HOME > Detail View

Detail View

(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향

(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향 (Loan 16 times)

Material type
단행본
Corporate Author
하연. 편집부
Title Statement
(인공지능과 창작) 딥러닝 GAN과 강화학습 기술동향 / [하연] 편집부 편
Publication, Distribution, etc
서울 :   하연,   2017  
Physical Medium
254 p. : 삽화, 도표 ; 31 cm
ISBN
9791185497112
General Note
GAN = Generative Adversarial Network  
Bibliography, Etc. Note
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. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Main Library/Stacks 2(Large Size)/ Call Number 대형 006.31 2017z19 Accession No. 111786667 Availability Available Due Date Make a Reservation Service M
No. 2 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.31 2017z19 Accession No. 121242512 Availability Available Due Date Make a Reservation Service B M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Main Library/Stacks 2(Large Size)/ Call Number 대형 006.31 2017z19 Accession No. 111786667 Availability Available Due Date Make a Reservation Service M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.31 2017z19 Accession No. 121242512 Availability Available Due Date Make a Reservation Service B M

Contents information

Table of Contents

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

New Arrivals Books in Related Fields

Baumer, Benjamin (2021)
데이터분석과인공지능활용편찬위원회 (2021)
Harrison, Matt (2021)