텐서플로를 이용해 딥러닝 프로그램을 개발하는 방법을 알려주는 소개서다. 이 책을 통해 다음과 같은 내용을 배울 수 있다. ■ 딥러닝의 역사적 발전 과정 ■ 최신 텐서플로 1.3과 GPU 컴퓨팅을 이용한 딥러닝 프로그램 개발 과정 ■ 텐서플로를 사용해 데이터를 로드, 처리, 변환하는 방법 ■ 이미지나 텍스트를 포함한 실제 데이터 집합에 텐서플로를 사용해 CNN, RNN을 구현하는 방법 ■ 딥러닝 모델의 성능을 평가하는 방법 ■ 강화학습에 대한 기술적 개요 및 구현 방법 ■ 케라스에 대한 개요 및 사용 방법

저자 : 잔카를로 자코네 저자 잔카를로 자코네는 과학 및 산업 분야에서 10년 이상의 연구 프로젝트를 관리한 경험을 보유하고 있다. 미국 국립 연구 회의(National Research Council)인 C.N.R의 연구원으로 일하면서 병렬 컴퓨팅 및 과학 시각화와 관련된 프로젝트에 참여했다. 현재 우주 및 방위 분야의 소프트웨어 시스템을 개발 및 유지 관리하는 컨설팅 회사의 시스템 및 소프트웨어 엔지니어다. 『Python Parallel Programming Cookbook』(Packt, 2015)과 『텐서플로 入門』(에이콘, 2016)의 저자다. https://it.linkedin.com/in/giancarlozaccone에서 그를 팔로우할 수 있다. 저자 : 레자울 카림 저자 레자울 카림은 알고리즘 및 데이터 구조, C / C ++, 자바(Java), 스칼라(Scala), R 및 파이썬(Python)과 스파크(Spark), 카프카(Kafka), DC/OS, 도커(Docker), 메소스(Mesos), 하둡(Hadoop) 및 맵리듀스(MapReduce)와 같은 빅데이터 기술에 중점을 두면서 연구 개발 분야에서 8년 이상의 경력을 쌓았다. 머신 러닝, 심층 학습, 시맨틱 웹, 빅데이터 및 생물 정보학 분야 연구에 관심을 두고 있다. 『Large Scale Machine Learning with Spark』(Packt, 2016)의 저자다. 현재 아일랜드의 데이터 분석 센터에서 근무하는 소프트웨어 엔지니어이자 연구원이다. 또한 골웨이에 있는 아일랜드 국립대학교(National University of Ireland)의 박사 후보자며, 컴퓨터 공학 학사 및 석사 학위를 취득했다. 데이터 분석 센터에 입사하기 전에는 삼성전자에서 리드 소프트웨어 엔지니어로 일하면서 한국, 인도, 베트남, 터키, 방글라데시 등 전 세계에 분산돼 있는 삼성 R&D 센터에서 일했다. 또한 경희대학교 데이터베이스 연구소의 연구 조교로 근무했다. 그는 한국에 있는 BMTech21 Worldwide에서 R&D 엔지니어로 일했고 그 전에는 방글라데시 다카의 i2SoftTechnology에서 소프트웨어 엔지니어로 일했다. 저자 : 아메드 멘시 저자 아메드 멘시는 아일랜드 더블린(Dublin)의 트리니티 대학(Trinity College)에서 연구 엔지니어로 근무하고 있다. 머신 러닝 및 자연어 처리(NLP) 분야에서 5년 이상의 경력을 쌓았고, 컴퓨터 과학 석사 학위를 취득했다. 이집트 카이로의 헬완 대학교(Helwan University) 컴퓨터 과학과에서 조교로 경력을 쌓기 시작했다. 머신 러닝, 이미지 프로세싱, 선형 대수학, 확률 및 통계, 데이터 구조, 컴퓨터 과학을 위한 필수 수학 등과 같은 몇 가지 고급 머신 러닝 및 자연어 처리 과정을 가르쳤다. 