핵심 딥러닝 입문: RNN, LSTM, GRU, VAE, GAN 구현 : 북윈도

이전상품 [출간예정] 마이크로서비스 도입, 이렇게 한다 다음 상품 구글 빅쿼리 완벽 가이드 확대보기

리뷰 0 위시 120

핵심 딥러닝 입문: RNN, LSTM, GRU, VAE, GAN 구현 요약정보 및 구매

최신 딥러닝 기술만 골라 배우는

상품 선택옵션 0 개, 추가옵션 0 개

출판사	책만
저자	아즈마 유키나가
ISBN	9791189909246 (1189909243)
정가	28,000원
판매가	25,200원(10% 할인)
배송비	무료배송

00포인트

포인트 정책 설명문 출력

선택된 옵션

수량

수량

관심상품

상품 기본설명

최신 딥러닝 기술만 골라 배우는

상품 상세설명

딥러닝의 기초 지식, 수학, 파이썬부터 실전 프로그래밍 구현까지, RNN, LSTM, GRU, VAE, GAN을 망라하는 최신 딥러닝 모델 마스터!

현 시점에서 개발자가 꼭 알아야 할 최신 딥러닝 기술들만을 골라 수식과 코드를 번갈아가며 매우 이해하기 쉽게 알려준다. 간결하고 이해하기 쉬운 예제 코드들을 하나 하나 따라 해가다 최종적으로 실전에서도 활용할 수 있는 완결된 딥러닝 코드를 완성해본다. 이 책에서는 파이썬과 기초 수학부터 시작해서, RNN(순환 신경망)과 LSTM, GRU, VAE(변이형 오토인코더), GAN(생성적 적대 신경망)까지, 최신 딥러닝의 필수 모델과 원리, 내부 동작을 빠짐없이 자세하게 설명한다. 파이썬 프로그래밍을 직접 코딩하면서 차근차근 순서대로 공부해 나가다 보면 딥러닝의 기초를 완벽하게 습득할 수 있다. | 이 책에서 다루는 내용 | ■ 실전에 응용할 수 있는 최신 딥러닝 기술 RNN, LSTM, GRU, VAE, GAN 포함 ■ 딥러닝 프레임워크를 사용하지 않고 딥러닝의 알고리즘을 파이썬 프로그래밍 코드로 구현 ■ 파이썬과 수치연산 라이브러리 넘파이(NumPy)를 이용한 프로그래밍 기초 지식 ■ 딥러닝의 근본적인 원리를 이해하는 데 필요한 핵심 수학 이론과 수식 코딩 방법 ■ 독자들이 직접 응용해 수준 높은 코드로 발전시킬 수 있는 완전한 파이썬 코드 제공 | 이 책의 독자 대상 | ■ 최신 딥러닝 기술에 대해 기초부터 차근차근 공부하고 싶은 딥러닝 입문자 ■ 딥러닝 알고리즘을 수식으로 이해하고 프로그래밍 코드로 구현해보고 싶은 개발자 ■ 최신 딥러닝 알고리즘 코드를 작성해 업무나 현장에서 바로 적용해보고 싶은 개발자 ■ 이 모든 과정을 한 권의 책으로 해결하고 싶은 사람

[1장] 딥러닝의 발전
1.1 딥러닝 개요
__1.1.1 AI와 머신러닝
__1.1.2 딥러닝
1.2 딥러닝 응용 분야
__1.2.1 이미지 인식
__1.2.2 이미지 생성
__1.2.3 이상 탐지
__1.2.4 자연어 처리
__1.2.5 강화학습
__1.2.6 기타 분야에서의 응용 사례
1.3 이 책에서 다루는 딥러닝 기술
__1.3.1 RNN
__1.3.2 생성 모델

