| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000046143796 | |
| 005 | 20230327093709 | |
| 007 | ta | |
| 008 | 230314s2023 ulka b 001c kor | |
| 020 | ▼a 9791161757247 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000016676346 | |
| 040 | ▼a 223009 ▼c 223009 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h eng |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2023z3 | |
| 100 | 1 | ▼a Ekman, Magnus |
| 245 | 1 0 | ▼a 딥러닝 초보자를 위한 엔비디아 가이드북 : ▼b 엔비디아 현업 아키텍트가 저술한 검증된 딥러닝 입문서 / ▼d 매그너스 에크만 지음 ; ▼e 이판호 옮김 |
| 246 | 1 9 | ▼a Learning deep learning : ▼b theory and practice of neural networks, computer vision, natural language processing, and transformers using TensorFlow |
| 260 | ▼a 서울 : ▼b 에이콘, ▼c 2023 | |
| 300 | ▼a 774 p. : ▼b 삽화 ; ▼c 24 cm | |
| 500 | ▼a 부록: A. 선형 회귀와 선형 분류기, B. 물체 탐지와 세분화, C. word2vec과 GloVe 너머의 단어 임베딩 외 | |
| 504 | ▼a 참고문헌(p. 745-764)과 색인수록 | |
| 630 | 0 0 | ▼a TensorFlow |
| 650 | 0 | ▼a Machine learning |
| 650 | 0 | ▼a Neural networks (Computer science) |
| 650 | 0 | ▼a Computer vision |
| 650 | 0 | ▼a Natural language processing (Computer science) |
| 700 | 1 | ▼a 이판호, ▼e 역 |
| 900 | 1 0 | ▼a 에크만, 매그너스, ▼e 저 |
| 945 | ▼a ITMT |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/Sci-Info(1층서고)/ | 청구기호 006.31 2023z3 | 등록번호 121262705 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
책소개
복잡하지 않게 한 권으로 딥러닝을 배우고 싶은 사람을 위한 딥러닝 입문서다. 엔비디아 딥러닝 연구소(NVIDIA Deep Learning Institute)의 딥러닝 가이드북을 번역한 이 책은 수식의 사용을 최대한 줄이면서, 딥러닝의 핵심 개념을 자세하게 설명하고 있어 딥러닝 입문자에게 적합하다. 또한 풍부하고 잘 짜인 파이썬 예제 코드는 학습의 폭을 넓히는 데 큰 도움이 될 것이다.
◈ 이 책에서 다루는 내용 ◈
◆ 퍼셉트론, 기울기 기반 학습, 시그모이드 뉴런, 역전파 같은 핵심 개념을 탐색하고 마스터한다.
◆ DL 프레임워크가 어떻게 더욱 복잡하고 유용한 신경망의 개발을 쉽게 만들어주는지 알아본다.
◆ 합성곱 신경망(CNN)이 이미지 분류 및 분석에 가져온 혁명을 탐색해본다.
◆ 순환신경망(RNN)과 장단기 메모리(LSTM)를 텍스트 및 다른 가변 길이 시퀀스에 적용해본다.
◆ 시퀀스 투 시퀀스 및 트랜스포머 아키텍처로 NLP을 마스터한다.
◆ 자연어 번역 및 이미지 캡셔닝을 위한 애플리케이션을 구축한다.
◈ 이 책의 구성 ◈
1장, '로젠블랫 퍼셉트론'에서는 신경망의 기본 토대인 퍼셉트론을 소개한다.
2장, '기울기 기반 학습'에서는 경사 하강(gradient descent)이라 알려진 최적화 알고리듬 및 퍼셉트론 학습 알고리듬 이면의 이론을 설명한다.
3장, '시그모이드 뉴런과 역전파'에서는 DNN에서의 자동학습에 쓰이는 역전파 알고리듬을 수학적 용어 그리고 이진 분류를 위해 쓰인 프로그래밍 예제 모두를 통해 설명한다.