다음으로 이집트에 있는 IST 네트웍스(IST Networks)의 산업 연구 및 개발 연구소에서 연구 과학자로 합류해 연구 업무를 수행했다. 아랍어 텍스트 음성을 위한 최첨단 시스템을 구현하는 데 관여했다. 결과적으로, 그 회사의 머신 러닝 전문가였다. 이후에 그는 골웨이 아일랜드 국립대학교의 데이터 분석 센터(Insight Center for Research)에 예측 분석 플랫폼(Predictive Analytics Platform) 구축 연구 보조원으로 참여했다. 마지막으로 더블린 대학교 트리니티 대학 리서치 엔지니어로 ADAPT 센터에 합류했다. ADAPT에서의 주된 역할은 ADAPT 내에서 수행된 연구에 기반을 둔 머신 러닝과 자연어 처리 기술을 사용한 프로토타입 및 응용 프로그램 작성이었다. 역자 : 정사범 역자 정사범은 산업공학을 전공했고, 의사 결정과 최적화 방법론에 관심이 많다. 다양한 데이터를 R과 파이썬으로 분석해본 경험이 있다. 세상에 존재하는 다양한 데이터를 이용해 여러 가지 문제를 해결하는 일을 하고 있다. 다양한 책과 현장 경험을 통해 데이터 수집, 정제, 분석, 보고 방법에 대한 지식을 얻는 것에 감사하고 있다. 에이콘출판에서 출간한 『RStudio 따라잡기』(2013), 『The R book(Second Edition) 한국어판』(2014), 『예측 분석 모델링 실무 기법』(2014), 『데이터 마이닝 개념과 기법』(2015), 『파이썬으로 풀어보는 수학』(2016), 『데이터 스토리텔링』(2016), 『R에서 객체 지향 프로그래밍 사용하기』(2016), 『파이썬 프로그래밍 개론』(2016), 『산업인터넷(IIOT)과 함께하는 인더스트리 4.0』(2017)을 번역했다.

1장. 딥러닝 시작하기 __머신 러닝 소개 ____지도 학습 ____비지도 학습 ____강화 학습 __딥러닝이란 무엇인가? ____인간의 뇌는 어떻게 작동하는가? ____딥러닝의 역사 ____적용 분야 __신경망 ____생물학적 뉴런 ____인공 신경 세포 __인공 신경망은 어떻게 학습하는가? ____역전파 알고리즘 ____가중치 최적화 ____확률적 경사 하강 __신경망 구조 ____다층 퍼셉트론 ____DNN 구조 ____컨벌루션 뉴럴 네트워크 ____제약 볼츠만 머신 __오토인코더 __순환 신경망 __딥러닝 프레임워크 비교 __요약 2장. 텐서플로 살펴보기 __일반 개요 ____텐서플로 1.x의 새로운 기능은 무엇인가? ____텐서플로는 사람들이 사용하는 방식을 어떻게 변화시켰는가? ____텐서플로 설치 및 시작하기 __리눅스에서 텐서플로 설치하기 ____플랫폼에 어떤 텐서플로를 설치해야 하는가? __NVIDIA에서 GPU로 텐서플로를 실행하기 위한 필요 요건 ____단계 1: NVIDIA CUDA 설치 ____단계 2: NVIDIA cuDNN v5.1+ 설치 ____단계 3: CUDA 컴퓨팅 기능 3.0+ 이 있는 GPU 카드 ____단계 4: libcupti-dev 라이브러리 설치 ____단계 5: Python(또는 Python3) 설치 ____단계 6: PIP(또는 PIP3) 설치 및 업그레이드 ____단계 7: 텐서플로 설치 __텐서플로 설치 방법 ____pip로 텐서플로 설치하기 ____virtualenv로 설치하기 __윈도우에서 텐서플로 설치하기 ____소스를 이용해 설치하기 ____윈도우에 설치하기 ____텐서플로 설치를 테스트하기 __계산 그래프 __왜 계산 그래프가 중요한가? ____계산 그래프로 신경망 표현하기 __프로그래밍 모델 __데이터 모델 ____랭크 ____구조 ____데이터 유형 ____변수 ____텐서 가져오기 ____피드 __텐서보드 ____텐서보드는 어떻게 작동하는가? __단일 입력 뉴런 구현하기 __단일 입력 뉴런에 대한 소스 코드 __텐서플로 1.x로 마이그레이션 ____업그레이드 스크립트를 사용하는 방법 ____제안 ____수작업 코드 업그레이드 방법 ____변수 ____요약 함수 ____단순화한 수학 변형 ____기타 변경 사항 __요약 3장. 순방향 신경망에 텐서플로 사용하기 __순방향 신경망 소개 ____순방향 및 역전파 ____가중치와 바이어스 ____전이 함수 __자필 숫자의 분류 __MNIST 데이터 집합 살펴보기 __소프트맥스 분류기 ____가시화 __텐서플로 모델을 저장하고 복구하는 방법 ____모델 저장하기 ____모델 복구하기 ____소프트맥스 소스 코드 ____소프트맥스 로더 소스 코드 __5층 신경망 구현 ____가시화 ____5층 신경망 소스 코드 __ReLU 분류기 __가시화 ____ReLU 분류기 소스 코드 __드롭아웃 최적화 ____가시화 ____드롭아웃 최적화를 적용한 소스 코드 __요약 4장. 컨볼루션 신경망에 텐서플로 사용하기 __CNN 소개 __컨볼루션 뉴럴 네트워크 구조 ____CNN 모델 - LeNet __첫 번째 CNN 구축 ____손으로 쓴 분류기의 소스 코드 ____CNN으로 감정 인식하기 ____감정 분류기 소스 코드 ____여러분이 보유한 이미지로 모델 테스트하기 ____소스 코드 __요약 5장. 텐서플로 오토인코더 최적화하기 __오토인코더 소개 __오토인코더 구현하기 ____오토인코더에 대한 소스 코드 __오토인코더 견고성 개선하기 __노이즈 제거 오토인코더 구축하기 ____노이즈 제거 오토인코더 소스 코드 __컨볼루션 오토인코더 ____인코더 ____디코더 ____컨볼루션 오토인코더 소스 코드 __요약 6장. RNN 순환 신경망 __RNN 기본 개념 __RNN 실행 메커니즘 __RNN의 펼쳐진 버전 __그레이디언트 소멸 문제 __LSTM 네트워크 __RNN을 이용한 이미지 분류기 ____RNN 이미지 분류 프로그램의 소스 코드 __양방향 RNN ____양방향 RNN 소스 코드 ____텍스트 예측 ____데이터 집합 ____혼잡도 ____PTB 모델 ____예제 실행하기 __요약 7장. GPU 연산 __GPGPU 연산 __GPGPU 역사 __CUDA 구조 __GPU 프로그래밍 모델 __텐서플로 GPU 설정 ____텐서플로 업데이트 __텐서플로 GPU 관리 ____프로그래밍 예제 ________GPU 계산을 위한 소스 코드 __GPU 메모리 관리 __복수 GPU 시스템에서 단일 GPU 할당 ____소프트 배치로 GPU에 대한 소스 코드 ____복수 GPU 사용하기 ____복수 GPU 관리를 위한 소스 코드 __요약 8장. 