HOME > 상세정보

상세정보

(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향

(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향 (17회 대출)

자료유형
단행본
단체저자명
하연. 편집부
서명 / 저자사항
(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향 / [하연] 편집부 편
발행사항
서울 :   하연,   2017  
형태사항
254 p. : 삽화, 도표 ; 31 cm
ISBN
9791185497112
일반주기
GAN = Generative Adversarial Network  
서지주기
참고문헌: p. 248-254
000 00000nam c2200205 c 4500
001 000045921615
005 20171128183215
007 ta
008 171128s2017 ulkad b 000c kor
020 ▼a 9791185497112 ▼g 93560
040 ▼a 211009 ▼c 211009 ▼d 211009
082 0 4 ▼a 006.31 ▼2 23
085 ▼a 006.31 ▼2 DDCK
090 ▼a 006.31 ▼b 2017z19
110 ▼a 하연. ▼b 편집부
245 2 0 ▼a (인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향 / ▼d [하연] 편집부 편
260 ▼a 서울 : ▼b 하연, ▼c 2017
300 ▼a 254 p. : ▼b 삽화, 도표 ; ▼c 31 cm
500 ▼a GAN = Generative Adversarial Network
504 ▼a 참고문헌: p. 248-254
945 ▼a KLPA

No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/서고2층(대형)/ 청구기호 대형 006.31 2017z19 등록번호 111786667 도서상태 대출가능 반납예정일 예약 서비스 M
No. 2 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.31 2017z19 등록번호 121242512 도서상태 대출가능 반납예정일 예약 서비스 B M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/서고2층(대형)/ 청구기호 대형 006.31 2017z19 등록번호 111786667 도서상태 대출가능 반납예정일 예약 서비스 M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.31 2017z19 등록번호 121242512 도서상태 대출가능 반납예정일 예약 서비스 B M

컨텐츠정보

목차

제1장 인공지능 기술 개요 
1. 인공지능 제반 기술 개요 및 주요 특징 
1-1. 인공지능(Artificial Intelligence, AI)의 개요 및 역사 
1-1-1. 인공지능의 개념과 정의 
1-1-2. 인공지능 역사 
1-1-3. 범용인공지능(AGI, Artificial General Intelligence) 

1-2. 인공지능의 주요 특징 
1-2-1. 추론과 문제해결 
가. 탐색 
가-1 맹목적 탐색(blind search) 방법 
가-2. 휴리스틱 탐색(heuristic search) 
가-3. 게임트리 탐색 
① Minimax Search 
② 알파베타 가지치기(Alpha-Beta Pruning) 기법 
③ AlphaGo의 게임 탐색 알고리즘­몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS) 

나. 추론 

1-2-2. 지식표현과 문제 해결 
가. 규칙처리 방식 
나. 논리적 표현방식 
다. 의미망(Semantic Network) 
라. 틀 표현방식(Frame Representation) 

1-2-3. 기계학습(machine learning) 
1-3. 인공지능과 자율성 
1-3-1. 개요 
1-3-2. 인공지능과 창작 
1-3-3. 인공지능의 추론 학습 능력, 관계형 네트워크(Relation Networks, RNs) 

2. 딥러닝 
2-1. 개요 및 신경망 구조 
2-1-1. 딥러닝과 2세대 알파고 
가. 딥러닝 개요 
나. 딥러닝 특징 
다. 2세대 알파고, 알파고 마스터 
라. 알파고의 계산 능력 
마. 알파고 제로 

2-1-2. 신경망의 구조 
가. 인공신경망(artificial neural networks)의 개요 
나. 인경신경망의 구조 

2-1-3. 다층신경망 
2-1-4. 딥러닝 방식 
가. 강화학습(Reinforcement Learning) 
가-1. 강화학습의 개요 
가-2. MDP(Markov Decision Process) 방식 
가-3. DQN(Deep Q-Network) 
가-4. 강화학습의 특징 

