홈앤서비스 SK BROADBAND

딥러닝(Deep Learning)은 인공지능 분야에서 가장 빠르게 발전하고 있는 분야 중 하나이다. 딥러닝은 이미지, 음성 및 자연어 처리 분야에서 방대한 양의 데이터를 처리하고, 뛰어난 성능을 낼 수 있는 장점을 지니고 있다. 그간 이미지 인식 등과 같은 전통적인 컴퓨터 비전 응용에 딥러닝이 괄목할 만한 성과를 보였다. 최근에는 새로운 이미지, 음악, 텍스트 등을 생성하는 딥러닝 기반 생성 AI도 눈부시게 발전하여 이미 다양한 분야에서 이용되고 있다.

이런 역동적인 상황에 발맞춰가려면 무엇보다도 기본이 탄탄해야 한다. 이를 위해서는 신경망과 CNN, LSTM 등과 같은 기본적인 기술요소에 대한 이론과 구조를 충실히 이해하는 것이 필요하다. 하지만, 입문자를 위한 교재보다는 기초 이론을 배제한 난이도가 높거나 실무구현에 초점을 둔 서적이 대부분이다. 이런 공백을 메워보고자 그간의 학부 딥러닝 입문 과목에서 다뤘던 내용을 정리해서 책을 집필하였다.

1. 신경망 기초3
1.1 뉴런 모델5
1.2 활성화 함수15
1.3 신경망의 구조 및 동작23
1.4 퍼셉트론28

2. FNN39
2.1 FNN의 구조 이해 41
2.2 가중치 표현 43
2.3 FNN의 계층 유형48
2.4 FNN의 순방향 처리 55
2.5 배치 처리 63
2.6 FNN 구현70

3. 기울기 강하 학습 83
3.1 에러 정정 학습 개념85
3.2 에러 기울기 강하 학습 메커니즘87
3.3 통계적 델타 규칙93
3.4 델타 규칙94
3.5 기울기 강하 기법의 파이썬 구현97

4. 역전파 학습101
4.1 용어 소개 103
4.2 역전파 알고리즘의 기본 원리 106
4.3 합성함수의 미분 109
4.4 손실함수 111
4.5 노드의 에러기울기 121
4.6 가중치 에러기울기128
4.7 역전파 학습 알고리즘 137
4.8 역전파 관련 함수의 미분142

5. RNN 149
5.1 순차데이터의 이해 151
5.2 RNN의 구조 및 동작 개념 154
5.3 대표적 RNN 소개 159
5.4 BPTT 알고리즘 165

6. CNN 183
6.1 합성곱 및 교차상관의 수학적 정의185
6.2 합성곱 계층189
6.3 풀링 계층199
6.4 CNN의 구조 이해202

7. CNN의 학습 및 구현211
7.1 합성곱 계층의 신경망 표현 및 추론213
7.2 합성곱 계층의 추론 구현219
7.3 합성곱 계층의 역전파 학습228
7.4 풀링 계층의 신경망 표현 및 학습239

8. LSTM과 GRU247
8.1 일반 RNN의 문제점249
8.2 LSTM254
8.3 GRU263