서브메뉴
검색
본문
Powered by NAVER OpenAPI
-
케라스로 구현하는 고급 딥러닝 알고리즘 (딥러닝 기법, 오토인코더, GAN, 변분 오토인코더, 심층강화학습, 정책 경사 기법 적용하기)
저자 : 로웰 아티엔자
출판사 : 위키북스
출판년 : 2019
ISBN : 9791158391713
책소개
GAN, VAE, 심층강화학습(DRL)을 포함한 최근 딥러닝의 발전은 인상적인 AI를 창조하고 있다. 이는 세계 체스 챔피언을 물리친 알파고 제로와 사람이 그린 것처럼 감쪽같아 40만 달러 이상에 팔린 그림을 만들 수 있는, 우리의 새로운 표제 ‘생성적 AI’를 생성한다.
《케라스로 구현하는 고급 딥러닝 알고리즘》은 오늘날 활용할 수 있는 고급 딥러닝 기법을 종합적으로 소개함으로써 각자만의 최첨단 AI를 만들 수 있게 해준다. 이 책에서는 오픈소스 딥러닝 라이브러리로 케라스를 사용해 최신 기법을 적용한 효과적인 AI를 만드는 방법을 다양한 실습 프로젝트를 통해 보여준다.
먼저 이 책에서 다루는 고급 기법의 기본 구성요소가 되는 MLP, CNN, RNN을 살펴본다. 케라스와 텐서플로를 사용해 딥러닝 모델을 구현하는 방법을 배운 뒤 ResNet과 DenseNet을 포함한 심층 신경망 아키텍처를 살펴보고 오토인코더를 생성하는 방법을 알아본다. 아울러 GAN에 대해 알아보고 어떻게 이 모델이 AI 성능의 새로운 지평을 여는지 알아볼 것이다. 다음으로 VAE를 구현하는 방법을 알아보고 GAN과 VAE가 현대 AI의 주요 진전인 인간에게 매우 설득력 있는 데이터를 합성하는 생산 능력을 어떻게 갖추게 되는지 배울 것이다. 마지막으로 현대 AI 분야에서 이룬 핵심 성과인 심층 Q-러닝과 정책 경사 기법 같은 DRL을 구현하는 방법을 배운다.
《케라스로 구현하는 고급 딥러닝 알고리즘》은 오늘날 활용할 수 있는 고급 딥러닝 기법을 종합적으로 소개함으로써 각자만의 최첨단 AI를 만들 수 있게 해준다. 이 책에서는 오픈소스 딥러닝 라이브러리로 케라스를 사용해 최신 기법을 적용한 효과적인 AI를 만드는 방법을 다양한 실습 프로젝트를 통해 보여준다.
먼저 이 책에서 다루는 고급 기법의 기본 구성요소가 되는 MLP, CNN, RNN을 살펴본다. 케라스와 텐서플로를 사용해 딥러닝 모델을 구현하는 방법을 배운 뒤 ResNet과 DenseNet을 포함한 심층 신경망 아키텍처를 살펴보고 오토인코더를 생성하는 방법을 알아본다. 아울러 GAN에 대해 알아보고 어떻게 이 모델이 AI 성능의 새로운 지평을 여는지 알아볼 것이다. 다음으로 VAE를 구현하는 방법을 알아보고 GAN과 VAE가 현대 AI의 주요 진전인 인간에게 매우 설득력 있는 데이터를 합성하는 생산 능력을 어떻게 갖추게 되는지 배울 것이다. 마지막으로 현대 AI 분야에서 이룬 핵심 성과인 심층 Q-러닝과 정책 경사 기법 같은 DRL을 구현하는 방법을 배운다.
[교보문고에서 제공한 정보입니다.]