나. GPU 방식 병렬컴퓨팅 
나-1. GPU(Graphics Processing Unit, 그래픽 처리 장치) 
나-2. GPGPU(General Purpose Graphics Processing Units) 
① MPI(Message Passing Interface, 메시지 전달 인터페이스) 
② CUDA(Compute Unified Device Architecture, 쿠다) 
③ OpenCL(Open Computing Language) 
④ TPU(Tensor Processing Unit, TPU) 

2-1-5. 딥러닝(Deep Learning)과 알파고 마스터 

2-2. 기계학습 
2-2-1. 클러스터링(Clustering)과 기계학습 
2-2-2. 기계번역 

2-3. 딥러닝 기술 동향 
2-3-1. 개요 
2-3-2. RNN과 LSTM 
가. 순환신경망(Recurrent neural networks) 
나. LSTM(Long-short term memory, 장단기 기억 구조) 

2-3-3. 컨볼루션 네트워크(CNN, convolutional neural networks, 합성곱신경망) 
2-3-4. GAN(Generative Adversarial Network. 생성 대립 신경망) 

2-4. 이미지인식 기술 
2-5. 자연어 처리(Natural Language Processing, NLP) 
2-5-1. 자연어 처리(NLP) 개요 
가. Word2Vec 
나. RNN과 자연어 처리 
다. CNN과 자연어 처리 

2-5-2. 자연어 처리와 인공지능비서 
가. 질의응답 시스템(question-answering system) 
나. 대화시스템 

제2장 인공지능 학습 GAN 기술동향 
1. GAN(Generative Adversarial Network) 개요 및 학습 방법 
1-1. GAN(Generative Adversarial Network, 적대적 생성 신경망) 개요 및 정의 
1-1-1. GAN 개요 
1-1-2. GAN 구조 
가. 학습데이터 
나. 생성자(generator) 네트워크 
다. 판별자(discriminator) 네트워크 

1-2-3. 적대적 학습 방법 

2. GAN 기술동향 
2-1. GAN 기술동향 개요 
2-2. GAN 응용 모델과 적용 사례 
2-2-1. CGAN(Conditional GAN) 
2-2-2. InfoGAN 
2-2-3. Laplacian GAN 
2-2-4. DCGAN(Deep Convolutional Generative Adversarial Networks) 
2-2-5. DiscoGAN 

