| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000045937302 | |
| 005 | 20220701100002 | |
| 007 | ta | |
| 008 | 180327s2017 ulka b 001c kor | |
| 020 | ▼a 9791160503760 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000014670837 | |
| 040 | ▼a 211044 ▼c 211044 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h jpn |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2017z30 | |
| 100 | 1 | ▼a 藤田一弥 |
| 245 | 1 0 | ▼a 딥러닝 부트캠프 with 케라스 : ▼b 예비 프로그래머를 위한 딥러닝 워크숍 / ▼d 후지타 카즈야, ▼e 다카하라 아유무 외 지음 ; ▼e 이기홍 옮김 |
| 246 | 1 9 | ▼a 実装ディープラーニング |
| 246 | 3 | ▼a 딥러닝 부트캠프 위드 케라스 |
| 246 | 1 1 | ▼a Deep learning bootcamp with Keras |
| 246 | 1 3 | ▼a 우분투, CUDA, cuDNN 설치부터 이미지 분류, 물체 검출, 강화 학습까지 학습한다! |
| 260 | ▼a 서울 : ▼b 길벗, ▼c 2017 | |
| 300 | ▼a 296 p. : ▼b 부분천연삽화 ; ▼c 24 cm | |
| 500 | ▼a 부록: A. Yolo용 오브젝트의 위치 정보를 만드는 방법, B. 주요 예제 소스 | |
| 504 | ▼a 참고문헌(p. 289-291) 및 색인수록 | |
| 546 | ▼a 일본어로 된 원저작을 한국어로 번역 | |
| 700 | 1 | ▼a 高原 歩, ▼e 저 |
| 700 | 1 | ▼a 이기홍 ▼0 AUTH(211009)146121 |
| 900 | 1 0 | ▼a 후지타 카즈야, ▼e 저 |
| 900 | 1 0 | ▼a 다카하라 아유무, ▼e 저 |
Holdings Information
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Sejong Academic Information Center/Science & Technology/ | Call Number 006.31 2017z30 | Accession No. 151339271 | Availability Available | Due Date | Make a Reservation | Service |
Contents information
Book Introduction
딥러닝은 이미지 인식, 음성 인식, 자연어 처리 등의 분야에서 가장 활발하게 이용되고 있다. 이 책은 그중 '이미지 인식'에 초점을 맞춰 이미지 클래스 분류, 물체 검출 등을 케라스로 쉽고 빠르게 실습하면서 딥러닝의 원리를 익히도록 구성했다. 또한, 게임, 자율 주행 등에 많이 활용되는 강화 학습으로 삼목 게임에 강한 컴퓨터도 만들어 본다.
딥러닝, 케라스로 더 쉽고 빠르게 구현하자!
케라스로 더 쉽게 구현하자!
케라스는 공식 문서에서 “30초면 시작한다”라고 할 만큼 사용법이 간단합니다. 이미지 분류와 물체 검출을 단계별로 쉽고 빠르게 케라스로 구현해 봅니다.
강화 학습을 경험하자!
게임, 자율 주행, 금융 데이터 분석 등에서 많이 활용되는 강화 학습을 이용해 스스로 삼목 게임을 학습하는 컴퓨터를 만들어 봅니다.
실습하면서 원리를 익히자!
학습에 필요한 주요 개념을 간결하게 배우고 예제를 실습하며 핵심 원리를 익힙니다.
이 책에서 다루는 내용
- 우분투 설치부터 CUDA, cuDNN, 케라스 설치와 같은 딥러닝 실습 환경 구축
- 전결합 신경망, 합성곱 신경망(CNN), 활성화 함수, 경사 하강법, 오차역전파법과 같은 핵심 이론
- VGG-16, ResNet-152를 이용한 이미지 클래스 분류 및 예측 정확도 향상 기법
- 23층, 26층 네트워크를 이용한 물체 검출
- 삼목 게임을 스스로 학습하는 강화 학습(DQN)
Information Provided By: :
Author Introduction
후지타 카즈야(지은이)
니가타 현에서 태어나 니가타대학 교육학부 수학과를 졸업한 후, 니가타 현 공립중학교에서 수학 교사로 근무했다. 그 후 IT 시스템 회사에 근무하면서 웹 시스템을 개발하고 관공서 등의 통계 업무를 담당했다. 2004년에 주식회사 포워드 네트워크를 설립, 대표이사로 취임했다.
다카하라 아유무(지은이)
요코하마 상과대학의 상학부를 졸업한 후 IT 대기업에서 근무했다. 현재는 주식회사 포워드 네트워크에 입사하여, Hadoop 인정 개발자(CCDH), Hadoop 인정 관리자(CCAH) 자격을 보유하고 빅데이터를 해석하는 업무 등을 맡고 있다.
