|
[Âü°í¼] ÆÄÀ̽ã°ú ¿¢¼¿·Î ½ÃÀÛÇÏ´Â µö·¯´× |
|
| ¤ýÆǸŰ¡ | 22,500 ¿ø (10%, 2,500 ¿ø ÇÒÀÎ) | | ¤ýÀû¸³±Ý | 250 ¿ø (1% Àû¸³) | | | | ¤ýÃâ°£ÀÏ : 2023 ³â 7 ¿ù 25 ÀÏ | | ¤ý336 ÂÊ | 235*187mm | ISBN : 9788956749280 | | | | ¤ý1¸¸¿ø ÀÌ»ó ÁÖ¹®½Ã ¹«·á¹è¼Û | |
|
|
|
| ½ÇÀü µ¥ÀÌÅÍ ºÐ¼®À» À§ÇÑ ÆÄÀ̽㠵ö·¯´×
µö·¯´×Àº µ¥ÀÌÅ͸¦ Çà·Ä·Î ±¸¼ºÇÏ¿© ¿¬»ê ó¸®ÇÑ´Ù. ±×Áß ÆÄÀ̽ãÀ¸·Î Çà·Ä ¿¬»êÀ» ½±°Ô ÇÒ ¼ö ÀÖµµ·Ï ÇØÁÖ´Â ¶óÀ̺귯¸®ÀÎ ³ÑÆÄÀ̸¦ È°¿ëÇÏ´Â ÀÌ Ã¥Àº µö·¯´×¿¡ ÇÊ¿äÇÑ ¸î °¡Áö ÁÖ¿äÇÑ Çà·Ä°ú °ü·ÃµÈ ÇÔ¼ö¿Í ¹ÌºÐ ¹æ¹ýÀ» ÄÚµå¿Í ½Ç½ÀÀ» ÅëÇØ ÀÍÇôº¼ ¼ö ÀÖ´Ù. ¸Ó½Å·¯´× ¹× ÀΰøÁö´ÉÀ» È°¿ëÇØ º¼ ¼ö ÀÖ´Â ´Ù¾çÇÑ ¿¹Á¦¸¦ Á¦°øÇÏ´Â »çÀÌŶ·±À» ÅëÇØ ¸ðµ¨À» ¸¸µé¾î º¸±â ¶§¹®¿¡ À̸¦ È°¿ëÇÏ¸é ½ÇÀü¿¡¼ ¹Ù·Î ½á¸ÔÀ» ¼ö ÀÖ´Ù. Á¤È®ÇÑ ¼ýÀÚ¸¦ ¿¹ÃøÇϴ ȸ±Í ¹®Á¦¿Í Ŭ·¡½º¶ó°í ºÒ¸®´Â ¶óº§À» ¸ÂÃß´Â ºÐ·ù ¹®Á¦¸¦ ´ç´¢º´ ¿¹Ãø, ü·Â °Ë»ç, º×²É, ¼Õ±Û¾¾ ¿¹Á¦¸¦ ÅëÇØ ¸ðµ¨À» ±¸ÇöÇÏ°í °ËÁõÇغ¸´Â °úÁ¤À» º¸¿©ÁÜÀ¸·Î½á °³³äÀ» È®½ÇÈ÷ Àâ¾ÆÁØ´Ù. ƯÈ÷ ¾î·Á¿î ¼öÇÐÀû °³³äÀ» ±×¸²°ú ¼ö½ÄÀ» ÅëÇØ ÀÌÇظ¦ ³ô¿´À¸¸ç ó¸® °úÁ¤À» ¿¢¼¿·Î º¸¿©Áֱ⠶§¹®¿¡ ¹æÇâÀ» ÀÒÁö ¾Ê°í ³¡±îÁö Àß µû¶ó°¥ ¼ö ÀÖ´Ù. µ¥ÀÌÅÍÀÇ Æ¯Â¡À» ÃßÃâÇÏ¿© ÆÐÅÏÀ» ÆľÇÇÏ´Â ±¸Á¶ÀÎ CNN°ú ¹Ýº¹ÀûÀÌ°í ¼ø¼°¡ ÀÖ´Â µ¥ÀÌÅÍ ÇнÀ¿¡ Æ¯ÈµÈ RNNÀ¸·Î ¸¶Áö¸·À» ¸¶¹«¸®ÇÏ¸é¼ ½Å°æ¸Á¿¡¼ ÇнÀÀ» ÅëÇØ ÀûÇÕÇÑ ÇÊÅÍ »ý¼ºÀ» º¸¿©ÁØ´Ù. À̸¦ ¸ðµÎ ÇнÀÇÏ¿© ²÷ÀÓ¾øÀÌ ¹ßÀüÇÏ°í ÀÖ´Â µö·¯´× ºÐ¾ß¿¡¼ ÀڽŸ¸ÀÇ »õ·Î¿î ¹æ¹ý°ú ±â¼úÀ» °³¹ßÇÏ´Â µ¥ È°¿ëÇÏ¸é µµ¿òÀÌ µÉ °ÍÀÌ´Ù. |