출판사 서평
GAN, VAE, 심층강화학습(DRL)을 포함한 최근 딥러닝의 발전은 인상적인 AI를 창조하고 있다. 이는 세계 체스 챔피언을 물리친 알파고 제로와 사람이 그린 것처럼 감쪽같아 40만 달러 이상에 팔린 그림을 만들 수 있는, 우리의 새로운 표제 '생성적 AI'를 생성한다.
《케라스로 구현하는 고급 딥러닝 알고리즘》은 오늘날 활용할 수 있는 고급 딥러닝 기법을 종합적으로 소개함으로써 각자만의 최첨단 AI를 만들 수 있게 해준다. 이 책에서는 오픈소스 딥러닝 라이브러리로 케라스를 사용해 최신 기법을 적용한 효과적인 AI를 만드는 방법을 다양한 실습 프로젝트를 통해 보여준다.
먼저 이 책에서 다루는 고급 기법의 기본 구성요소가 되는 MLP, CNN, RNN을 살펴본다. 케라스와 텐서플로를 사용해 딥러닝 모델을 구현하는 방법을 배운 뒤 ResNet과 DenseNet을 포함한 심층 신경망 아키텍처를 살펴보고 오토인코더를 생성하는 방법을 알아본다. 아울러 GAN에 대해 알아보고 어떻게 이 모델이 AI 성능의 새로운 지평을 여는지 알아볼 것이다. 다음으로 VAE를 구현하는 방법을 알아보고 GAN과 VAE가 현대 AI의 주요 진전인 인간에게 매우 설득력 있는 데이터를 합성하는 생산 능력을 어떻게 갖추게 되는지 배울 것이다. 마지막으로 현대 AI 분야에서 이룬 핵심 성과인 심층 Q-러닝과 정책 경사 기법 같은 DRL을 구현하는 방법을 배운다.
★ 이 책에서 다루는 내용 ★
◎ 인간과 비슷한 AI 성능을 내는 최첨단 기법
◎ 케라스를 사용해 고급 딥러닝 모델을 구현하는 방법
◎ 고급 딥러닝 기법의 구성요소 - MLP, CNN, RNN
◎ 심층 신경망 - ResNet, DenseNet
◎ 오토인코더와 변분 오토인코더(VAE)
◎ 생성적 적대 신경망(GAN)과 창의적인 AI 기법
◎ 분해된 표현의 GAN과 교차 도메인 GAN
◎ 심층강화학습 기법과 그 구현
◎ OpenAI Gym을 사용해 산업 표준 애플리케이션을 구성하는 방법
◎ 심층 Q-러닝과 정책 경사 기법
《케라스로 구현하는 고급 딥러닝 알고리즘》은 오늘날 활용할 수 있는 고급 딥러닝 기법을 종합적으로 소개함으로써 각자만의 최첨단 AI를 만들 수 있게 해준다. 이 책에서는 오픈소스 딥러닝 라이브러리로 케라스를 사용해 최신 기법을 적용한 효과적인 AI를 만드는 방법을 다양한 실습 프로젝트를 통해 보여준다.
먼저 이 책에서 다루는 고급 기법의 기본 구성요소가 되는 MLP, CNN, RNN을 살펴본다. 케라스와 텐서플로를 사용해 딥러닝 모델을 구현하는 방법을 배운 뒤 ResNet과 DenseNet을 포함한 심층 신경망 아키텍처를 살펴보고 오토인코더를 생성하는 방법을 알아본다. 아울러 GAN에 대해 알아보고 어떻게 이 모델이 AI 성능의 새로운 지평을 여는지 알아볼 것이다. 다음으로 VAE를 구현하는 방법을 알아보고 GAN과 VAE가 현대 AI의 주요 진전인 인간에게 매우 설득력 있는 데이터를 합성하는 생산 능력을 어떻게 갖추게 되는지 배울 것이다. 마지막으로 현대 AI 분야에서 이룬 핵심 성과인 심층 Q-러닝과 정책 경사 기법 같은 DRL을 구현하는 방법을 배운다.
