• 컴퓨터/IT > 프로그래밍 > 기타 프로그래밍 언어

2018/6 컴퓨터/IT 74위 | 현재 컴퓨터/IT 95위 |

• [시리즈] 에이콘 데이터 과학 시리즈 [54]

출판사 리뷰

이 책에서는 R에서 사용 가능한 딥러닝 패키지 MXNet, 텐서플로, H2O를 소개하고, 이를 사용해 딥러닝 모델을 구현해본다. 주피터와 도커를 이용해 R 딥러닝 패키지를 설정하고 로지스틱 회귀, MLP 등 기초 개념을 이해한다. 데이터를 다운로드한 후 CNN, 오토인코더, 생성 모델, RNN, 강화 학습을 실제 예를 들어 설명하고, 직접 실습한다. 또한 사례연구로 텍스트 마이닝과 신호 처리에 적용해본다. 마지막으로 이전 학습 방법과 GPU 사용법도 다룬다. ★ 이 책에서 다루는 내용 ★ ■ 텐서플로, H2O, MXNet을 사용한 다양한 응용 분야의 딥러닝 모델 개발 ■ 심층 볼츠만 머신 분석 ■ DBN 설정과 분석 ■ 다양한 머신 러닝 알고리즘을 사용한 지도 학습 모델 개발 ■ 다양한 종류의 기본 콘볼루션 함수 설정 ■ 오토인코더를 사용한 특징 표현 이해 ■ 딥러닝에서 가능한 생성 모델을 탐색 ■ RNN을 사용한 순차 모델링 발견 ■ 강화 학습 기초 이해 ■ 텍스트 마이닝에 딥러닝을 적용하는 데 필요한 과정 학습 ■ 신호 처리에 딥러닝을 적용하는 방법 ■ 이전 학습을 사용한 딥러닝 모델 개발 ■ GPU를 사용한 딥러닝 모델 훈련 ★ 이 책의 대상 독자 ★ 데이터 과학 전문가 혹은 분석가를 대상으로 한다. 머신 러닝 과제를 끝내고 이제 딥러닝 구현에 따라오는 불편을 해결하기 위해 접근이 쉬운 참고서를 원하는 사람에게 적합하다. 다른 딥러닝 전문가보다 앞서가고 싶은 사람에게 유용할 것이다. ★ 이 책의 구성 ★ 1장. '시작하기'에서는 딥러닝 모델 개발에 사용되는 텐서플로, MxNet, H2O를 비롯한 다양한 패키지를 소개하고, 나중에 사용할 수 있도록 이 패키지들을 설정해 놓는다. 2장. 'R 딥러닝'에서는 인공 신경망(Neural Network)과 딥러닝의 기초 개념을 소개한다. 또한 R의 다양한 도구들로 신경망을 개발하는 여러 방법을 다룬다. 3장. 'CNN'에서는 이미지 처리와 분류를 통해 CNN 개발 방법을 다룬다. 4장. '오토인코더와 데이터 표현'에서는 다양한 방법으로 오토인코더의 기반을 개발하고, 데이터 압축과 노이즈 제거에 적용하는 방법을 다룬다. 5장. '딥러닝 생성 모델'에서는 오토인코더의 개념을 생성 모델로 확장한다. 나아가 볼츠만 머신(Boltzman machine), 제한 볼츠만 머신(RBM, Restricted Boltzman Machine), 심층 신경망(DBN, Deep Belief Network)를 개발해본다. 6장. '순환 신경망'에서는 다수의 순환 신경망(RNN, Recurrent Neural Networks)을 이용해 순차적 데이터셋을 처리하는 머신 러닝 모델 개발의 기반을 닦는다. 7장. '강화 학습'에서는 마르코프 결정 과정(MDP, Markov Decision Process) 강화 모델 개발의 기초를 제공하고, 모델 기반 학습과 모델이 없는 학습을 다룬다. 8장. '텍스트마이닝 딥러닝 응용'에서는 텍스트 마이닝 분야에서 딥러닝을 구현하는 방법을 엔드투엔드로 다룬다. 9장. '신호 처리 딥러닝 응용'에서는 신호 처리 분야에서 딥러닝이 활용되는 사례를 상세하게 분석한다. 10장. '이전 학습'에서는 VGG16, 인셉션(Inception) 등 미리 학습된 모델을 사용하는 방법과 GPU를 사용한 딥러닝 모델 학습 방법을 다룬다.

★ 지은이의 말 ★

딥러닝은 머신 러닝에서 가장 자주 논의되는 분야 중 하나다. 딥러닝을 사용해 복잡한 함수를 모델링하고 횡단면 데이터, 순차 데이터, 이미지, 텍스트, 오디오, 영상을 포함한 다양한 데이터 소스와 구조를 이용해서 모델을 학습할 수 있다. 또한 R은 데이터 과학 커뮤니티에서 가장 인기 있는 언어 중 하나다. 딥러닝의 발전에 따라 딥러닝과 R 사이의 관계도 엄청나게 발전하고 있다. 이 책의 목적은 다양한 딥러닝 모델 개발 방법을 집중 훈련하는 것이다. 구조가 있는 데이터, 구조가 없는 데이터, 이미지 오디오 사례 연구를 통해 딥러닝을 적용한다. 또한 이전 학습(Transfer Learning)과 그래픽 처리장치(GPU, Graphics Processing Unit)의 성능을 이용해 딥러닝 모델의 계산 효율을 높이는 방법도 다룬다.