이기홍(옮긴이)
카네기멜론대학교에서 석사 학위를 받았고, 피츠버그대학교의 Finance Ph.D, CFA, FRM이자 금융, 투자, 경제분석전문가다. 삼성생명, HSBC, 새마을금고중앙회, 한국투자공사 등과 같은 국내 유수의 금융기관, 금융 공기업에서 자산 운용 포트폴리오 매니저로 근무했으며 현재 딥러닝과 강화학습을 금융에 접목시켜 이를 전파하고 저변을 확대하는 것을 보람으로 삼고 있다. 저서로는 『엑셀 VBA로 쉽게 배우는 금융공학 프로그래밍』(한빛미디어, 2009)이 있으며, 번역서로는 『포트폴리오 성공 운용』(미래에셋투자교육연구소, 2010), 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초 해석학』(길벗, 2018)과 에이콘출판사에서 출간한 『실용 최적화 알고리즘』(2020), 『초과 수익을 찾아서 2/e』(2020), 『자산운용을 위한 금융 머신러닝』(2021), 『실전 알고리즘 트레이딩 배우기』(2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(2021), 『퀀트 투자를 위한 머신러닝o딥러닝 알고리듬 트레이딩 2/e』(2021), 『자동머신러닝』(2021), 『금융 머신러닝』(2022) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.
Table of Contents
1장 이 책의 개요와 준비
1.1 이 책의 구성
__딥러닝의 성과
__이 책에서 학습하는 내용 : 이미지의 클래스 분류, 물체 검출, 강화 학습
__이 책에서 다루는 기법 : 사전 학습된 모델의 이용
1.2 이 책에서 사용하는 데이터셋
1.3 사용하는 기기와 소프트웨어
__사용하는 프레임워크
__GPU의 이용
__사용하는 기기 : 게임용 PC
__OS 및 미들웨어
1.4 소프트웨어 설치
__OS 설치
__미들웨어 설치
1.5 예제 파일 내려받기
__파일 내려받기
__내려받은 파일의 압축 풀기
2장. 네트워크의 구성
2.1 순전파형 네트워크
__전결합 신경망
__합성곱 신경망(CNN)
2.2 합성곱 신경망
__합성곱층
__풀링층
__업샘플링층
2.3 이 책에서 사용하는 네트워크 패턴
3장 기본 용어
3.1 딥러닝의 처리 개요
3.2 활성화 함수
3.3 손실 문제
3.4 확률적 경사 하강법
__가중치 업데이트의 계산 예
__모멘텀
3.5 오차역전파법
3.6 과학습
__밸리데이션 데이터셋을 사용한 에폭 수 결정
__정규화
__드롭아웃
3.7 데이터 확장과 전처리
3.8 사전 학습된 모델
3.9 학습 계수 조정
4장. 이미지 클래스의 분류
4.1 개요
4.2 공통 데이터의 구축
__이미지 데이터셋 내려받기
__데이터 추출과 기본 데이터셋의 구축
__데이터 확장과 공통 데이터셋의 구축
4.3 9층의 네트워크로 클래스 분류
__네트워크의 개요
__학습과 모델 만들기
__모델 읽기와 예측 실행
__실행
4.4 VGG-16으로 클래스 분류 : 16층의 사전 학습된 모델
__VGG-16의 개요
__프로그램의 개요
__실행
4.5 ResNet-152로 클래스 분류 : 152층의 사전 학습된 모델
__ResNet의 개요
__실행 환경 설치
__프로그램의 개요
__실행
4.6 예측 정확도 더 향상시키기
__개요
__복수 모델 사용
__2단계 일반화
__자기 학습
5장. 물체 검출
5.1 물체의 위치 검출 : 26층의 네트워크
__물체의 위치와 크기, 종류 예측
__사용하는 소프트웨어의 특성
__실행 환경 설치
__사전 학습된 모델을 이용하여 물체 검출
__오브젝트를 학습하여 물체 검출
5.2 물체의 형태 검출 : 23층의 네트워크
__물체의 위치와 크기, 형태 예측
__사용하는 모델과 특성
__프로그램의 개요
__실행 예
6장. 강화 학습 : 삼목 게임에 강한 컴퓨터 키우기
6.1 강화 학습
__강화 학습의 개요
__Q 러닝
__DQN
6.2 기본 틀
__환경과 에이전트
__실행 개요
__환경 규칙
6.3 실행 환경의 설치
6.4 Q 러닝과 딥러닝
6.5 실행 사례
부록
A Yolo용 오브젝트의 위치 정보를 만드는 방법
__BBox-Label-Tool 설치
__오브젝트의 위치 정보 만들기
B 주요 예제 소스
__4장에서 사용한 예제 소스
__5장에서 사용한 예제 소스
__6장에서 사용한 예제 소스
Information Provided By: :
