길벗·이지톡

도서 IT전문서/IT입문서 데이터베이스/데이터분석

신경망, 이제 확실히 이해했다!

신경망, 이제 확실히 이해했다!

이 책의 목표는 실제로 사용 가능한 실전 신경망 프로젝트 6개를 난이도와 주제별로 만들어 보면서 신경망의 기본기를 익히고, 익힌 지식을 궁극적으로 자신만의 신경망을 구축하는 데 활용하는 것이다. 프로젝트는 실무 프로세스를 경험할 수 있도록 단계별로 구성했고, 신경망 아키텍처를 이해하는 데 필요한 지식, 진행 시 발생할 수 있는 오류, 오류를 해결하는 방법도 함께 담았다. 파이썬 코드로 신경망을 구현하는 방법은 한줄 한줄 차근차근 설명하여 초심자도 잘 따라갈 수 있게 했다.

 

이 책의 목표는 실제로 사용 가능한 실전 신경망 프로젝트 6개를 난이도와 주제별로 만들어 보면서 신경망의 기본기를 익히고, 익힌 지식을 궁극적으로 자신만의 신경망을 구축하는 데 활용하는 것이다. 프로젝트는 실무 프로세스를 경험할 수 있도록 단계별로 구성했고, 신경망 아키텍처를 이해하는 데 필요한 지식, 진행 시 발생할 수 있는 오류, 오류를 해결하는 방법도 함께 담았다. 파이썬 코드로 신경망을 구현하는 방법은 한줄 한줄 차근차근 설명하여 초심자도 잘 따라갈 수 있게 했다. 

 

프로젝트를 만들면서 배우는 신경망

주제별로 여섯 가지 신경망 프로젝트를 준비했다. 프로젝트는 실제 프로세스를 경험해 볼 수 있도록 문제 정의, 데이터 전처리, 모델 만들기, 결과 분석, 마무리, 복습 순서로 진행한다. 과정 안에는 특정 신경망 아키텍처를 이해하는 데 필요한 지식, 진행 시 발생할 수 있는 오류, 오류를 해결하는 방법도 함께 담았다

 

  • 당뇨 발병 여부 예측: 다중 레이어 퍼셉트론
  • 택시 요금 예측: 특징 공학, 변수 스케일링, 심층 전방향 신경망
  • 이미지 분류 모델: CNN, 전이 학습
  • 이미지 노이즈 제거: 기본/심층 컨볼루션 오토인코더
  • 영화 리뷰 감성 분석: 단어 임베딩, RNN, LSTM
  • 안면 인식 시스템: 원샷 학습, 샴 신경망

 

 

개념 이해와 파이썬 라이브러리 사용법까지

각 장에서는 프로젝트를 만들기에 앞서 실습에 필요한 핵심 개념과 지식을 간결하게 정리하였으며, 그림도 풍부하게 사용해 이해를 높였다. , 실습에 필요한 이론적 토대를 쌓고, 사용할 알고리즘과 모델 아키텍처를 숙지한 뒤에 직접 신경망을 만들어 볼 것이다.

 

신경망을 만들 때는 파이썬 코드를 한 줄씩 차근차근 최대한 쉽게 설명하려 노력했다. 또한, 꼭 알아두어야 하는 파이썬 라이브러리인 케라스, 맷플롯립, 판다스, 넘파이, 시본, 사이킷런 등도 사용해 본다.

목차

1장 머신 러닝과 신경망 개론
__1.1 머신 러닝이란?
____1.1.1 머신 러닝 알고리즘
____1.1.2 머신 러닝 워크플로
__1.2 머신 러닝 환경 셋업
__1.3 신경망
____1.3.1 신경망이 뛰어난 이유
____1.3.2 신경망 기본 아키텍처
____1.3.3 파이썬만으로 신경망 만들기
____1.3.4 딥러닝과 신경망
__1.4 판다스: 파이썬 데이터 분석 도구
____1.4.1 판다스 DataFrame
____1.4.2 판다스를 활용한 데이터 시각화
____1.4.3 판다스를 활용한 데이터 전처리
__1.5 텐서플로와 케라스
____1.5.1 케라스의 기본 빌딩 블록
____1.5.2 케라스로 신경망 만들기
__1.6 기타 파이썬 라이브러리
__1.7 마무리