4장, '다중클래스 분류에 적용된 완전 연결 네트워크'에서는 데이터셋의 개념과 이들이 어떻게 훈련 집합과 테스트 집합으로 나뉘는지 설명한다.
5장, 'DL을 향해: 프레임워크 및 네트워크 미조정'에서는 이전 장의 예제를 DL 프레임워크로 구현한다. 이 프레임워크가 코드를 어떻게 엄청나게 단순화하는지 그리고 네트워크의 여러 변형을 모델링하게 해주는지 보여준다.
6장, '회귀에 적용된 완전 연결 네트워크'에서는 이전 장에서 공부한 분류 문제 대신 수치를 예측하는 데 네트워크를 사용하는 방법을 공부한다.
7장, '이미지 분류에 적용된 합성곱 신경망'에서는 합성곱 신경망 혹은 그냥 합성곱 네트워크라 불리는, 2012년에 DL 붐을 시작시킨 네트워크의 한 가지 형태를 배운다.
8장, '더 깊은 CNN 및 사전 훈련된 모델'에서는 GoogLeNet, VGG, ResNet과 같은 더 깊은 CNN을 설명한다. 프로그래밍 예제로 사전 훈련된 ResNet 구현을 다운로드하고 이미지를 분류하는 방법을 배운다.
9장, '순환신경망으로 시간 시퀀스 예측하기'에서는 이전 장에서 설명한 네트워크의 한계와 관렪된 과제를 다루는 데 적합한 순환신경망(RNN, Recurrent Neural Network) 아키텍처를 설명한다.
10장, '장단기 메모리'에서는 RNN이 장기 의존성을 학습하지 못하게 하는 문제를 논의한다. 긴 시퀀스를 더 잘 다루게 해주는 장단기 메모리(LSTM, Long Short-Term Memory) 기법을 설명한다.
11장, 'LSTM과 빔 검색으로 하는 텍스트 자동완성'에서는 장기 예측을 위한 LSTM 기반 RNN을 사용하는 방법을 살펴보고, 빔 검색(Beam Search)이라 알려진 개념을 소개한다.
12장, '신경 언어 모델과 단어 임베딩'에서는 이전 장의 예제는 단어 대신 개별 글자에 기반하는데, 많은 경우 단어 및 그 의미를 가지고 작업하는 것이 개별 글자로 작업하는 것보다 더욱 강력하다. 12장은 개념 언어 모델과 벡터 공간(임베딩 공간(embedding space)이라고도 함)에서의 단어 임베딩에 대해 소개한다.
13장, 'word2vec과 GloVe로부터의 단어 임베딩'에서는 단어 임베딩을 만들기 위한 두 가지 인기 있는 기법을 논의한다.
14장, '시퀀스 투 시퀀스 네트워크와 자연어 번역'에서는 두 순환신경망의 조합인 시퀀스 투 시퀀스 네트워크(sequence-to-sequence network)라 알려진 네트워크를 소개한다.
15장, '어텐션과 트랜스포머'에서는 인코더-디코더 아키텍처의 정확도를 개선할 수 있는 어텐션attention이라 부르는 기법을 설명한다.
16장, '이미지 캡셔닝을 위한 일대다 네트워크'에서는 어떻게 일대다 네트워크를 사용해 이미지의 텍스트 설명을 만들고 이러한 네트워크를 어텐션으로 확장하는지 설명한다.
17장, '추가적인 주제 메들리'에서는 지금까지 주제가 서로에 기반하여 만들어지도록 구조화했다. 17장에서는 이전 장에 포함시킬 좋은 방법을 찾지 못했던 몇 가지 주제를 소개한다. 이러한 주제의 예제로는 오토인코더, 멀티모달 학습, 멀티태스크 학습, 신경 아키텍처 검색 등이다.
