[1장] 딥러닝이란 1.1 지능이란 무엇인가 1.2 인공지능(AI) 1.3 머신러닝 1.4 신경망 1.5 딥러닝 개요 1.6 인공지능과 딥러닝의 역사 __1.6.1 제1차 인공지능 전성기: 1950년대~1960년대 __1.6.2 제2차 인공지능 전성기: 1980년대~1990년대 후반 __1.6.3 제3차 인공지능 전성기: 2000년대 이후 [2장] 파이썬 개요 2.1 파이썬을 사용하는 이유 2.2 아나콘다와 주피터 노트북 활용 __2.2.1 아나콘다 다운로드 __2.2.2 아나콘다 설치 __2.2.3 주피터 노트북 실행 __2.2.4 주피터 노트북 사용 __2.2.5 노트북 종료 2.3 파이썬 문법 __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 while문 __2.3.9 내포 __2.3.10 함수 __2.3.11 변수의 범위 __2.3.12 클래스 2.4 넘파이 __2.4.1 넘파이 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 브로드캐스트 __2.4.7 원솟값에 접근 __2.4.8 슬라이싱 __2.4.9 축과 transpose 메소드 __2.4.10 넘파이의 함수 2.5 맷플롯립 __2.5.1 모듈 임포트 __2.5.2 그래프 생성 __2.5.3 그래프 디자인 __2.5.4 산포도 표시 __2.5.5 이미지 표시 [3장] 딥러닝을 위한 수학 3.1 수학 기호 __3.1.1 시그마(Σ)로 총합계 표시 __3.1.2 자연상수 e __3.1.3 자연로그 log 3.2 선형대수 __3.2.1 스칼라 __3.2.2 벡터 __3.2.3 행렬 __3.2.4 텐서 __3.2.5 스칼라와 행렬의 곱셈 __3.2.6 각 원소 간의 곱셈 __3.2.7 행렬 곱 __3.2.8 행렬 전치 3.3 미분 __3.3.1 상미분 __3.3.2 미분법의 기본 공식 __3.3.3 연쇄법칙 __3.3.4 편미분 __3.3.5 전미분 __3.3.6 다변수의 연쇄법칙 3.4 정규분포 [4장] 신경망 4.1 신경세포 네트워크 4.2 신경세포의 모델화 4.3 뉴런의 네트워크화 4.4 회귀와 분류 __4.4.1 회귀 __4.4.2 분류 4.5 활성화 함수 __4.5.1 계단 함수 __4.5.2 시그모이드 함수 __4.5.3 tanh __4.5.4 ReLU __4.5.5 Leaky ReLU __4.5.6 항등 함수 __4.5.7 소프트맥스 함수 4.6 신경망 구현 __4.6.1 단일 뉴런 구현 __4.6.2 가중치와 편향의 영향 __4.6.3 신경망 구현 __4.6.4 각 층의 구현 __4.6.5 신경망(회귀) __4.6.6 신경망의 표현력 __4.6.7 신경망(분류) [5장] 역전파 5.1 학습 규칙 __5.1.1 헵의 규칙 __5.1.2 델타 규칙 5.2 역전파란? 5.3 훈련 데이터와 테스트 데이터 5.4 손실 함수 __5.4.1 오차제곱합 __5.4.2 교차 엔트로피 오차 5.5 경사 하강법 __5.5.1 경사 하강법 개요 __5.5.2 기울기 구하는 방법 __5.5.3 출력층 기울기 __5.5.4 출력층에서 입력값 기울기 __5.5.5 은닉층 기울기 __5.5.6 기울기를 구하는 식 정리 __5.5.7 회귀 문제에서 기울기 구하는 방법 __5.5.8 분류 문제에서 기울기 구하는 방법 5.6 최적화 알고리즘 __5.6.1 최적화 알고리즘 개요 __5.6.2 확률적 경사 하강법 __5.6.3 모멘텀 __5.6.4 아다그라드 __5.6.5 RMSProp __5.6.6 아담 5.7 배치 사이즈 __5.7.1 에포크와 배치 __5.7.2 배치 학습 __5.7.3 온라인 학습 __5.7.4 미니 배치 학습 5.8 행렬 연산 __5.8.1 행렬의 형식 __5.8.2 행렬을 이용한 순전파 __5.8.3 행렬을 이용한 역전파 5.9 회귀 문제에서의 역전파 구현 __5.9.1 회귀 예(sin 함수의 학습) __5.9.2 출력층 구현 __5.9.3 은닉층 구현 __5.9.4 역전파 구현 __5.9.5 역전파 구현 전체 코드(회귀) __5.9.6 실행 결과 5.10 분류 문제에서의 역전파 구현 __5.10.1 분류 사례(소속 영역 학습) __5.10.2 각 층의 구현 __5.10.3 역전파 구현 전체 코드(분류) __5.10.4 실행 결과 [6장] 딥러닝 구현 6.1 다층화에 따른 문제 __6.1.1 국소 최적해 함정 __6.1.2 과적합 __6.1.3 기울기 소실 __6.1.4 장기간의 학습 시간 문제 6.2 문제 해결 방안 __6.2.1 하이퍼 파라미터 최적화 __6.2.2 규제화 __6.2.3 가중치와 편향 초깃값 __6.2.4 조기 종료 __6.2.5 데이터 확장 __6.2.6 데이터 전처리 __6.2.7 드롭아웃 6.3 붓꽃 품종 분류 __6.3.1 붓꽃 데이터 세트 __6.3.2 훈련 데이터와 테스트 데이터 __6.3.3 신경망 구성 __6.3.4 학습에 관련된 각 설정 6.4 딥러닝 구현 __6.4.1 데이터 입력과 전처리 __6.4.2 각 층의 구현 __6.4.3 신경망 구축 __6.4.4 미니배치법 구현 __6.4.5 정답률 측정 __6.4.6 붓꽃 데이터 품종 분류를 위한 전체 코드 __6.4.7 실행 결과 __6.4.8 과적합 방지를 위한 대책 __6.4.9 아다그라드 구현 __6.4.10 드롭아웃 구현 __6.4.11 과적합 방지 대책의 결과 __6.4.12 품종 분류 [7장] 컨볼루션 신경망(CNN) 7.1 컨볼루션 신경망(CNN)의 개요 __7.1.1 시각 처리 체계 __7.1.2 CNN 구조 __7.1.3 컨볼루션 층 __7.1.4 풀링층 __7.1.5 전결합층 __7.1.6 패딩 __7.1.7 스트라이드 __7.1.8 CNN 학습 __7.1.9 변수 정리 7.2 im2col과 col2im __7.2.1 im2col과 col2im의 개요 __7.2.2 im2col 알고리즘 __7.2.3 간단한 im2col 구현 __7.2.4 배치와 채널을 고려한 실전 im2col 코드 __7.2.5 col2im 알고리즘 __7.2.6 col2im 구현 7.3 컨볼루션층 구현 __7.3.1 구현 개요 __7.3.2 순전파 __7.3.3 역전파 7.4 풀링층 구현 __7.4.1 구현 과정 개요 __7.4.2 순전파 __7.4.3 역전파 7.5 전결합층 구현 7.6 컨볼루션 신경망 구현 __7.6.1 사용 데이터 세트 __7.6.2 구축할 신경망 __7.6.3 CNN 코드 __7.6.4 실행 결과 __7.6.5 컨볼루션층의 시각화 __7.6.6 컨볼루션층 효과 7.7 더 깊은 신경망 __7.7.1 신경망 구축 __7.2.2 실행 결과 [8장] 그 밖의 딥러닝 기술 8.1 순환 신경망(RNN) __8.1.1 RNN의 개요 __8.1.2 LSTM __8.1.3 GRU 8.2 자연어 처리 __8 2.1 형태소 분석 __8.2.2 단어 임베딩 8.3 생성 모델 __8.3.1 생성적 적대 신경망(GAN) __8.3.2 VAE 8.4 강화학습 __8.4.1 강화학습 개요 __8.4.2 심층 강화학습 8.5 GPU 활용 __8.5.1 GPU란 __8.5.2 딥러닝에서 GPU 활용 8.6 딥러닝 프레임워크 8.7 딥러닝의 미래