2장 다중 레이어 퍼셉트론을 사용한 당뇨 예측
__2.1 실습 환경 설정
__2.2 당뇨병 예측
__2.3 의료 분야의 인공 지능
____2.3.1 진단 자동화
__2.4 당뇨병 데이터셋
__2.5 탐색적 데이터 분석
__2.6 데이터 전처리
____2.6.1 결측값 처리
____2.6.2 데이터 표준화
____2.6.3 데이터셋 분할
__2.7 다중 레이어 퍼셉트론
____2.7.1 모델 아키텍처
__2.8 케라스 모델 만들기
____2.8.1 모델 구성
____2.8.2 모델 컴파일
____2.8.3 모델 훈련
__2.9 결과 분석
____2.9.1 테스트 정확도
____2.9.2 혼동 행렬
____2.9.3 ROC 곡선
____2.9.4 모델 개선
__2.10 마무리
__2.11 복습

3장 심층 전방향 신경망을 사용한 택시 요금 예측
__3.1 실습 환경 설정
__3.2 뉴욕시 택시 요금 예측
__3.3 뉴욕시 택시 요금 데이터셋
__3.4 탐색적 데이터 분석
____3.4.1 위치 데이터 시각화
____3.4.2 요일 및 시간별 승차 통계
__3.5 데이터 전처리
____3.5.1 결측값 및 이상치 처리
__3.6 특징 공학
____3.6.1 시간 관련 변수
____3.6.2 위치 특징 변수
__3.7 변수 스케일링
__3.8 심층 전방향 신경망
____3.8.1 모델 아키텍처
____3.8.2 회귀 손실 함수
__3.9 케라스로 모델 만들기
__3.10 결과 분석
__3.11 예제 코드 정리
__3.12 마무리
__3.13 복습

4장 컨볼루션 신경망을 사용한 이미지 분류
__4.1 실습 환경 설정
__4.2 컴퓨터 비전과 사물 인식
__4.3 사물 인식 기술 유형
__4.4 신경망에 이미지를 입력하는 방법
__4.5 CNN의 빌딩 블록
____4.5.1 필터링과 컨볼루션
____4.5.2 최대 풀링
__4.6 CNN의 기본 아키텍처
__4.7 최신 CNN 아키텍처
____4.7.1 LeNet(1998)
____4.7.2 AlexNet(2012)
____4.7.3 VGG16(2014)
____4.7.4 Inception(2014)
____4.7.5 ResNet(2015)
____4.7.6 CNN의 미래
__4.8 고양이 개 이미지 데이터셋
__4.9 케라스로 이미지 데이터를 다루는 방법
__4.10 이미지 증강
__4.11 모델 구성
____4.11.1 기본 CNN
____4.11.2 전이 학습
__4.12 결과 분석
__4.13 마무리
__4.14 복습

5장 오토인코더를 사용한 이미지 노이즈 제거
__5.1 실습 환경 설정
__5.2 오토인코더
__5.3 잠재 표현
__5.4 오토인코더를 사용한 데이터 압축
__5.5 MNIST 데이터셋
__5.6 기본 오토인코더
____5.6.1 케라스로 오토인코더 만들기
____5.6.2 은닉 레이어 크기가 오토인코더 성능에 미치는 영향
__5.7 오토인코더를 사용한 노이즈 제거
____5.7.1 심층 컨볼루션 오토인코더를 사용한 노이즈 제거
__5.8 오토인코더를 사용한 문서 노이즈 제거
____5.8.1 기본 컨볼루션 오토인코더
____5.8.2 심층 컨볼루션 오토인코더
__5.9 마무리
__5.10 복습