★ 옮긴이의 말 ★

지난 7년간의 딥러닝 연구 발전 속도는 정말 놀랍습니다. 기계가 사진에서 사람, 동물, 물건을 확인하고 이름을 찾아주며, 일상적인 대화를 이해하고 외국어를 어느 정도 자연스럽게 번역하는 등 이전에는 미처 상상하지 못했던 일들을 해내고 있습니다. 아직은 보편적 인공지능을 달성하려면 갈 길이 까마득하지만 현재 가능한 기술로도 얼마든지 우리의 일상과 업무 환경을 바꿀 수 있습니다. 이 책은 이름에 걸맞게 구현된 코드 예시를 제공해주고 실습 후 코드에 담긴 이론을 설명해줍니다. 또한 책의 간결성 때문에 설명이 부족할 때는 담지 못한 개념을 어느 곳에서 더 알아봐야 할지도 알려줍니다.
이 책은 R 통계 언어를 사용하므로 프로그래밍 언어가 익숙하지 않은 사람도 쉽게 접근할 수 있습니다. 또한 다양한 R 패키지의 설치법과 사용법을 다루므로 딥러닝 패키지에 대한 전반적 지식을 얻게 도와줍니다. 현재 폭넓게 사용하는 CNN, 오토인코더, RNN, 전이 학습 등의 개념을 다루고 있기에 좋은 입문서가 될 것으로 생각합니다. 딥러닝을 만나는 즐거운 첫걸음이 되기를 기대합니다

1장. 소개
__R과 IDE 설치
__주피터 노트북 애플리케이션 설치
__R 머신 러닝 기초 시작
__R 딥러닝 도구/패키지 설치
__R MXNet 설치
__R 텐서플로 설치
__R의 H2O 설치
__도커로 세 패키지 한 번에 설치


2장. R 딥러닝
__로지스틱 회귀 시작
__준비
__데이터셋 도입
__H2O 로지스틱 회귀
__텐서플로 로지스틱 회귀
__텐서플로 그래프 시각화
__다층 퍼셉트론 시작
__H2O 인공 신경망
__H2O 그리드 서치를 활용한 초매개변수 조정
__MXNet 인공 신경망
__텐서플로 인공 신경망


3장. CNN
__소개
__이미지 데이터셋 다운로드와 설정
__CNN 분류기 구조 이해
__가중치와 편향 초기화 함수 정의
__새 콘볼루션 계층 생성 함수 정의
__콘볼루션 계층 평탄화 함수 정의
__과연결 계층 평탄화 함수 정의
__플레이스홀더 변수 정의
__첫 번째 콘볼루션 계층 생성
__두 번째 콘볼루션 계층 생성
__두 번째 콘볼루션 계층 평탄화
__첫 번째 완전 연결 계층 생성
__첫 번째 완전 연결 계층의 드롭아웃 적용
__드롭아웃을 사용한 두 번째 완전 연결 계층 생성
__소프트맥스 활성화를 사용한 클래스 예측
__최적화를 위한 손실 함수 정의
__경사 하강 손실 최적화
__텐서플로 세션에서의 그래프 실행
__테스트 데이터상 성능 평가


4장. 오토인코더 데이터 표현
__소개
__오토인코더 설정
__데이터 정규화
__표준화 오토인코더 설정
__오토인코더 매개변수 조정
__적층 오토인코더 설정
__노이즈 제거 오토인코더 설정
__확률 인코더와 디코더 생성과 비교
__오토인코더 다양체 학습
__희소 분해 평가


5장. 딥러닝 생성 모델
__RBM과 주성분 분석 비교
__베르누이 분포 입력 값의 RBM 설정
__RBM 훈련
__RBM 역방향 혹은 재구성 단계
__재구성 CD 이해
__새 텐서플로 세션 초기화와 시작
__RBM 결과 평가
__RBM 협동 필터링 설정
__RBM 전체 훈련 수행
__DBN 설정
__피드포워드 역전달 신경망 구현
__DRBM 설정


6장. 순환 신경망
__기본 RNN 설정
__양방향 RNN 모델 설정
__심층 RNN 모델 설정
__LSTM 기반 순차 모델 설정


7장. 강화 학습
__소개
__MDP 설정
__모델 기반 학습 수행
__모델 자유 학습 수행


8장. 텍스트 마이닝 딥러닝 응용
__텍스트 데이터 전처리와 감정 추출
__tf-idf를 사용한 문서 분석
__LSTM 망을 사용한 감정 예측
__text2vec를 사용한 응용


9장. 신호 처리 딥러닝 응용
__음악 MIDI 파일 소개와 전처리
__RBM 모델 개발
__새 악보 생성


10장. 이전 학습
__소개
__사전 학습 모델 사용법 설명
__이전 학습 모델 설정
__이미지 분류 모델 개발
__GPU 딥러닝 모델 학습
__CPU와 GPU 성능 비교