18장, '정리 및 다음 단계'에서는 마지막 18장에서는 이전 장에서 논의한 주제를 정리하고 요약해 여러분이 이 책에서 설명한 핵심 개념을 잘 이해하고 있는지 확인할 수 있는 기회를 제공한다.
부록 A, '선형 회귀와 선형 분류기'에서는 매우 기본적인 ML 주제를 설명하여 여러분이 제시된 몇몇 DL 개념이 어떻게 더욱 전통적인 ML 기법에 연관되어 있는지 알 수 있게 한다. 부록 A는 논리적으로 3장 다음이다.
부록 B, '물체 탐지와 세분화'에서는 한 이미지 내의 여러 물체를 탐지하고 분류하는 기법을 설명한다. 부록 B는 논리적으로 8장 다음이다.
부록 C, 'word2vec 과GloVe 너머의 단어 임베딩'에서는 단어 임베딩을 위한 더욱 정교한 기법을 설명한다. 부록 C는 논리적으로 13장 다음이다.
부록 D, 'GPT, BERT, RoBERTa'에서는 트랜스포머로부터 만들어지는 아키텍처를 설명한다. 이 네트워크 아키텍처는 많은 NLP 과제를 상당히 개선했다. 부록 D는 논리적으로 15장 다음이다.
부록 E, '뉴턴-랩슨 대 경사 하강'에서는 2장에서는 경사 하강이라 부르는 수학적 개념의 기법을 소개하는데, 부록 E는 뉴턴-랩슨(Newton-Raphson)이라 알려진 다른 방법 및 이것이 경사 하강과 어떻게 연관이 있는지 설명한다.
부록 F, '숫자 분류 네트워크의 행렬 구현'에서는 4장에는 파이썬 코드로 신경망을 구현하는 프로그래밍 예제가 포함되는데, 부록 F는 그 프로그래밍 예제의 최적화된 변형 두 가지를 설명한다.
부록 G, '합성곱 층을 수학적 합성곱과 연관시키기'에서는 7장에서는 합성곱 신경망을 설명하는데, 이들은 합성곱(convolution)이라 알려진 수학적 연산에 근거하며 이로부터 이름을 얻었다. 부록 G는 이와 같은 연결을 더 자세히 설명한다.
부록 H, '게이트 순환 유닛'에서는 10장에서는 장단기 메모리(LSTM)라 알려진 네트워크를 설명하는데, 부록 H에서 이 유닛의 더 단순한 버전인 게이트 순환 유닛(GRU, Gated Recurrent Unit)을 설명한다.
부록 I, '개발 환경 설정'에서는 개발 환경을 설정하는 방법에 대한 정보와 함께, 딥러닝 프레임워크를 설치하는 방법과 코드 예제를 어디에서 찾을 수 있는지도 알아본다. 또한 이 책의 코드 예제에 쓰인 두 가지 DL 프레임워크인 텐서플로와 파이토치의 주요 차이점을 간단하게 설명한다.
부록 J, '치트 시트'에서는 이 책에 실린 상당 부분의 내용을 요약하는 치트 시트 세트를 포함하고 있다.
◈ 추천의 글 ◈
인공지능(AI, Artifical Intelligence)은 지난 10년간 인상적인 진전을 이뤘다. 우리처럼 생각하고 행동할 수 있는 지적 기계를 만들고자 하는 인간의 꿈이 마침내 시작되는 것 같다. 모두가 이러한 역사적인 혁명에 참여할 수 있으려면 AI 지식과 자원의 민주화가 필요하다. 이 책은 이러한 담대한 목표를 달성하는 데 있어 시의적절하며 유의미하다.
이 책은 야망 있으며 경험을 가진 AI 개발자 모두에게 폭넓은 교육적 가이드를 제공한다. 저자인 매그너스는 AI 분야에서 확고한 리더인 NVIDIA로부터 얻은 풍부한 경험을 공유해준다. 지난 수년간 딥러닝에서의 비약적인 발전을 다루는 데 집중하고 있는 이 책은 좋은 균형을 유지하며 역전파와 같은 중요한 근본적인 내용 몇몇 도메인에서의 최신 모델(예를 들면 언어 이해를 위한 GPT, 이미지 이해를 위한 Mask R-CNN) 모두를 다룬다.