[2장] 학습 준비
2.1 아나콘다 개발 환경 구축
__2.1.1 아나콘다 다운로드
__2.1.2 아나콘다 설치
__2.1.3 주피터 노트북 실행
__2.1.4 주피터 노트북 사용
__2.1.5 노트북 종료
2.2 구글 코랩 사용
__2.2.1 구글 코랩 준비
__2.2.2 코랩 노트북 사용
__2.2.3 GPU 사용
__2.2.4 파일 사용
2.3 파이썬 기초
__2.3.1 변수와 변수형
__2.3.2 연산자
__2.3.3 리스트
__2.3.4 튜플
__2.3.5 딕셔너리
__2.3.6 if문
__2.3.7 for문
__2.3.8 함수
__2.3.9 변수의 범위
__2.3.10 클래스
2.4 넘파이와 맷플롯립
__2.4.1 모듈 임포트
__2.4.2 넘파이 배열
__2.4.3 배열을 생성하는 다양한 함수
__2.4.4 reshape를 이용한 형태 변환
__2.4.5 배열 연산
__2.4.6 원소 값에 접근
__2.4.7 그래프 그리기
__2.4.8 이미지 생성
2.5 수학 기초
__2.5.1 벡터
__2.5.2 행렬
__2.5.3 각 원소 간의 곱셈
__2.5.4 행렬 곱
__2.5.5 행렬 전치
__2.5.6 미분
__2.5.7 연쇄 법칙
__2.5.8 편미분
__2.5.9 연쇄 법칙의 확장
__2.5.10 정규분포

[3장] 딥러닝 기초
3.1 딥러닝 개요
__3.1.1 딥러닝이란?
__3.1.2 층의 방향과 층의 개수
__3.1.3 경사 하강법
__3.1.4 에포크와 배치
3.2 전결합층 순전파
__3.2.1 순전파의 수식
__3.2.2 순전파를 행렬로 표현
__3.2.3 순전파를 코드로 구현
3.3 전결합층 역전파
__3.3.1 역전파 수식
__3.3.2 역전파를 행렬로 표현
__3.3.3 역전파를 코드로 구현
3.4 전결합층 구현
__3.4.1 공통 클래스 구현
__3.4.2 은닉층 구현
__3.4.3 출력층 구현
3.5 단순한 딥러닝 구현
__3.5.1 손글씨 숫자 이미지 데이터 확인
__3.5.2 데이터 전처리
__3.5.3 순전파와 역전파
__3.5.4 미니 배치 구현
3.6 손글씨 숫자 이미지 인식의 전체 코드

[4장] RNN
4.1 RNN 개요
4.2 RNN층의 순전파
__4.2.1 순전파 개요
__4.2.2 순전파 수식
__4.2.3 순전파를 코드로 구현
4.3 RNN층의 역전파
__4.3.1 역전파 수식
__4.3.2 역전파를 행렬로 표현
__4.3.3 역전파를 코드로 구현
4.4 RNN층 구현
__4.4.1 RNN층 클래스
4.5 간단한 구조의 RNN 구현
__4.5.1 훈련 데이터 생성
__4.5.2 데이터 전처리
4.5.3 훈련
__4.5.4 예측
__4.5.5 곡선 생성
__4.5.6 sin 곡선 예측에 대한 전체 코드
4.6 2진수 덧셈 학습
__4.6.1 2진수 덧셈
__4.6.2 2진수 준비
__4.6.3 출력층
__4.6.4 훈련
__4.6.5 2진수 계산에 대한 전체 코드
4.7 RNN의 단점