3. 알파고 제로와 인공지능의 향후 전망 
3-1. 인공지능 시장 전망 

그림목차 
[그림 1] 정보통신기술 계층과 디지털 커넥툼 
[그림 2] 인공지능의 연구 흐름 
[그림 3] 튜링테스트 
[그림 4] 슈퍼비전팀의 연구 내용 
[그림 5] 뉴런과 계층형 시간 메모리(HTM)가 모방한 인공신경망 
[그림 6] 초인공지능 
[그림 7] 인공지능에 의한 대재앙에 이르는 위험 모델 
[그림 8] 너비우선탐색 알고리즘과 순서 
[그림 9] 깊이우선 탐색(전위순회)의 과정 
[그림 10] 휴리스틱 탐색의 한 예 
[그림 11] tic-tac-toe 게임의 트리탐색 해결방법 
[그림 12] Minimax 
[그림 13] Alpha-Beta Pruning 알고리즘의 탐색 결과 
[그림 14] 몬테카를로 트리탐색에서 단계별로 탐색을 확장하는 과정 
[그림 15] 알파고의 컨볼루션 신경망 구조(정책, 가치 네트워크) 
[그림 16] 지식표현 
[그림 17] 의미망 
[그림 18] 인간의 신경망을 모방한 인공지능 신경망 
[그림 19] 전통적 프로그래밍(연역법)과 기계학습(귀납법) 패러다임 비교 
[그림 20] 심층신경망을 활용한 조르주 쇠라 작 <그랑 자트 섬의 일요일>의 다양한 형태 
[그림 21] 나선형 신경망(CNN)을 통한 스타일과 콘텐츠의 재구성 프로세스 
[그림 22] LSTM 기반 음악 작곡(LSTM RNN Music Composition) 
[그림 23] AI에 의한 자동 컬러링 
[그림 24] 영화 her 
[그림 25] 관계형 질문 
[그림 26] 객체 유형(위)과 위치 지정 체계(좌우) 
[그림 27] CNN을 이용한 관계 추론 
[그림 28] 기계학습 절차 
[그림 29] 딥러닝의 전체 흐름도 
[그림 30] TensorFlow를 이용한 딥러닝 
[그림 31] 기술 스택으로 본 딥러닝 프레임워크 
[그림 32] 알파고의 Deep Neural Networks 학습 pipeline 
[그림 33] 소비전력당 성능 
[그림 34] 4차 산업혁명 작동원리 
[그림 35] 인공신경망의 구조 
[그림 36] 신경세포의 구성과 인공신경망 
[그림 37] Training a student network using hints 
[그림 38] 파라미터 공유 기법 
[그림 39] 인공신경망 기본 형태 
[그림 40] 다층신경망 
[그림 41] 다층신경망 구조 
[그림 42] 환경과 상호작용을 통한 강화학습 구조 
[그림 43] 강화학습 프레임워크(Reinforcement Learning Framework) 
[그림 44] 로봇에 적용된 DQN 
[그림 45] q-learning 
[그림 46] 마르코프 결정과정 문제(Markov Decision Process, MDP) 
[그림 47] 딥마인드 DQN 구조 
[그림 48] 미분 가능 신경컴퓨터의 아키텍처 구조 
[그림 49] 강화와 처벌 
[그림 50] 강화학습 시스템 구조 
[그림 51] 그래픽 처리 장치 
[그림 52] CUDA 지원 GPU의 아키텍처 
[그림 53] GPU와 CPU의 소비 전력당 성능 비교 
[그림 54] 데이터 병렬화 
[그림 55] General MPI Program Structure 
[그림 56] CUDA Application 
[그림 57] CUDA 프로그램 
[그림 58] OpenCL execution model 
[그림 59] 구글 TPU의 구조 
[그림 60] TPU의 매트릭스 승수 단위(MXU) 
[그림 61] TensorFlow에서 TPU 
[그림 62] 딥러닝 
[그림 64] K-Means 알고리즘의 수행절차 
[그림 65] 군집분석 
[그림 66] 계층적 군집(Hierarchical Clutering) 
[그림 67] 전통적 프로그래밍(연역법)과 기계학습(귀납법) 패러다임 비교 
[그림 68] 인공신경망 기계번역 
[그림 69] 구글의 신경망 기반 번역기 구조 
[그림 70] Translation model 
[그림 71] 인간과 교감하는 AI 
[그림 72] Feedforward NN 대 RNN 
[그림 73] Recurrent neural networks 
[그림 74] Recurrent neural networks 
[그림 75] Recurrent neural networks 
[그림 76] RNN에서의 Vanishing Gradient Problem 
[그림 77] LSTM의 개념 
[그림 78] 순환신경망(좌)과 LSTM(우) 비교 
[그림 79] Conv-LSTM Architecture 
[그림 80] LSTM 유닛과 게이트의 작동 방식 
[그림 81] Word Embedding Correlation model 
[그림 82] GRU Gating 
[그림 83] CNN을 이용한 객체 검출 
[그림 84] CNN 활용 필기체 인식기술 
[그림 85] 물체인식에 사용된 CNN 
[그림 86] convolution 신경망 
[그림 87] 전결합 레이어와 Convolution layer 
[그림 88] CNN 훈련모델 
[그림 89] Neural-image QA 
[그림 90] generative model의 분류 
[그림 91] Fake and real images 
[그림 92] 뇌의 시각정보처리 과정과 딥러닝 이미지인식 
[그림 93] 시각 정보를 프로세싱하는 과정의 예 
[그림 94] 딥러닝 알고리즘을 활용한 얼굴인식 프로세스 
[그림 95] 얼굴인식 과정 예시 
[그림 96] 손글씨 이미지인식을 위한 인공신경망 개념도 
[그림 97] 물체의 분류와 위치 식별 문제 
[그림 98] 페이스북 딥페이스 동작 원리 모습? 
[그림 99] Camelyon16대회에서 선보인 앤드류 백(Andrew Beck)교수팀의 유방암 병리 슬라이드 판독 
[그림 100] NLP 단계 
[그림 101] 자연어 처리 기술 
[그림 102] 형태소 분석 
[그림 103] 문장 해석 
[그림 104] Syntaxnet Architecture 
[그림 105]?DD차원 벡터로 표현된 단어 벡터 
[그림 106] Training Data 
[그림 107] CBOW Architecture 
[그림 108] Skip-Gram 신경망 구조 
[그림 109] CBOW와 Skip-gram의 차이 
[그림 110] Encoder-Decoder 번역 모델 
[그림 111] 문서 분류를 위한 계층적 Attention network 
[그림 112] 순차적인 RNN 처리 
[그림 113] CNN을 활용한 문장 분류 아키텍처 
[그림 114] 질의응답 시스템 
[그림 115] 인관관계 질의응답 시스템 
[그림 116] 자연어시스템의 구성 
[그림 117] 자연어 생성(Natural Language Generation) 
[그림 118] 대화시스템 모델 
[그림 119] 인지시스템의 요소 
[그림 120] GAN의 개념도 
[그림 121] GAN의 학습 방법 
[그림 122] Generative Adversarial Network 
[그림 123] Generative model 
[그림 124] Adversarial Nets Framework 
[그림 125] Generative Network 
[그림 126] Discriminator Network 
[그림 127] 머신러닝과 이미지 생성의 결합 
[그림 128] CGAN의 얼굴인식 과정 
[그림 129] CGAN(Conditional GAN) 
[그림 130] InfoGAN Implementation 
[그림 131] DCGAN Architecture 
[그림 132] 기존 GAN Architecture 
[그림 133] DCGAN 
[그림 134] 선택기 신경망과 생성기 신경망 
[그림 135] DiscoGAN 사용 예시 
[그림 136] Artificail Intelligence Revenue, World Markets(2016~2025, $ Millions) 
[그림 137] Top Region Based on 5Year CAGR(2015~2020) 
[그림 138] 2016년도 ICT 기술수준조사 보고서 
[그림 139] Automotive Artificial Intelligence Total Revenue by Segment, World Markets(2016~2025, 
[그림 140] 인공지능 분야별 중국의 특허신청 비중 
[그림 141] 인공지능 국내 시장 규모 