AI는 데이터, 알고리듬, 연산 인프라의 삼위일체다. ImageNet 대회가 시작되며 커다란 신경망을 훈련하기 위한 대규모 벤치마크 데이터셋을 제공했다. NVIDIA GPU의 병렬화는 이러한 커다란 신경망의 훈련을 가능케 했다. 대규모 모델의 구축과 유지는 곧 모든 AI 엔지니어의 필수적인 기술로 간주될 것이다. 이 책은 여러 도메인에서의 대규모 모델을 깊게 다루고 있으며 또한 신경 아키텍처 검색과 같은 떠오르는 분야를 다룬다. 우리가 이 분야에서 현재의 AI 모델로부터 될 수 있는 한 최대의 정확도와 하드웨어 효율성을 끌어내기 시작했으므로, 이들은 더욱 널리 보급될 것이다. 딥러닝 혁명은 거의 전적으로 오픈소스로부터 발생돼 왔다. 이 책은 코드와 데이터셋을 편리하게 접근하도록 해주며 코드 예제를 세밀하게 진행한다. 딥러닝을 위한 가장 인기 있는 프레임워크인 텐서플로(TensorFlow)와 파이토치(PyTorch) 모두를 위한 폭넓은 프로그램 코드가 준비되어 있다.
AI를 다루는 어떤 책이든지 윤리적 문제를 논의하지 않을 수 없을 것이다. 나는 AI를 개발하는 데 있어 사회적 영향을 냉정하게 생각해보는 것이 모든 AI 엔지니어의 책임이라 믿는다. 소셜미디어에서의 괴롭힘, 혐오 발언, 잘못된 정보의 확산은 잘못 디자인된 알고리듬이 어떻게 우리 사회에 커다란 혼란을 초래하는지 보여준다. 젠더 쉐이드(Gender Shades) 프로젝트와 확률적 앵무새(Stochastic Parrots) 같은 획기적인 연구는 상업적으로 대규모로 배포된 AI 모델에서 문제가 되는 편향성을 보여준다. 나는 적절한 가이드라인과 테스트가 자리잡을 때까지는 민감한 상황에서의 AI 사용을 금지해야 한다고 주장해왔다(예: 법 집행을 위한 AI 기반의 안면 인식 사용). 나는 이 책이 AI 모델 훈련과 유지에 있어 책임성과 투명성을 개선하는 모델 카드와 같은 상당한 발전 내용을 다룬다는 점을 기쁘게 생각한다. AI 커뮤니티의 밝고 폭넓은 미래를 기대한다.
정보제공 :
저자소개
매그너스 에크만(지은이)
엔비디아의 아키텍처 디렉터다. 컴퓨터 엔지니어링 학위를 가졌으며 다수의 특허를 보유하고 있다. 1990년대 후반에 모국인 스웨덴에서 인공 신경망으로 처음 알려졌다. 이후 몇몇 혁명적인 연산 분야에 손을 댄 뒤, 컴퓨터 아키텍처에 집중하며 아내 제니퍼, 아이들 세바스찬과 소피아, 애견 바벳과 함께 실리콘밸리로 이주했다. 이전에는 썬 마이크로시스템즈와 삼성 리서치 아메리카의 프로세서 디자인 및 R&D에서 일했으며, 두 회사를 시작하는 데 관여했고 그중 하나인 스카우트(Skout)는 더밋그룹(The Meet Group,Inc)이 인수했다. 현재는 엔비디아에서 자율주행차부터 인공지능을 위한 데이터 센터에 이르기까지의 시장을 겨냥하는 칩의 CPU 성능과 전력 효율성을 연구하는 엔지니어링 팀을 이끌고 있다. 엔비디아의 GPU 기술과 CUDA에 힘입어 과거 수년간 딥러닝 분야가 폭발적으로 커짐에 따라, 그는 컴퓨터 그래픽스를 넘어 확장하면서 DL 파워하우스가 되고 있는 회사의 가운데에 있는 자신을 발견했다. 이러한 여정의 일부로, 이 분야에서 가장 최근의 발전을 통해 자신을 최신의 상태로 유지하고자 노력했다. 에크만은 스스로를 교육자라고 생각하고 있으며, 이 책을 집필하면서 AI에 대한 실제적인 훈련, 가속화된 연산 및 가속화된 데이터 과학을 제공하는 엔비디아 딥러닝 연구소(DLI, Deep Learning Institute)와 협력했다. 또한 이 책을 자기 진도 온라인 과정의 기존 포트폴리오인 라이브 강사 주도 워크숍, 교육자 프로그램, 교습 도구에 추가하고자 하는 DLI의 계획에 매우 기뻐하고 있다.