[5장] LSTM
5.1 LSTM 개요
__5.1.1 LSTM 개요
__5.1.2 기억 셀
__5.1.3 망각 게이트 주변
__5.1.4 입력 게이트와 새로운 기억
__5.1.5 출력 게이트
5.2 LSTM층의 순전파
__5.2.1 LSTM층의 순전파
__5.2.2 순전파 코드 구현
5.3 LSTM층의 역전파
__5.3.1 역전파 수식
__5.3.2 망각 게이트
__5.3.3 입력 게이트
__5.3.4 새로운 기억
__5.3.5 출력 게이트
__5.3.6 행렬로 표현
__5.3.7 역전파 코드 구현
5.4 LSTM층 구현
__5.4.1 LSTM층 클래스
5.5 간단한 LSTM 구현
__5.5.1 LSTM 훈련
__5.5.2 sin 곡선 예측에 대한 전체 코드
5.6 LSTM을 이용한 문장 자동 생성
__5.6.1 텍스트 데이터 읽어들이기
__5.6.2 문자와 인덱스 관련
__5.6.3 문자 벡터화
__5.6.4 출력 결과의 의미
__5.6.5 텍스트 생성용 함수
__5.6.6 기울기 클리핑
__5.6.7 문장 생성에 대한 전체 코드
__5.6.8 결과 확인

[6장] GRU
6.1 GRU 소개
__6.1.1 GRU
__6.1.2 리셋 게이트
__6.1.3 새로운 기억
__6.1.4 업데이트 게이트
6.2 GRU층의 순전파
__6.2.1 GRU의 순전파
__6.2.2 순전파를 코드로 구현
6.3 GRU층의 역전파
__6.3.1 새로운 기억
__6.3.2 업데이트 게이트
__6.3.3 리셋 게이트
__6.3.4 입력의 기울기
__6.3.5 이전 시점 출력의 기울기
__6.3.6 GRU의 각 기울기를 행렬로 나타내기
__6.3.7 GRU의 역전파를 코드로 구현하기
6.4 GRU층 구현
__6.4.1 GRU층의 클래스
6.5 GRU 구현
__6.5.1 GRU 구현의 전체 코드
6.6 RNN을 이용한 이미지 생성
__6.6.1 이미지를 시계열 데이터로 간주하기
__6.6.2 훈련 데이터 준비하기
__6.6.3 이미지 생성
__
6.7 Seq2Seq

[7장] VAE
7.1 VAE 소개
__7.1.1 오토인코더
__7.1.2 VAE
7.2 VAE의 구조
__7.2.1 잠재 변수 샘플링
__7.2.2 재파라미터화 트릭
__7.2.3 오차 정의
__7.2.4 재구성 오차
__7.2.5 규제화항
7.3 오토인코더의 구현
__7.3.1 신경망 구현
__7.3.2 각 신경망층의 구현
__7.3.3 순전파와 역전파 구현
__7.3.4 미니 배치 학습 구현
__7.3.5 오토인코더 구현의 전체 코드
__7.3.6 생성된 이미지 나타내기
7.4 VAE에 필요한 신경망층
__7.4.1 VAE 구성
__7.4.2 평균과 표준편차를 출력하는 신경망층
__7.4.3 샘플링층
__7.4.4 출력층
7.5 VAE의 구현
__7.5.1 순전파와 역전파
__7.5.2 VAE를 구현하는 전체 코드
__7.5.3 잠재 공간의 시각화
__7.5.4 이미지 생성하기
7.6 VAE에서 파생되는 기술
__7.6.1 조건부 VAE
__7.6.2 β-VAE
__7.6.3 VQ-VAE
__7.6.4 VQ-VAE-2

[8장] GAN
8.1 GAN 소개
__8.1.1 GAN
__8.1.2 DCGAN
__8.1.3 GAN의 용도
8.2 GAN의 구조
__8.2.1 식별자의 학습 과정
__8.2.2 생성자의 학습 과정
__8.2.3 오차의 정의
8.3 GAN에 필요한 신경망층
__8.3.1 생성자와 식별자의 구조
__8.3.2 생성자의 출력층
__8.3.3 식별자의 출력층
8.4 GAN의 구현
__8.4.1 순전파와 역전파
__8.4.2 GAN의 훈련
__8.4.3 GAN의 학습
__8.4.4 이미지 생성
__8.4.5 GAN을 구현하는 전체 코드
__8.4.6 오차와 정확도 추이
8.5 GAN에서 파생되는 기술
__8.5.1 조건부 GAN
__8.5.2 pix2pix
__8.5.3 Cycle GAN

