닫기
다양한 교육상품 할인정보를 놓치지 마세요!
교육상품 >
텐서플로로 배우는 딥러닝 [영진닷컴]
텐서플로로 배우는 딥러닝 [영진닷컴]
10%
26,000
추가 할인 무이자최대 12개월
남은시간 : 0 00:00:00 남음
l 7명 관심
텐서플로로 배우는 딥러닝 [영진닷컴] / 23,400원 (잔여 : 999개)
23,400
총 상품금액 0
0명
필수!확인사항
상품정보
구매수량 : 1인당 999개까지 구매 가능
제품보증기간 : 구입일로부터 15일
상품/배송문의 북마우스 고객센터 ☎ 02-994-3937
평일 10:00~16:00
궁금하신 점이 있으실 경우, 상품문의에 글을 남겨주시면 최대한 빠르게 답변 드리도록 하겠습니다.
배송환불
배송 : 구매순 순차배송
배송비 : 2,200원 / 30,000원 이상 구매 시 무료배송
- 도서 산간의 경우 추가 배송료 발생
환불 : 단순변심 환불은 상품 수령 후 7 일 이내 가능
- 개봉/사용/훼손의 경우 환불 및 교환불가
- 왕복배송비(반품비)발생
* 주문량이 많아 2 ~ 3일 정도 늦게 출고가 될 수 있습니다.

딥러닝 기초 이론부터 ANN, 오토인코더, CNN, RNN, GAN, FCN, DQN, 이미지 캡셔닝 최신 모델 구현까지

『텐서플로로 배우는 딥러닝』에서는 딥러닝 기법의 이론적 배경이 되는 기초적인 수학적 이론들을 자세하게 소개하고, 딥러닝 기초 모델들(ANN, 오토인코더, CNN, RNN)의 정확한 이해를 위해 텐서플로 예제 코드와 함께 설명한다. 또한, 딥러닝 모델들을 다양한 문제에 적용하고 실제 문제에 응용하는 방법을 소개한다.

책의 초반에는 선형 대수, 확률 통계, 최적화 이론과 같은 수학적 이론을 설명하고, 딥러닝 알고리즘의 기본 구조인 ANN, 오토인코더, CNN, RNN을 다룬다. 중반에는 앞에서 배운 ANN, CNN, RNN 구조를 이미지 캡셔닝, Semantic Image Segmentation 문제에 어떻게 응용하는지를 설명한다. 책의 후반에는 최근에 인기 있는 주제인 생성 모델과 강화 학습의 개념을 살펴보고, 파인 튜닝과 사전 학습된 모델을 이용해서 실제 문제를 해결하는 방법을 배운다. 1권의 책으로 딥러닝 기초 이론부터 텐서플로 라이브러리를 이용한 실제 구현까지 모두 파악할 수 있다.

저자: 솔라리스

1. 인공지능, 머신러닝, 딥러닝 소개
1.1 딥러닝 알고리즘의 등장배경
1.2 지도 학습
1.3 비지도 학습
1.4 강화 학습
1.5 정리

2. 텐서플로 소개
2.1 텐서플로 설치 및 책에서 사용하는 소스 코드 다운로드
2.1.1 텐서플로 소개
2.1.2 텐서플로 설치
2.1.3 책에서 사용하는 소스 코드 다운로드
2.2 딥러닝, 텐서플로 응용 분야
2.2.1 컴퓨터 비전
2.2.2 자연어 처리
2.2.3 음성 인식
2.2.4 게임
2.2.5 생성 모델
2.3 텐서플로 추상화 라이브러리들
2.3.1 케라스
2.3.2 TF-Slim
2.3.3 Sonnet
2.4 정리

3. 텐서플로 기초와 텐서보드
3.1 텐서플로 기초 - 그래프 생성과 그래프 실행
3.2 플레이스홀더
3.3 선형회귀 및 경사하강법 알고리즘
3.3.1 머신러닝의 기본 프로세스 - 가설 정의, 손실 함수 정의, 최적화 정의
3.3.2 선형 회귀 알고리즘 구현 및 변수
3.4 텐서보드를 이용한 그래프 시각화
3.5 정리

4. 머신러닝 기초 이론들
4.1 Batch Gradient Descent, Mini-Batch Gradient Descent, Stochastic Gradient Descent
4.2 Training Data, Validation Data, Test Data 및 오버피팅
4.3 소프트맥스 회귀
4.3.1 소프트맥스 회귀
4.3.2 크로스 엔트로피 손실 함수
4.3.3 MNIST 데이터셋
4.3.4 One-hot Encoding
4.4 소프트맥스 회귀를 이용한 MNIST 숫자 분류기 구현
4.4.1 mnist_classification_using_softmax_regression.py
4.4.2 tf_nn_sparse_softmax_cross_entropy_with_logits_example.py
4.5 정리

5. 인공신경망(ANN)
5.1 인공신경망의 등장 배경
5.2 퍼셉트론
5.3 다층퍼셉트론 MLP
5.4 오류역전파 알고리즘
5.5 ANN을 이용한 MNIST 숫자 분류기 구현
5.6 정리