6장 LSTM을 사용한 영화 리뷰 감성 분석
__6.1 실습 환경 설정
__6.2 시퀀스 문제
__6.3 자연어 처리와 감성 분석
____6.3.1 감성 분석이 어려운 이유
__6.4 RNN 신경망
____6.4.1 RNN의 내부 구조
____6.4.2 RNN의 단기 의존성과 장기 의존성
____6.4.3 경사 소실 문제
__6.5 LSTM 신경망
____6.5.1 LSTM의 원리
____6.5.2 LSTM 신경망의 내부
__6.6 IMDb 영화 리뷰 데이터셋
__6.7 단어의 벡터 표현
____6.7.1 원핫 인코딩
____6.7.2 단어 임베딩
__6.8 모델 아키텍처
____6.8.1 입력
____6.8.2 단어 임베딩 레이어
____6.8.3 LSTM 레이어
____6.8.4 밀집 레이어
____6.8.5 출력
__6.9 모델 구성
____6.9.1 데이터 입수
____6.9.2 제로 패딩
____6.9.3 단어 임베딩 레이어와 LSTM 레이어
____6.9.4 모델 컴파일 및 훈련
__6.10 결과 분석
____6.10.1 혼동 행렬
__6.11 예제 코드 정리
__6.12 마무리
__6.13 복습

7장 샴 신경망을 사용한 안면 인식
__7.1 실습 환경 설정
__7.2 안면 인식 시스템
__7.3 얼굴 검출과 얼굴 인식
____7.3.1 얼굴 검출
____7.3.2 얼굴 인식
__7.4 얼굴 인식 시스템 요구 사항
____7.4.1 속도
____7.4.2 확장성
____7.4.3 적은 데이터로 높은 정확도 보장
__7.5 원샷 학습
____7.5.1 벡터 간 유클리드 거리
__7.6 샴 신경망
__7.7 대조 손실
__7.8 얼굴 데이터셋
__7.9 케라스 샴 신경망
__7.10 모델 훈련
__7.11 결과 분석
__7.12 예제 코드 정리
__7.13 실시간 안면 인식 프로그램
____7.13.1 온보딩 과정
____7.13.2 얼굴 인식 및 인증
____7.13.3 안면 인식 고도화
__7.14 마무리
__7.15 복습

8장 신경망과 인공 지능의 미래
__8.1 요약
____8.1.1 머신 러닝과 신경망 개론
____8.1.2 다중 레이어 퍼셉트론을 사용한 당뇨 예측
____8.1.3 심층 전방향 신경망을 사용한 택시 요금 예측
____8.1.4 컨볼루션 신경망을 사용한 이미지 분류
____8.1.5 오토인코더를 사용한 이미지 노이즈 제거
____8.1.6 LSTM을 사용한 영화 리뷰 감성 분석
____8.1.7 샴 신경망을 사용한 안면 인식
__8.2 최신 신경망 기술
____8.2.1 GAN 신경망
____8.2.2 심층 강화 학습
__8.3 신경망의 한계
__8.4 인공 지능과 머신 러닝의 미래
____8.4.1 범용 인공 지능
____8.4.2 머신 러닝 자동화
__8.5 머신 러닝의 최신 기술을 습득하려면
____8.5.1 기술 서적
____8.5.2 연구 논문
____8.5.3 데이터셋을 다루는 연습
__8.6 머신 러닝 도구
__8.7 마무리

 

1장 머신 러닝과 신경망 개론

__1.1 머신 러닝이란?

____1.1.1 머신 러닝 알고리즘

____1.1.2 머신 러닝 워크플로

__1.2 머신 러닝 환경 셋업

__1.3 신경망

____1.3.1 신경망이 뛰어난 이유

____1.3.2 신경망 기본 아키텍처

____1.3.3 파이썬만으로 신경망 만들기

____1.3.4 딥러닝과 신경망

__1.4 판다스: 파이썬 데이터 분석 도구

____1.4.1 판다스 DataFrame

____1.4.2 판다스를 활용한 데이터 시각화

____1.4.3 판다스를 활용한 데이터 전처리

__1.5 텐서플로와 케라스

____1.5.1 케라스의 기본 빌딩 블록

____1.5.2 케라스로 신경망 만들기

__1.6 기타 파이썬 라이브러리

__1.7 마무리

 