고급 텐서플로 프로그래밍 __케라스 소개 ____설치 __딥러닝 모델 만들기 __영화 평론 내용에 근거한 감정 분류 ____케라스 무비 분류 프로그램의 소스 코드 __컨볼루션층을 추가하기 ____컨볼루션층을 갖는 영화 분류기에 대한 소스 코드 __Pretty Tensor ____층 연결 ________일반 모드 ________순차 모드 ________분기 및 조인 __숫자 분류기 ____숫자 분류기용 소스 코드 __TFLearn ____TFLearn 설치 __타이타닉 생존 예측기 ____타이타닉 분류기 소스 코드 __요약 9장. 텐서플로를 이용한 고급 멀티미디어 프로그래밍하기 __멀티미디어 분석 소개 __가변적인 객체 감지를 위한 딥러닝 ____병목 ____재학습 모델 사용 __가속화한 선형 대수학 ____텐서플로의 주요 강점 ____XLA를 통한 Just-In-Time 컴파일 ________JIT 컴파일 ________XLA의 존재와 장점 ________XLA의 후드 작업 ________여전히 실험적인 상태다 ________지원 플랫폼 ________보다 실험적인 자료 __텐서플로와 케라스 ____케라스는 무엇인가? ____케라스의 효과 ____비디오 질문 응답 시스템 ________실행 불가능한 코드! __안드로이드에서 딥러닝 ____텐서플로 데모 예제 ____안드로이드 시작하기 ________구조 요구 사항 ________사전 빌드한 APK. ________데모 실행 ________안드로이디 스튜디오로 구현하기 ________좀 더 시도해본다 - Bazel로 구축하기 __요약 10장. 강화 학습 __강화 학습의 기본 개념 __Q-러닝 알고리즘 __OpenAI Gym 프레임워크 소개 __frozenlake-v0 구현 문제 ____frozenlake-v0 문제에 대한 소스 코드 __텐서플로를 사용한 Q-러닝 __Q 러닝 신경망 소스 코드 __요약

★ 이 책에서 다루는 내용 ★ ■ 딥러닝의 역사적 발전 및 진보와 함께 머신 러닝에 대해 학습 ■ 최신 텐서플로 1.x를 사용한 딥 머신 지능과 GPU 컴퓨팅 ■ 공용 데이터 집합에 액세스하고 텐서플로를 사용한 데이터 로드, 처리 및 변형 ■ 이미지, 텍스트 등을 비롯한 실제 데이터 집합에 텐서플로 사용 ■ 딥러닝 모델의 성능을 평가하는 방법 ■ 확장 가능한 객체 탐지 및 모바일 컴퓨팅을 위한 딥러닝 사용 ■ 강화 학습 기법을 탐색해 데이터를 신속하게 학습시키는 방법 ■ 딥러닝 연구와 응용의 활발한 분야 탐색 ★ 이 책의 대상 독자 ★ 개발자, 데이터 분석가 또는 복잡한 수치 계산에 대한 배경 지식이 부족하지만, 딥러닝이 무엇인지 알고 싶어하는 딥러닝 애호가를 위해 작성됐다. 이 책은 딥러닝을 통해 실제 경험을 쌓기 위한 빠른 가이드를 원하는 초보자에게 큰 도움이 될 것이다. 컴퓨터 하드웨어 및 알고리즘에 대한 기본 인식을 비롯해 컴퓨터과학 기술 및 기술에 대한 기본지식이 있는 것으로 간주돼 하나의 언어로 프로그래밍하는 초보적인 수준을 전제로 한다. 초급 선형 대수학 및 미적분학 수준의 수학 능력이 필요하다. ★ 이 책의 구성 ★ 1장, ‘텐서플로 시작하기’에서는 2~10장에서 찾아봐야 하는 몇 가지 기본 개념에 대해 설명한다. 1장에서는 머신 러닝과 딥러닝 아키텍처에 대해 소개할 것이다. 마지막으로 소위 Deep Neural Networks라고 불리는 딥러닝 아키텍처를 소개한다. 