6. 오토인코더(AutoEncoder)
6.1 오토인코더의 개념
6.2 오토인코더를 이용한 MNIST 데이터 재구축
6.3 오토인코더와 소프트맥스 분류기를 이용한 MNIST 분류기 구현
6.3.1 파인 튜닝과 전이 학습
6.3.2 오토인코더와 소프트맥스 분류기를 이용한 MNIST 숫자 분류기 구현
6.4 정리

7. 컨볼루션 신경망(CNN)
7.1 컨볼루션 신경망의 개념 - 컨볼루션, 풀링
7.2 MNIST 숫자 분류를 위한 CNN 분류기 구현
7.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현
7.3.1 CIFAR-10 데이터셋
7.3.2 드롭아웃
7.3.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현
7.4 대표적인 CNN 모델들 - AlexNet, VGGNet, GoogLeNet, ResNet
7.4.1 AlexNet
7.4.2 VGGNet
7.4.3 GoogLeNet(Inception v1)
7.4.4 ResNet
7.5 tf.train.Saver API를 이용해서 모델과 파라미터를 저장하고 불러오기
7.6 정리

8. 순환신경망(RNN)
8.1 순환신경망
8.2 LSTM(장/단기 기억 네트워크)와 경사도 사라짐 문제
8.3 GRU
8.4 임베딩
8.4.1 임베딩의개념
8.4.2 tf.nn.embedding_lookup을 이용한 임베딩 구현
8.5 경사도 증가 문제와 경사도 자르기
8.6 Char-RNN
8.6.1 Char-RNN의 개념
8.6.2 텐서플로를 이용한 Char-RNN 구현
8.6.2.1 train_and_sampling.py
8.6.2.2 utils.py
8.7 정리

9. 이미지 캡셔닝(Image Captioning)
9.1 이미지 캡셔닝 문제 소개
9.2 이미지 캡셔닝 데이터셋 - MS COCO
9.3 이미지 캡셔닝 구현 - im2txt
9.4 im2txt 코드 구조에 대한 설명 및 코드 실행 방법
9.4.1 train.py
9.4.2 show_and_tell_model.py
9.4.3 run_inference.py
9.5 정리

10. Semantic Image Segmentation
10.1 Semantic Image Segmentation 개념
10.2 FCN
10.3 Semantic Image Segmentation을 위한 데이터셋 - MIT Scene Parsing
10.4 FCN을 이용한 Semantic Image Segmentation 구현 - FCN.tensorflow
10.4.1 FCN.py
10.4.2 TensorflowUtils.py
10.4.3 read_MITSceneParsingData.py
10.4.4 BatchDatsetReader.py
10.5 정리

11. 생성 모델 - GAN
11.1 생성 모델의 개념
11.2 GAN의 개념
11.3 GAN을 이용한 MNIST 데이터 생성
11.4 정리

12. 강화 학습(Reinforcement Learning)
12.1 강화 학습의 기본 개념과 MDP
12.1.1 상태 가치 함수
12.1.2 행동 가치 함수
12.2 Q-Learning
12.2.1 Q-Table과 Q-Networks
12.2.2 ∈-Greedy
12.3 DQN
12.4 DQN을 이용한 게임 에이전트 구현 - CatchGame
12.4.1 train_catch_game.py
12.4.2 play_catch_game.ipynb
12.5 정리

13. 파인 튜닝과 사전 학습된 모델을 이용한 실제 문제 해결
13.1 파인 튜닝 및 전이 학습 기법 리뷰
13.2 Inception v3 Retraining을 이용한 나만의 분류기
13.2.1 Inception v3 모델
13.2.2 inceptionv3_retrain.py - 나만의 데이터셋으로 파인 튜닝
13.2.3 inceptionv3_retrain.py
13.2.4 inceptionv3_inference.py
13.3 사전 학습된 모델을 이용한 물체 검출 수행
13.3.1 물체 검출의 개념
13.3.2 사전 학습된 Faster R-CNN 모델로 물체 검출 수행
13.3.3 faster_rcnn_inference.py
13.4 TensorFlow Hub
13.5 정리
13.6 더 공부할 것들
서명
  • 상품에 대해 궁금한 점은 상품문의를 이용해주세요
  • 교환/환불 및 배송관련 문의는 고객센터 내 1:1 문의하기를 이용해주세요.
  • 상품문의를 통한  취소나 환불, 반품 등은  처리되지  않습니다.
  • 상품과 관계없는 글, 양도, 광고성, 욕설, 비방, 도배 등의 글은 예고없이 삭제됩니다.
상품 문의하기
옵션 선택
오늘특가
  • Loading...

에듀팡 로그인

반갑습니다.

회원님의 계정 상태가 휴면계정에서 정상계정으로 복구되었습니다.

에듀팡 이용에 앞서
회원정보수정 페이지에서 개인정보의 변동내역을 확인해 주세요.