[9장] 딥러닝 추가 학습을 위한 유용한 정보
9.1 최적화 알고리즘
__9.1.1 최적화 알고리즘 개요
__9.1.2 확률적 경사 하강법(SGD)
__9.1.3 모멘텀
__9.1.4 아다그라드
__9.1.5 RMSProp
__9.1.6 아담
__9.1.7 최적화 알고리즘 구현 예
9.2 학습 테크닉
__9.2.1 드롭아웃
__9.2.2 Leaky ReLU
__9.2.3 가중치 감소
__9.2.4 배치 정규화
9.3 데이터 세트 소개
__9.3.1 사이킷런 데이터 세트
__9.3.2 케라스 데이터 세트
9.4 딥러닝의 미래

[부록]
A.1 간단한 구조의 RNN을 이용한 텍스트 생성
A.2 GRU를 이용한 텍스트 생성
A.3 참고문헌

출판사 서평

[옮긴이의 글]
새로운 IT 기술은 먼저 논문으로 발표되어 전문가들 사이에서만 정보가 공유되다가 몇 년이 지나면 책으로 나와 대중에게 지식이 보급됩니다. 이때 출간되는 책은 두 종류로 나뉩니다. 하나는 ‘일단 따라하기’ 유형입니다. 이론은 깊이 다루지 않고 우선 독자들이 기술을 업무나 관심 분야에 바로 적용해볼 수 있도록 절차적인 방법을 소개합니다. 또 다른 유형의 책은 기술의 근본 원리를 깊이 있게 다룹니다. 복잡한 수식이나 어려운 코딩이 동반되고 세부 내용도 자세하게 다룹니다. 두 가지 유형은 모두 장단점이 있습니다.
그런데 『핵심 딥러닝 입문: RNN, LSTM, GRU, VAE, GAN 구현』은 이 두 유형 사이에 위치하는 독특한 책입니다. 이 책은 LSTM, GAN, VAE 등 최신 딥러닝 기술을 소개하는데, 먼저 첫 부분은 기술의 근본적인 원리를 수식으로 설명합니다. 그림을 이용하거나 비유나 예시 등의 추상적인 개념으로 설명하는 책이 많지만 이 책은 우직하게 수식으로 승부합니다. 기술의 수학적인 원리를 이해해야 하는 이유는 명확합니다. 추상적인 개념 습득은 전체 내용을 빠르게 이해하는 데는 도움이 되지만 실무에서 다양한 문제를 해결하거나 실력을 키우기에는 한계가 있습니다.
이 책에서는 먼저 수식으로 원리를 설명한 이후, 수식과 개념적으로 이어지는 예제 코드를 이용해 해당 기술의 구현 사례를 보여줍니다. 예제 코드는 독자가 스스로 변형하거나 확장해 볼 수 있도록 세심하게 배려한 흔적이 엿보입니다. 첫 부분에서 수식을 이용한 설명 부분이 약간 어렵다고 느껴진다면, 예제 코드를 이용해 일단 먼저 따라해보고 성취감을 맛보는 접근 방법도 좋습니다. 또한 특정 프레임워크를 사용하지 않기 때문에 코드를 유심히 분석해 나가다 보면 코드가 그렇게 작성된 이유가 궁금해지고 결국은 앞에서 설명한 수식과 연결된다는 사실을 깨닫게 됩니다.
이렇듯 이 책은 기술의 근본적인 원리에 대한 설명과 구체적인 따라하기 실습과의 균형이 매우 적절한 책입니다. 또한 특정 분야에만 치중하지 않고 RNN, LSTM, VAE, GAN 등 최신 기술을 모두 골고루 다루는 점도 장점입니다. 딥러닝 고급 기술에 대한 기초를 다지고 싶거나 한 단계 더 도약하고 싶은 독자들에게 매우 유익한 책이 될 것으로 기대합니다.
- 최재원2010년대 후반 IT 분야에서 가장 주목받은 키워드는 누가 뭐라든 ‘인공지능’이 아닐까 합니다. 처음에는 어려워만 보였던 기술이 많은 사람에게 자연스럽게 받아들여지고 있으며, 이 분야에 자신의 인생을 건 개발자도 많이 늘었다고 생각합니다. 옮긴이도 이러한 흐름에 따라 앞으로 인공지능 기술의 발전에 많은 관심을 두고 다양한 기술을 살펴보는 중입니다.
이 책은 여러 가지 인공지능 기술 중 딥러닝에 집중합니다. 그럼 “이미 많은 딥러닝 관련 책이 출간되었는데 굳이 또 이 책을 읽어야 하나요?”라는 의문이 들 수 있습니다. 그래도 이 책은 한 번 읽을 가치가 있습니다. 딥러닝을 처음 배우려는 사람을 배려하면서도 2020년 기준 현업에서 사용하는 최신 이론과 함께 딥러닝을 알려주기 때문입니다.
알파고가 처음 나왔을 때의 딥러닝 기초와 현재의 딥러닝 기초를 비교하면 그간 많은 발전이 있었습니다. 물론 과거의 기초 개념도 중요하지만 앞으로 딥러닝을 진지하게 파고들려는 분이라면 최신 이론을 접하는 것이 매우 중요합니다. 이 책은 그러한 점을 반영해서 순전파, 역전파, RNN 같은 전통적인 딥러닝 기초는 물론이고, LSTM, GRU, VAE, GAN같이 2020년 현 시점에서 알아두면 좋은 딥러닝의 기초를 함께 담으려고 노력했습니다. 저처럼 딥러닝에 뒤늦게 관심을 갖게 된 분이라면 이 책이 많은 도움이 될 것입니다.
- 장건희