딥러닝 아키텍처는 망의 깊이 측면에서 일반적으로 알려진 단일 은닉층 신경망과는 다르다. 즉, 패턴 인식의 다단계 프로세스에서 데이터가 통과하는 노드 계층의 수가 많다. 1장에서는 딥러닝 아키텍처에 대한 비교 분석을 한다. 여기에는 대부분의 딥러닝 알고리즘이 진화한 모든 신경 네트워크가 요약돼 있다. 2장, ‘텐서플로를 처음으로 살펴보기’에서는 텐서플로 1.x의 주요 기능 및 내용을 다룬다. 계산 그래프, 데이터 모델, 프로그래밍 모델 및 텐서보드(TensorBoard)로 시작한다. 2장의 마지막 부분에서는 단일 입력 뉴런(Single Input Neuron)을 구현해 텐서플로가 실제로 작동하는 것을 볼 수 있다. 마지막으로 텐서플로 0.x에서 텐서플로 1.x로 업그레이드하는 방법을 살펴본다. 3장, ‘피드 포워드 신경망 텐서플로 사용하기’에서는 피드 포워드 뉴럴 네트워크에 대해 자세히 설명한다. 3장은 기본 아키텍처를 사용해 많은 응용 프로그램 예제를 구현하므로 매우 실용적이다. 4장, ‘컨볼루션 신경망(Convolutional Neural Network)’에서는 딥러닝 기반 이미지 분류기의 기본 블록인 CNN 네트워크를 소개한다. CNN 네트워크의 두 가지 예를 개발해볼 것이다. 첫 번째 예제는 고전적인 MNIST 숫자 분류 문제이며, 두 번째 예제의 목적은 일련의 얼굴 이미지에 대한 네트워크를 학습해 감정적인 스트레칭을 분류하는 것이다. 5장, ‘텐서플로 오토인코더’에서는 최적화 입력 패턴을 변형하기 위해 설계하고 학습시킨 오토인코더(autoencoder) 네트워크를 설명한다. 따라서 입력 패턴의 성능 저하나 불완전한 버전이 있는 경우, 원래 패턴을 얻을 수 있다. 5장에서는 몇 가지 응용 프로그램 예제로 작동하는 오토인코더 프로그램을 볼 수 있다. 6장, ‘순환 신경망(Reverse Neural Networks)’에서는 다양한 길이의 데이터를 처리하도록 설계된 기본 아키텍처를 설명한다. 순환 신경망은 다양한 자연어 처리 작업에 널리 사용된다. 텍스트 처리 및 이미지 분류 문제는 6장에서 구현한다. 7장, ‘GPU 컴퓨팅’에서는 GPU 컴퓨팅을 위한 텐서플로 기능을 보여준다. 이 장에서는 텐서플로를 사용해 GPU를 처리하는 몇 가지 기술을 살펴본다. 8장, ‘고급 텐서플로 프로그래밍’에서는 케라스(Keras), Pretty Tensor, TFLearn 같은 텐서플로 기반 라이브러리에 대한 개요를 설명한다. 각 라이브러리에 관련된 응용 프로그램 예제를 통해 주요 기능을 설명할 것이다. 9장, ‘텐서플로를 사용한 고급 멀티미디어 프로그래밍’에서는 텐서플로를 사용해 멀티미디어 프로그래밍의 일부 고급 기술 및 새로운 측면을 다룬다. 텐서플로를 사용해 안드로이드에서 확장할 수 있는 객체 탐지 및 심층 학습을 위한 심층 신경망을 예제로 들어 설명한다. 논의를 좀 더 구체화하기 위해 예제로 가속 선형 대수(XLA)와 케라스를 논의할 것이다. 10장, ‘강화 학습(Reinforcement Learning)에서는 RL 기본 개념을 다룬다. 가장 보편적인 강화 학습 알고리즘 중 하나인 Q-learning 알고리즘을 경험할 것이다. 더욱이 텐서플로에서 사용할 수 있는 강화 학습 알고리즘을 개발하고 비교해보기 위한 툴킷인 OpenAI gym 프레임워크를 소개한다.