2장 다중 레이어 퍼셉트론을 사용한 당뇨 예측

__2.1 실습 환경 설정

__2.2 당뇨병 예측

__2.3 의료 분야의 인공 지능

____2.3.1 진단 자동화

__2.4 당뇨병 데이터셋

__2.5 탐색적 데이터 분석

__2.6 데이터 전처리

____2.6.1 결측값 처리

____2.6.2 데이터 표준화

____2.6.3 데이터셋 분할

__2.7 다중 레이어 퍼셉트론

____2.7.1 모델 아키텍처

__2.8 케라스 모델 만들기

____2.8.1 모델 구성

____2.8.2 모델 컴파일

____2.8.3 모델 훈련

__2.9 결과 분석

____2.9.1 테스트 정확도

____2.9.2 혼동 행렬

____2.9.3 ROC 곡선

____2.9.4 모델 개선

__2.10 마무리

__2.11 복습

 

3장 심층 전방향 신경망을 사용한 택시 요금 예측

__3.1 실습 환경 설정

__3.2 뉴욕시 택시 요금 예측

__3.3 뉴욕시 택시 요금 데이터셋

__3.4 탐색적 데이터 분석

____3.4.1 위치 데이터 시각화

____3.4.2 요일 및 시간별 승차 통계

__3.5 데이터 전처리

____3.5.1 결측값 및 이상치 처리

__3.6 특징 공학

____3.6.1 시간 관련 변수

____3.6.2 위치 특징 변수

__3.7 변수 스케일링

__3.8 심층 전방향 신경망

____3.8.1 모델 아키텍처

____3.8.2 회귀 손실 함수

__3.9 케라스로 모델 만들기

__3.10 결과 분석

__3.11 예제 코드 정리

__3.12 마무리

__3.13 복습

 

4장 컨볼루션 신경망을 사용한 이미지 분류

__4.1 실습 환경 설정

__4.2 컴퓨터 비전과 사물 인식

__4.3 사물 인식 기술 유형

__4.4 신경망에 이미지를 입력하는 방법

__4.5 CNN의 빌딩 블록

____4.5.1 필터링과 컨볼루션

____4.5.2 최대 풀링

__4.6 CNN의 기본 아키텍처

__4.7 최신 CNN 아키텍처

____4.7.1 LeNet(1998)

____4.7.2 AlexNet(2012)

____4.7.3 VGG16(2014)

____4.7.4 Inception(2014)

____4.7.5 ResNet(2015)

____4.7.6 CNN의 미래

__4.8 고양이 개 이미지 데이터셋

__4.9 케라스로 이미지 데이터를 다루는 방법

__4.10 이미지 증강

__4.11 모델 구성

____4.11.1 기본 CNN

____4.11.2 전이 학습

__4.12 결과 분석

__4.13 마무리

__4.14 복습

 

5장 오토인코더를 사용한 이미지 노이즈 제거

__5.1 실습 환경 설정

__5.2 오토인코더

__5.3 잠재 표현

__5.4 오토인코더를 사용한 데이터 압축

__5.5 MNIST 데이터셋

__5.6 기본 오토인코더

____5.6.1 케라스로 오토인코더 만들기

____5.6.2 은닉 레이어 크기가 오토인코더 성능에 미치는 영향

__5.7 오토인코더를 사용한 노이즈 제거

____5.7.1 심층 컨볼루션 오토인코더를 사용한 노이즈 제거

__5.8 오토인코더를 사용한 문서 노이즈 제거

____5.8.1 기본 컨볼루션 오토인코더

____5.8.2 심층 컨볼루션 오토인코더

__5.9 마무리

__5.10 복습

 