상품 정보 고시

도서명	핵심 딥러닝 입문: RNN, LSTM, GRU, VAE, GAN 구현
저자	아즈마 유키나가
출판사	책만
ISBN	9791189909246 (1189909243)
쪽수	376
출간일	2020-12-09
사이즈	181 * 236 * 23 mm /674g
목차 또는 책소개	[1장] 딥러닝의 발전 1.1 딥러닝 개요 __1.1.1 AI와 머신러닝 __1.1.2 딥러닝 1.2 딥러닝 응용 분야 __1.2.1 이미지 인식 __1.2.2 이미지 생성 __1.2.3 이상 탐지 __1.2.4 자연어 처리 __1.2.5 강화학습 __1.2.6 기타 분야에서의 응용 사례 1.3 이 책에서 다루는 딥러닝 기술 __1.3.1 RNN __1.3.2 생성 모델 [2장] 학습 준비 2.1 아나콘다 개발 환경 구축 __2.1.1 아나콘다 다운로드 __2.1.2 아나콘다 설치 __2.1.3 주피터 노트북 실행 __2.1.4 주피터 노트북 사용 __2.1.5 노트북 종료 2.2 구글 코랩 사용 __2.2.1 구글 코랩 준비 __2.2.2 코랩 노트북 사용 __2.2.3 GPU 사용 __2.2.4 파일 사용 2.3 파이썬 기초 __2.3.1 변수와 변수형 __2.3.2 연산자 __2.3.3 리스트 __2.3.4 튜플 __2.3.5 딕셔너리 __2.3.6 if문 __2.3.7 for문 __2.3.8 함수 __2.3.9 변수의 범위 __2.3.10 클래스 2.4 넘파이와 맷플롯립 __2.4.1 모듈 임포트 __2.4.2 넘파이 배열 __2.4.3 배열을 생성하는 다양한 함수 __2.4.4 reshape를 이용한 형태 변환 __2.4.5 배열 연산 __2.4.6 원소 값에 접근 __2.4.7 그래프 그리기 __2.4.8 이미지 생성 2.5 수학 기초 __2.5.1 벡터 __2.5.2 행렬 __2.5.3 각 원소 간의 곱셈 __2.5.4 행렬 곱 __2.5.5 행렬 전치 __2.5.6 미분 __2.5.7 연쇄 법칙 __2.5.8 편미분 __2.5.9 연쇄 법칙의 확장 __2.5.10 정규분포 [3장] 딥러닝 기초 3.1 딥러닝 개요 __3.1.1 딥러닝이란? __3.1.2 층의 방향과 층의 개수 __3.1.3 경사 하강법 __3.1.4 에포크와 배치 3.2 전결합층 순전파 __3.2.1 순전파의 수식 __3.2.2 순전파를 행렬로 표현 __3.2.3 순전파를 코드로 구현 3.3 전결합층 역전파 __3.3.1 역전파 수식 __3.3.2 역전파를 행렬로 표현 __3.3.3 역전파를 코드로 구현 3.4 전결합층 구현 __3.4.1 공통 클래스 구현 __3.4.2 은닉층 구현 __3.4.3 출력층 구현 3.5 단순한 딥러닝 구현 __3.5.1 손글씨 숫자 이미지 데이터 확인 __3.5.2 데이터 전처리 __3.5.3 순전파와 역전파 __3.5.4 미니 배치 구현 3.6 손글씨 숫자 이미지 인식의 전체 코드 [4장] RNN 4.1 RNN 개요 4.2 RNN층의 순전파 __4.2.1 순전파 개요 __4.2.2 순전파 수식 __4.2.3 순전파를 코드로 구현 4.3 RNN층의 역전파 __4.3.1 역전파 수식 __4.3.2 역전파를 행렬로 표현 __4.3.3 역전파를 코드로 구현 4.4 RNN층 구현 __4.4.1 RNN층 클래스 4.5 간단한 구조의 RNN 구현 __4.5.1 훈련 데이터 생성 __4.5.2 데이터 전처리 4.5.3 훈련 __4.5.4 예측 __4.5.5 곡선 생성 __4.5.6 sin 곡선 예측에 대한 전체 코드 4.6 2진수 덧셈 학습 __4.6.1 2진수 덧셈 __4.6.2 2진수 준비 __4.6.3 출력층 __4.6.4 훈련 __4.6.5 2진수 계산에 대한 전체 코드 4.7 RNN의 단점 [5장] LSTM 5.1 LSTM 개요 __5.1.1 LSTM 개요 __5.1.2 기억 셀 __5.1.3 망각 게이트 주변 __5.1.4 입력 게이트와 새로운 기억 __5.1.5 출력 게이트 5.2 LSTM층의 순전파 __5.2.1 LSTM층의 순전파 __5.2.2 순전파 코드 구현 5.3 LSTM층의 역전파 __5.3.1 역전파 수식 __5.3.2 망각 게이트 __5.3.3 입력 게이트 __5.3.4 새로운 기억 __5.3.5 출력 게이트 __5.3.6 행렬로 표현 __5.3.7 역전파 코드 구현 5.4 LSTM층 구현 __5.4.1 LSTM층 클래스 5.5 간단한 LSTM 구현 __5.5.1 LSTM 훈련 __5.5.2 sin 곡선 예측에 대한 전체 코드 5.6 LSTM을 이용한 문장 자동 생성 __5.6.1 텍스트 데이터 읽어들이기 __5.6.2 문자와 인덱스 관련 __5.6.3 문자 벡터화 __5.6.4 출력 결과의 의미 __5.6.5 텍스트 생성용 함수 __5.6.6 기울기 클리핑 __5.6.7 문장 생성에 대한 전체 코드 __5.6.8 결과 확인 [6장] GRU 6.1 GRU 소개 __6.1.1 GRU __6.1.2 리셋 게이트 __6.1.3 새로운 기억 __6.1.4 업데이트 게이트 6.2 GRU층의 순전파 __6.2.1 GRU의 순전파 __6.2.2 순전파를 코드로 구현 6.3 GRU층의 역전파 __6.3.1 새로운 기억 __6.3.2 업데이트 게이트 __6.3.3 리셋 게이트 __6.3.4 입력의 기울기 __6.3.5 이전 시점 출력의 기울기 __6.3.6 GRU의 각 기울기를 행렬로 나타내기 __6.3.7 GRU의 역전파를 코드로 구현하기 6.4 GRU층 구현 __6.4.1 GRU층의 클래스 6.5 GRU 구현 __6.5.1 GRU 구현의 전체 코드 6.6 RNN을 