이용한 자율주행, 자연스러운 대화를 나누는 챗봇, 인간처럼 질문에 답하는 검색 엔진까지 딥러닝의 응용은 우리 생활 곳곳에서 찾아볼 수 있게 되었습니다. 특히, ChatGPT로 대표되는 생성형 AI는 텍스트뿐만 아니라 자연스러운 이미지를 생성하는 기술로 주목받고 있으며, 이는 앞으로도 기술 발전의 핵심 원동력이 될 것입니다. 이처럼 딥러닝은 우리 삶에 실질적인 변화를 주고 있는 중요한 기술입니다. 이러한 기술을 이해하고 창의적으로 활용할 수 있는 능력은 여러분의 미래에 중요한 자산이 될 것입니다. 책 후반부에서는 최신 딥러닝 분야들을 소개하고, 각 분야의 핵심 기술을 프로젝트로 진행합니다. 초심자들이 많이 하는 질문 중 하나인 “다음에는 무엇을 공부해야 하나요?”에 대한 답변이 될 챕터들입니다. 이를 통해 여러분은 보다 발전된 딥러닝 분야로 나아갈 수 있는 발판을 마련할 것입니다.