6LSTM을 사용한 영화 리뷰 감성 분석

__6.1 실습 환경 설정

__6.2 시퀀스 문제

__6.3 자연어 처리와 감성 분석

____6.3.1 감성 분석이 어려운 이유

__6.4 RNN 신경망

____6.4.1 RNN의 내부 구조

____6.4.2 RNN의 단기 의존성과 장기 의존성

____6.4.3 경사 소실 문제

__6.5 LSTM 신경망

____6.5.1 LSTM의 원리

____6.5.2 LSTM 신경망의 내부

__6.6 IMDb 영화 리뷰 데이터셋

__6.7 단어의 벡터 표현

____6.7.1 원핫 인코딩

____6.7.2 단어 임베딩

__6.8 모델 아키텍처

____6.8.1 입력

____6.8.2 단어 임베딩 레이어

____6.8.3 LSTM 레이어

____6.8.4 밀집 레이어

____6.8.5 출력

__6.9 모델 구성

____6.9.1 데이터 입수

____6.9.2 제로 패딩

____6.9.3 단어 임베딩 레이어와 LSTM 레이어

____6.9.4 모델 컴파일 및 훈련

__6.10 결과 분석

____6.10.1 혼동 행렬

__6.11 예제 코드 정리

__6.12 마무리

__6.13 복습

 

7장 샴 신경망을 사용한 안면 인식

__7.1 실습 환경 설정

__7.2 안면 인식 시스템

__7.3 얼굴 검출과 얼굴 인식

____7.3.1 얼굴 검출

____7.3.2 얼굴 인식

__7.4 얼굴 인식 시스템 요구 사항

____7.4.1 속도

____7.4.2 확장성

____7.4.3 적은 데이터로 높은 정확도 보장

__7.5 원샷 학습

____7.5.1 벡터 간 유클리드 거리

__7.6 샴 신경망

__7.7 대조 손실

__7.8 얼굴 데이터셋

__7.9 케라스 샴 신경망

__7.10 모델 훈련

__7.11 결과 분석

__7.12 예제 코드 정리

__7.13 실시간 안면 인식 프로그램

____7.13.1 온보딩 과정

____7.13.2 얼굴 인식 및 인증

____7.13.3 안면 인식 고도화

__7.14 마무리

__7.15 복습

 

8장 신경망과 인공 지능의 미래

__8.1 요약

____8.1.1 머신 러닝과 신경망 개론

____8.1.2 다중 레이어 퍼셉트론을 사용한 당뇨 예측

____8.1.3 심층 전방향 신경망을 사용한 택시 요금 예측

____8.1.4 컨볼루션 신경망을 사용한 이미지 분류

____8.1.5 오토인코더를 사용한 이미지 노이즈 제거

____8.1.6 LSTM을 사용한 영화 리뷰 감성 분석

____8.1.7 샴 신경망을 사용한 안면 인식

__8.2 최신 신경망 기술

____8.2.1 GAN 신경망

____8.2.2 심층 강화 학습

__8.3 신경망의 한계

__8.4 인공 지능과 머신 러닝의 미래

____8.4.1 범용 인공 지능

____8.4.2 머신 러닝 자동화

__8.5 머신 러닝의 최신 기술을 습득하려면

____8.5.1 기술 서적

____8.5.2 연구 논문

____8.5.3 데이터셋을 다루는 연습

__8.6 머신 러닝 도구

__8.7 마무리

 

 

 

찾아보기

더보기접기

저자&기여자

ㆍ지은이 제임스로이

소개
금융 및 의료 산업의 데이터 과학 분야에서 5년 이상 경력을 쌓았다. 싱가포르 최대 은행에서 일하며 예측 분석을 활용해 고객 로열티를 개선하고 혁신을 주도했다. 또한, 의료 분야에 데이터 분석 기법을 적용해 여러 병원의 의사 결정 과정을 개선했다. 조지아 공과 대학교에서 컴퓨터 공학 석사를 취득했으며, 머신 러닝을 전공했다.

ㆍ옮긴이 이춘오

소개
KAIST 정보통신공학과 학사 및 박사 학위를 취득하고, 삼성전자에서 빅데이터 플랫폼 엔지니어로 근무했으며, 현재는 SK 플래닛의 데이터 과학자로 재직 중이다. 11번가의 다양한 데이터를 바탕으로 각종 예측 모델을 구축하고 데이터 기반 서비스를 개발하는 업무를 하고 있다.

보도자료

연관 프로그램

아래 프로그램은 길벗출판사가 제공하는 것이 아닙니다.
무료로 사용할 수 있는 정보를 안내해 드리니, 지원이 필요하면 해당 프로그렘 제작사로 문의해 주세요.