이용한 이미지 생성 __6.6.1 이미지를 시계열 데이터로 간주하기 __6.6.2 훈련 데이터 준비하기 __6.6.3 이미지 생성 __ 6.7 Seq2Seq [7장] VAE 7.1 VAE 소개 __7.1.1 오토인코더 __7.1.2 VAE 7.2 VAE의 구조 __7.2.1 잠재 변수 샘플링 __7.2.2 재파라미터화 트릭 __7.2.3 오차 정의 __7.2.4 재구성 오차 __7.2.5 규제화항 7.3 오토인코더의 구현 __7.3.1 신경망 구현 __7.3.2 각 신경망층의 구현 __7.3.3 순전파와 역전파 구현 __7.3.4 미니 배치 학습 구현 __7.3.5 오토인코더 구현의 전체 코드 __7.3.6 생성된 이미지 나타내기 7.4 VAE에 필요한 신경망층 __7.4.1 VAE 구성 __7.4.2 평균과 표준편차를 출력하는 신경망층 __7.4.3 샘플링층 __7.4.4 출력층 7.5 VAE의 구현 __7.5.1 순전파와 역전파 __7.5.2 VAE를 구현하는 전체 코드 __7.5.3 잠재 공간의 시각화 __7.5.4 이미지 생성하기 7.6 VAE에서 파생되는 기술 __7.6.1 조건부 VAE __7.6.2 β-VAE __7.6.3 VQ-VAE __7.6.4 VQ-VAE-2 [8장] GAN 8.1 GAN 소개 __8.1.1 GAN __8.1.2 DCGAN __8.1.3 GAN의 용도 8.2 GAN의 구조 __8.2.1 식별자의 학습 과정 __8.2.2 생성자의 학습 과정 __8.2.3 오차의 정의 8.3 GAN에 필요한 신경망층 __8.3.1 생성자와 식별자의 구조 __8.3.2 생성자의 출력층 __8.3.3 식별자의 출력층 8.4 GAN의 구현 __8.4.1 순전파와 역전파 __8.4.2 GAN의 훈련 __8.4.3 GAN의 학습 __8.4.4 이미지 생성 __8.4.5 GAN을 구현하는 전체 코드 __8.4.6 오차와 정확도 추이 8.5 GAN에서 파생되는 기술 __8.5.1 조건부 GAN __8.5.2 pix2pix __8.5.3 Cycle GAN [9장] 딥러닝 추가 학습을 위한 유용한 정보 9.1 최적화 알고리즘 __9.1.1 최적화 알고리즘 개요 __9.1.2 확률적 경사 하강법(SGD) __9.1.3 모멘텀 __9.1.4 아다그라드 __9.1.5 RMSProp __9.1.6 아담 __9.1.7 최적화 알고리즘 구현 예 9.2 학습 테크닉 __9.2.1 드롭아웃 __9.2.2 Leaky ReLU __9.2.3 가중치 감소 __9.2.4 배치 정규화 9.3 데이터 세트 소개 __9.3.1 사이킷런 데이터 세트 __9.3.2 케라스 데이터 세트 9.4 딥러닝의 미래 [부록] A.1 간단한 구조의 RNN을 이용한 텍스트 생성 A.2 GRU를 이용한 텍스트 생성 A.3 참고문헌