이판호(옮긴이)
성균관대학교 통계학과를 졸업했으며, 한국과 싱가포르에서 주로 금융 관련 분석 및 개발 업무에 종사했다. 머신러닝의 이론적 이해 및 금융 데이터로의 응용에 관심이 많다. 에이콘출판사에서 펴낸 『스칼라와 머신러닝』(2018), 『통계학으로 배우는 머신러닝』(2021) 등을 번역했다.
목차
1장. 로젠블랫 퍼셉트론 2입력 퍼셉트론 예제 퍼셉트론 학습 알고리듬 퍼셉트론의 한계 여러 퍼셉트론 조합하기 선형대수로 퍼셉트론 구현하기 __벡터 표기법 __내적 __벡터를 2차원 행렬로 확장하기 __행렬-벡터 곱 __행렬-행렬 곱 __퍼셉트론을 위해 사용한 벡터와 행렬 연산의 요약 __행렬곱으로서의 내적 __다차원 텐서로 확장하기 퍼셉트론의 기하학적 해석 편향 항 이해하기 퍼셉트론 맺음말 2장. 기울기 기반 학습 퍼셉트론 학습 알고리듬의 직관적인 설명 미분 그리고 최적화 문제 경사 하강으로 학습 문제 풀기 __다차원 함수를 위한 경사 하강 네트워크에서의 상수와 변수 퍼셉트론 학습 알고리듬의 분석적인 설명 퍼셉트론 학습 알고리듬의 기하학적 설명 각기 다른 형태의 퍼셉트론 도표 다시 보기 패턴 식별에 퍼셉트론 사용하기 기울기 기반 학습의 맺음말 3장. 시그모이드 뉴런과 역전파 다수준 네트워크에서 경사 하강이 가능하도록 수정된 뉴런 어떠한 활성 함수를 사용해야 하는가 함수 합성과 연쇄법칙 역전파를 사용해 기울기 계산하기 __포워드 패스 __백워드 패스 __가중치 조정 층마다 복수의 뉴런이 있는 역전파 프로그래밍 예제: XOR 함수 학습하기 네트워크 아키텍처 역전파의 맺음말 4장. 다중클래스 분류에 적용된 완전 연결 네트워크 네트워크를 훈련시킬 때 쓰이는 데이터셋 소개 __데이터셋 살펴보기 __데이터에서 인간의 편향 __훈련 집합, 테스트 집합, 그리고 일반화 __초매개변수 튜닝과 테스트 집합 정보 유출 훈련과 추론 네트워크와 학습 알고리듬을 확장해 다중클래스 분류하기 숫자 분류를 위한 네트워크 다중클래스 분류를 위한 오차 함수 프로그래밍 예제: 손글씨 숫자 분류하기 미니배치 경사 하강 다중클래스 분류의 맺음말 5장. DL을 향해: 프레임워크 및 네트워크 미조정 프로그래밍 예제: DL 프레임워크로 이동하기 포화 뉴런과 기울기 소실 문제 포화 뉴런을 피하기 위한 초기화 및 정규화 기법 __가중치 초기화 __입력 표준화 __배치 정규화 포화 출력 뉴런의 영향을 완화하는 교차 엔트로피 손실 함수 __교차 엔트로피 손실 함수의 컴퓨터 구현 은닉 층에서 기울기 소실을 피하는 다른 활성 함수 학습을 개선하기 위한 경사 하강의 변형 실험: 네트워크 및 학습 매개변수 미조정 초매개변수 튜닝과 교차 검증 __검증 집합을 사용해 과적합 피하기 __훈련 데이터 사용을 개선하는 교차 검증 딥러닝을 향한 경로에 대한 맺음말 6장. 