★ 이 책에서 다루는 내용 ★
◎ 인간과 비슷한 AI 성능을 내는 최첨단 기법
◎ 케라스를 사용해 고급 딥러닝 모델을 구현하는 방법
◎ 고급 딥러닝 기법의 구성요소 - MLP, CNN, RNN
◎ 심층 신경망 - ResNet, DenseNet
◎ 오토인코더와 변분 오토인코더(VAE)
◎ 생성적 적대 신경망(GAN)과 창의적인 AI 기법
◎ 분해된 표현의 GAN과 교차 도메인 GAN
◎ 심층강화학습 기법과 그 구현
◎ OpenAI Gym을 사용해 산업 표준 애플리케이션을 구성하는 방법
◎ 심층 Q-러닝과 정책 경사 기법
[알라딘에서 제공한 정보입니다.]
목차정보
▣ 01장: 케라스를 활용한 고급 딥러닝 소개
왜 케라스가 딥러닝 라이브러리로 완벽한가?
__케라스와 텐서플로 설치하기
핵심 딥러닝 모델 구현하기 - MLP, CNN, RNN
__MLP, CNN, RNN의 차이점
다층 퍼셉트론(MLP)
__MNIST 데이터세트
__MNIST 숫자 분류 모델
__정규화
__출력 활성화 함수와 손실 함수
__최적화
__성능 평가
__모델 요약
합성곱 신경망(CNN)
__합성곱
__풀링 연산
__성능 평가 및 모델 요약
순환 신경망(RNN)
결론
참고 문헌
▣ 02장: 심층 신경망
함수형 API
__입력이 두 개, 출력이 하나인 모델 생성하기
심층 잔차 신경망(ResNet)
ResNet v2
밀집 연결 합성곱 네트워크(DenseNet)
__CIFAR10을 위한 100계층 DenseNet-BC 구성하기
결론
참고 문헌
▣ 03장: 오토인코더
오토인코더의 원리
케라스로 오토인코더 구성하기
잡음 제거 오토인코더(DAE)
자동 채색 오토인코더
결론
참고 문헌
▣ 04장: 생성적 적대 신경망(GAN)
GAN의 개요
GAN 원리
케라스로 구현한 GAN
조건부 GAN
결론
참고문헌
▣ 05장: 개선된 GAN 모델
베셔슈타인 GAN
거리 함수
GAN의 거리 함수
__베셔슈타인 손실 함수 사용하기
__케라스에서 WGAN 구현하기
최소 제곱 GAN(LSGAN)
ACGAN
결론
참고 문헌
▣ 06장: 분해된 표현 GAN
분해된 표현
InfoGAN
케라스에서 InfoGAN 구현
InfoGAN의 생성기 출력
StackedGAN
케라스에서 StackedGAN을 구현하기
StackedGAN의 생성기 출력
결론
참고 문헌
▣ 07장: 교차 도메인 GAN
CycleGAN 원리
CycleGAN 모델
케라스에서 CycleGAN 구현하기
CycleGAN의 생성기 출력
MNIST 및 SVHN 데이터세트에 CycleGAN 적용하기
결론
참고 문헌
▣ 08장: 변분 오토인코더
VAE 원리
__변분 추론
__핵심 방정식
__최적화
__매개변수 조정 기법
__디코더 테스트
__케라스로 VAE 구현하기
__VAE를 위해 CNN 사용하기
조건부 VAE(CVAE)
b-VAE: 분해된 잠재 표현을 사용한 VAE
결론
참고 문헌
▣ 09장: 심층강화학습
강화학습의 원리
__Q 값
__Q-러닝 예제
__파이썬에서의 Q-러닝
__비결정론적 환경
__시간차 학습
__OpenAI gym에서의 Q-러닝
__심층 Q-네트워크(DQN)
__알고리즘 9.6.1 DQN 알고리즘:
__케라스에서의 DQN
__더블 Q-러닝(DDQN)
결론
참고문헌
▣ 10장: 정책 경사 기법
정책 경사 정리
몬테 카를로 정책 경사(REINFORCE) 기법
__기준선을 적용한 REINFORCE
__액터-크리틱 기법
__어드밴티지 액터-크리틱(A2C) 기법
__케라스로 정책 경사 기법 구현하기
__정책 경사 기법의 성능 평가
결론
참고 문헌
왜 케라스가 딥러닝 라이브러리로 완벽한가?