표목차 
[표 1] 인공지능의 지능수준에 따른 분류 
[표 2] 인공지능과 딥러닝 역사 
[표 3] 인공지능 분류 
[표 4] AI관련 기술분야 
[표 5] MCTS의 단계 
[표 6] 지식의 분류 
[표 7] 기계학습의 응용 분야 
[표 8] 딥러닝 주요 알고리즘 
[표 9] 글로벌 기업 딥러닝 기술 경쟁 
[표 10] 주요 IT업체 인공지능 현황 
[표 11] 알파고의 두 가지 전략 
[표 12] 알파고의 진화 
[표 13] 알파고의 구조와 성능 
[표 14] 알파고 제로 성능 및 지식습득 모식도 
[표 15] CPU와 GPU의 비교 
[표 16] CUDA 처리 흐름 및 장단점 
[표 17] 텐서 프로세싱 유닛의 데이터센터 성능 분석 
[표 18] 몬테카를로 트리 서치에 따른 알파고의 바둑 진행 예측 
[표 19] 알파고의 구조와 성능 
[표 20] 글로벌 기업 딥러닝 기술 경쟁 
[표 21] 딥러닝 적용 방식별 응용 사례 
[표 22] 자연어 처리 시스템 
[표 23] RNN의 기술요소 
[표 24] CNN의 기술 요소 
[표 25] 대화형 AI 시스템의 분류 
[표 26] 국내외 주요 AI개인비서 서비스 현황

관련분야 신착자료

National Academies of Sciences, Engineering, and Medicine (U.S.) (2020)
Cartwright, Hugh M. (2021)
한국소프트웨어기술인협회. 빅데이터전략연구소 (2021)