회귀에 적용된 완전 연결 네트워크 출력 유닛 __이진 분류를 위한 로지스틱 유닛 __다중클래스 분류를 위한 소프트맥스 유닛 __회귀를 위한 선형 유닛 보스턴 주택 데이터셋 프로그래밍 예제: DNN으로 주택 가격 예측하기 정칙화로 일반화 개선하기 실험: 주택 가격 예측을 위한 더 깊은 그리고 정칙화된 모델 출력 유닛과 회귀 문제의 맺음말 7장. 이미지 분류에 적용된 합성곱 신경망 CIFAR-10 데이터셋 합성곱 층의 특징과 기본 토대 특성 맵을 합성곱 층에 조합하기 합성곱 및 완전 연결 층을 네트워크로 조합하기 희소 연결과 가중치 공유의 효과 프로그래밍 예제: 합성곱 네트워크로 이미지 분류하기 합성곱 네트워크의 맺음말 8장. 더 깊은 CNN 및 사전 훈련된 모델 VGGNet GoogLeNet ResNet 프로그래밍 예제: 사전 훈련된 ResNet 구현 사용하기 전이 학습 CNN을 위한 역전파 및 풀링 정칙화 기법으로서의 데이터 증대 CNN이 저지르는 실수 깊이별 분리 가능 합성곱으로 매개변수 줄이기 EfficientNet으로 올바른 네트워크 디자인 균형 맞추기 더 깊은 CNN의 맺음말 9장. 순환신경망으로 시간 시퀀스 예측하기 피드포워드 네트워크의 한계 순환신경망 순환 층의 수학적 표현 층을 RNN에 조합하기 RNN을 보는 다른 시각 및 시간 전개 시간에 따른 역전파 프로그래밍 예제: 서적 매출 전망하기 __데이터 표준화 및 훈련 예제 만들기 __단순한 RNN 만들기 __순환이 없는 네트워크와 비교 __예제를 다중 입력 변수로 확장하기 RNN에서 데이터셋 고려사항 RNN의 맺음말 10장. 장단기 메모리 기울기를 건강하게 유지하기 LSTM 소개 __LSTM 활성 함수 __LSTM 셀의 네트워크 만들기 LSTM을 보는 다른 시각 관련 주제: 하이웨이 네트워크와 스킵 연결 LSTM의 맺음말 11장. LSTM과 빔 검색으로 하는 텍스트 자동완성 텍스트 인코딩 장기 예측과 자기회귀 모델 빔 검색 프로그래밍 예제: 텍스트 자동완성을 위해 LSTM 사용하기 양방향 RNN 입력 및 출력 시퀀스의 다른 조합 LSTM으로 하는 텍스트 자동완성의 맺음말 12장. 신경 언어 모델과 단어 임베딩 언어 모델 소개 및 사용 사례 다른 언어 모델의 예시 __n그램 모델 __스킵 그램 모델 __신경 언어 모델 단어 임베딩의 이점 및 동작 방식에 대한 인사이트 신경 언어 모델이 만든 단어 임베딩 프로그래밍 예제: 신경 언어 모델과 결과 임베딩 King - Man + Woman! = Queen King - Man + Woman ! = Queen 언어 모델, 단어 임베딩, 인간 편향 관련 주제: 텍스트의 감정 분석 __단어주머니와 n그램 주머니 __유사도 지표 __BoW와 DL 조합하기 언어 모델과 단어 임베딩의 맺음말 