__케라스와 텐서플로 설치하기
핵심 딥러닝 모델 구현하기 - MLP, CNN, RNN
__MLP, CNN, RNN의 차이점
다층 퍼셉트론(MLP)
__MNIST 데이터세트
__MNIST 숫자 분류 모델
__정규화
__출력 활성화 함수와 손실 함수
__최적화
__성능 평가
__모델 요약
합성곱 신경망(CNN)
__합성곱
__풀링 연산
__성능 평가 및 모델 요약
순환 신경망(RNN)
결론
참고 문헌
▣ 02장: 심층 신경망
함수형 API
__입력이 두 개, 출력이 하나인 모델 생성하기
심층 잔차 신경망(ResNet)
ResNet v2
밀집 연결 합성곱 네트워크(DenseNet)
__CIFAR10을 위한 100계층 DenseNet-BC 구성하기
결론
참고 문헌
▣ 03장: 오토인코더
오토인코더의 원리
케라스로 오토인코더 구성하기
잡음 제거 오토인코더(DAE)
자동 채색 오토인코더
결론
참고 문헌
▣ 04장: 생성적 적대 신경망(GAN)
GAN의 개요
GAN 원리
케라스로 구현한 GAN
조건부 GAN
결론
참고문헌
▣ 05장: 개선된 GAN 모델
베셔슈타인 GAN
거리 함수
GAN의 거리 함수
__베셔슈타인 손실 함수 사용하기
__케라스에서 WGAN 구현하기
최소 제곱 GAN(LSGAN)
ACGAN
결론
참고 문헌
▣ 06장: 분해된 표현 GAN
분해된 표현
InfoGAN
케라스에서 InfoGAN 구현
InfoGAN의 생성기 출력
StackedGAN
케라스에서 StackedGAN을 구현하기
StackedGAN의 생성기 출력
결론
참고 문헌
▣ 07장: 교차 도메인 GAN
CycleGAN 원리
CycleGAN 모델
케라스에서 CycleGAN 구현하기
CycleGAN의 생성기 출력
MNIST 및 SVHN 데이터세트에 CycleGAN 적용하기
결론
참고 문헌
▣ 08장: 변분 오토인코더
VAE 원리
__변분 추론
__핵심 방정식
__최적화
__매개변수 조정 기법
__디코더 테스트
__케라스로 VAE 구현하기
__VAE를 위해 CNN 사용하기
조건부 VAE(CVAE)
b-VAE: 분해된 잠재 표현을 사용한 VAE
결론
참고 문헌
▣ 09장: 심층강화학습
강화학습의 원리
__Q 값
__Q-러닝 예제
__파이썬에서의 Q-러닝
__비결정론적 환경
__시간차 학습
__OpenAI gym에서의 Q-러닝
__심층 Q-네트워크(DQN)
__알고리즘 9.6.1 DQN 알고리즘:
__케라스에서의 DQN
__더블 Q-러닝(DDQN)
결론
참고문헌
▣ 10장: 정책 경사 기법
정책 경사 정리
몬테 카를로 정책 경사(REINFORCE) 기법
__기준선을 적용한 REINFORCE
__액터-크리틱 기법
__어드밴티지 액터-크리틱(A2C) 기법
__케라스로 정책 경사 기법 구현하기
__정책 경사 기법의 성능 평가
결론
참고 문헌
[알라딘에서 제공한 정보입니다.]