PART 0 °³¹ß ȯ°æ ±¸Ãà
1. ÆÄÀ̽㠼³Ä¡
01. Windows OS ¹öÀü
02. Mac OS ¹öÀü
2. ÇÊ¿ä ÆÐÅ°Áö ¼³Ä¡
01. ÁÖÇÇÅÍ(Jupyter)
02. xlwings
03. »çÀÌŶ·±(Scikit-Learn)
04. OpenCV ¹× Numpy
05. Matplotlib
3. ÆÄÀ̽ã-¿¢¼¿ ¿¬µ¿ ½Ç½À
01. ¼¿ ³» Áߺ¹°ª Á¦°Å ½Ç½À
02. À¥Ä· À̹ÌÁö ¿¢¼¿ Ãâ·Â
PART 1 ³ÑÆÄÀÌ(Numpy)
1. ¹è¿(ndarray)
01. arange ÇÔ¼ö
02. reshape ÇÔ¼ö
03. array indexing
2. ¿¬»ê
01. Çà·ÄÀÇ »çÄ¢¿¬»ê°ú Çà·Ä°ö
02. eye ÇÔ¼ö
03. ÀüÄ¡ Çà·Ä(Transpose)
04. flip ÇÔ¼ö
05. pad ÇÔ¼ö
3. ¹ÌºÐ
01. ÇÔ¼öÀÇ ±â¿ï±â
02. ¹ÌºÐ ÇÁ·Î±×·¡¹Ö
PART 2 µö·¯´× °³¿ä
1. µö·¯´× ÇнÀ
2. y = wx ÇнÀ
01. ¿¢¼¿ µ¥ÀÌÅÍ Áغñ
02. ¼Õ½Ç ÇÔ¼ö(Loss)ÀÇ Á¤ÀÇ
03. °æ»ç ÇÏ°¹ý(Gradient Descent)
04. ¸ðµ¨ ±¸Çö
3. y = wx + b ÇнÀ
01. Æí¹ÌºÐ
02. È®·üÀû °æ»ç ÇÏ°¹ý(Stochastic Gradient Descent)
03. ¸ðµ¨ ±¸Çö
4. y = w1 × 1 + w2 × 2 + b ÇнÀ
01. Çà·Ä Ç¥Çö
02. Çà·Ä ¿¬»êÀÇ ÀÌÇØ
03. ¸ðµ¨ ±¸Çö
5. ÀÓÀÇÀÇ ÇÔ¼ö ÇнÀ
01. µö·¯´×(Deep Learning)
02. üÀηê(CHAIN RULE), ¼øÀüÆÄ(Forward Propagation), ¿ªÀüÆÄ(Back Propagation)
03. È°¼ºÈ ÇÔ¼ö(Activation Function)
04. ¸ðµ¨ ±¸Çö
PART 3 ȸ±Í ¿¹Á¦
1. ´ç´¢º´ ¿¹Ãø µ¥ÀÌÅÍ