13장. word2vec과 GloVe로부터의 단어 임베딩 언어 모델 없이 word2vec을 사용해 단어 임베딩 만들기 __언어 모델과 비교해 연산 복잡도 줄이기 __연속 단어주머니 모델 __연속 스킵 그램 모델 __계산 복잡도를 더욱 낮추기 위한 최적 연속 스킵 그램 모델 word2vec에 대한 추가적인 생각들 행렬 형식에서의 word2vec word2vec 일단락 프로그래밍 예제: GloVe 임베딩의 속성 살펴보기 word2vec과 GloVe의 맺음말 14장. 시퀀스 투 시퀀스 네트워크와 자연어 번역 시퀀스 투 시퀀스 학습을 위한 인코더-디코더 모델 케라스 펑셔널 API 소개 프로그래밍 예제: 신경 머신 번역 실험 결과 중간 표현의 속성 언어 번역의 맺음말 15장. 어텐션과 트랜스포머 어텐션 배후의 근거 시퀀스 투 시퀀스 네트워크에서의 어텐션 __정렬 벡터 계산하기 __정렬 벡터의 수학적 표기 및 변형 __더 깊은 네트워크에서의 어텐션 __추가적인 고려사항 순환 네트워크의 대안 셀프 어텐션 멀티헤드 어텐션 트랜스포머 트랜스포머의 맺음말 16장. 이미지 캡셔닝을 위한 일대다 네트워크 이미지 캡셔닝 네트워크를 어텐션으로 확장하기 프로그래밍 예제: 어텐션 기반 이미지 캡셔닝 이미지 캡셔닝의 맺음말 17장. 추가적인 주제 메들리 오토인코더 __오토인코더의 사용 사례 __오토인코더의 다른 면들 __프로그래밍 예제: 이상치 탐지를 위한 오토인코더 멀티모달 학습 __멀티모달 학습의 분류 체계 __프로그래밍 예제: 멀티모달 입력 데이터로 분류하기 멀티태스크 학습 __멀티태스크 학습을 구현하는 이유 __멀티태스크 학습을 구현하는 방법 __다른 측면 그리고 기본적인 구현의 변형 __프로그래밍 예제: 단일 네트워크로 하는 멀티클래스 분류 및 질문 답변 네트워크 튜닝 과정 __더 많은 훈련 데이터를 모아야 하는 시기 신경 아키텍처 검색 __신경 아키텍처 검색의 주요 구성요소 __프로그래밍 예제: CIFAR-10 분류를 위한 아키텍처 검색 __신경 아키텍처 검색의 의의 맺음말 18장. 정리 및 다음 단계 여러분이 이제 알아야 할 것들 윤리적 AI 그리고 데이터 윤리 __찾아볼 문제 __질문 체크리스트 여러분이 아직 모르는 것들 __강화 학습 __변형 오토인코더 및 생성적 적대 네트워크 __뉴럴 스타일 트랜스퍼 __추천 시스템 __구어를 위한 모델 다음 단계 부록 부록 A. 선형 회귀와 선형 분류기 부록 B. 물체 탐지와 세분화 부록 C. word2vec과 GloVe 너머의 단어 임베딩 부록 D. GPT, BERT, RoBERTa 부록 E. 뉴턴-랩슨 대 경사 하강 부록 F. 숫자 분류 네트워크의 행렬 구현 부록 G. 합성곱 층을 수학적 합성곱과 연관시키기 부록 H. 게이트 순환 유닛 부록 I. 개발 환경 설정 부록 J. 치트 시트