01. µ¥ÀÌÅÍ È®ÀÎ ¹× ¸ðµ¨ ¸¸µé±â
02. µ¥ÀÌÅÍ Á¤±ÔÈ
03. ÇÏÀÌÆÛ ÆĶó¹ÌÅÍ(Hyper Parameter) ¼³Á¤
04. °ú¼Ò/°ú´ë ÀûÇÕ ¹æÁö
2. ü·Â °Ë»ç µ¥ÀÌÅÍ
01. µ¥ÀÌÅÍ È®ÀÎ
02. ´ÙÁß Ãâ·Â ¸ðµ¨ ¼³°è
03. ´ÙÁß Ãâ·Â ¸ðµ¨ÀÇ ¿ªÀüÆÄ
PART 4 ºÐ·ù °³¿ä
1. ÀÌÁø ºÐ·ù
01. ½Ã±×¸ðÀ̵å(Sigmoid)
02. ºÐ·ùÀÇ ¿ªÀüÆÄ
03. ¸ðµ¨ ±¸Çö
04. ½Ã±×¸ðÀ̵带 Áß°£ÃþÀÇ È°¼ºÈ ÇÔ¼ö·Î »ç¿ëÇÏÁö ¾Ê´Â ÀÌÀ¯ 1
2. ´ÙÁß ºÐ·ù
01. ¼ÒÇÁÆ®¸Æ½º(Softmax)
02. Ä«Å×°í¸®Äà ũ·Î½º ¿£Æ®·ÎÇÇ(Categorical Cross Entropy)
03. ¸ðµ¨±¸Çö
PART 5 ºÐ·ù ¿¹Á¦
1. º×²É ºÐ·ù
01. µ¥ÀÌÅÍ È®ÀÎ
02. ¿øÇÖÀÎÄÚµù(One-hot Encoding)
03. ¸ðµ¨ ±¸Çö
2. ¼Õ±Û¾¾ ºÐ·ù
01. µ¥ÀÌÅÍ È®ÀÎ
02. µ¥ÀÌÅÍ Àüó¸®
03. ¸ðµ¨ ±¸Çö
04. ¸ðµ¨ °ËÁõ ¹× ÇÑ°è
PART 6 CNN
1. À̹ÌÁö µ¥ÀÌÅÍ Æ¯¼º
2. ÇÊÅÍ¿Í ÇÕ¼º°ö(Convolution) ¿¬»ê
3. ÇÕ¼º°öÀÇ ¿ªÀüÆÄ
4. ¸ðµ¨ ±¸Çö
5. CNN Ãß°¡ Á¤º¸
01. Çà·Ä·Î Ç¥Çö
02. Stride
03. Æеù(Padding)
04. Ç®¸µ(Pooling)
05. ä³Î
PART 7 RNN
1. RNN ±¸Á¶
2. ¼øÀüÆÄ¿Í ¿ªÀüÆÄ ¿¬»ê
ºÎ·Ï 1 Google Spreadsheet »ç¿ë
1. ±¸±Û µå¶óÀ̺ê API ¼³Á¤Çϱâ
2. ±¸±Û ½ºÇÁ·¹µå½ÃÆ® API ¼³Á¤Çϱâ
ºÎ·Ï 2 Tensorflow »ç¿ë
1. ´ç´¢º´ µ¥ÀÌÅÍ
2. ü·Â °Ë»ç µ¥ÀÌÅÍ
3. º×²É µ¥ÀÌÅÍ
4. ¼Õ±Û¾¾ µ¥ÀÌÅÍ
5. ¿µ¾î öÀÚ ¿¹Ãø µ¥ÀÌÅÍ |
|
| | ÇöÀç ÆÄÀ̽ã°ú ¿¢¼¿·Î ½ÃÀÛÇÏ´Â µö·¯´×¿¡ µî·ÏµÈ ¼ÆòÀÌ ¾ø½À´Ï´Ù. | |
|
|
|