대량구매 영진닷컴 이기적in 수험서 영진닷컴 쇼핑몰
출석체크이벤트
대량구매

최근본상품 0

    prev
    /
    next

    추천상품 0

      prev
      /
      next

      장바구니 0

        prev
        /
        next

        위시리스트 0

          prev
          /
          next

          북마크
          top
          상품번호 : 100006920
          페이스북 트위터 구글+ 싸이홈 
          10%
          텐서플로로 배우는 딥러닝
          판매가 26,000원  할인내역
          할인내역

          구분 할인
          기본할인 2,600원
          23,400
          무이자할부
          무이자할부 카드안내 X
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          3~12개월 5만원이상
          적립금 1,170원
          배송 택배 20,000원 이상 구매 시 무료
          고객평가 0건  ★★★★★ 0/5
          출판사 영진닷컴
          저자 솔라리스 저
          ISBN 9788931458398
          출간일 2018년 11월 16일
          쪽수 416쪽
          제조사 영진닷컴
          원산지 대한민국
          수량
          총 상품금액 23,400
          상품설명 상품후기 (0) 상품문의 (0) 교환/반품/배송정보


          딥러닝 기초 이론부터 ANN, 오토인코더, CNN, RNN, GAN, FCN, DQN, 이미지 캡셔닝 최신 모델 구현까지


          이 책에서는 딥러닝 기법의 이론적 배경이 되는 기초적인 수학적 이론들을 자세하게 소개하고,

          딥러닝 기초 모델들(ANN, 오토인코더, CNN, RNN)의 정확한 이해를 위해 텐서플로 예제 코드와 함께 설명합니다.

          또한, 딥러닝 모델들을 다양한 문제에 적용하고 실제 문제에 응용하는 방법을 소개합니다.


          책의 초반에는 선형 대수, 확률 통계, 최적화 이론과 같은 수학적 이론을 설명하고, 딥러닝 알고리즘의 기본 구조인 ANN, 오토인코더, CNN, RNN을 다룹니다.

          중반에는 앞에서 배운 ANN, CNN, RNN 구조를 이미지 캡셔닝, Semantic Image Segmentation 문제에 어떻게 응용하는지를 설명합니다.

          책의 후반에는 최근에 인기 있는 주제인 생성 모델과 강화 학습의 개념을 살펴보고, 파인 튜닝과 사전 학습된 모델을 이용해서 실제 문제를 해결하는 방법을 배웁니다. 1

          권의 책으로 딥러닝 기초 이론부터 텐서플로 라이브러리를 이용한 실제 구현까지 모두 파악할 수 있습니다.


          * 책에 등장하는 예제 파일은 다음 주소에서 확인하시기 바랍니다.
          https://github.com/solaris33/deep-learning-tensorflow-book-code


          * 저자 소개

          솔라리스

          서울대학교 인공지능 및 컴퓨터 비전 연구실에서 석사학위를 받았습니다.

          텐서플로와 인공지능, 머신러닝, 딥러닝을 관련 내용을 포스팅하는 “솔라리스의 인공지능 연구실”(solarisailab.com)이라는 블로그를 운영 중입니다.







          1. 인공지능, 머신러닝, 딥러닝 소개

          1.1 딥러닝 알고리즘의 등장배경

          1.2 지도 학습

          1.3 비지도 학습

          1.4 강화 학습

          1.5 정리

           

          2. 텐서플로 소개

          2.1 텐서플로 설치 및 책에서 사용하는 소스 코드 다운로드

          2.1.1 텐서플로 소개

          2.1.2 텐서플로 설치

          2.1.3 책에서 사용하는 소스 코드 다운로드

          2.2 딥러닝, 텐서플로 응용 분야

          2.2.1 컴퓨터 비전

          2.2.2 자연어 처리

          2.2.3 음성 인식

          2.2.4 게임

          2.2.5 생성 모델

          2.3 텐서플로 추상화 라이브러리들

          2.3.1 케라스

          2.3.2 TF-Slim

          2.3.3 Sonnet

          2.4 정리

           

          3. 텐서플로 기초와 텐서보드

          3.1 텐서플로 기초 - 그래프 생성과 그래프 실행

          3.2 플레이스홀더

          3.3 선형회귀 및 경사하강법 알고리즘

          3.3.1 머신러닝의 기본 프로세스 - 가설 정의, 손실 함수 정의, 최적화 정의

          3.3.2 선형 회귀 알고리즘 구현 및 변수

          3.4 텐서보드를 이용한 그래프 시각화

          3.5 정리

           

          4. 머신러닝 기초 이론들

          4.1 Batch Gradient Descent, Mini-Batch Gradient Descent, Stochastic Gradient Descent

          4.2 Training Data, Validation Data, Test Data 및 오버피팅

          4.3 소프트맥스 회귀

          4.3.1 소프트맥스 회귀

          4.3.2 크로스 엔트로피 손실 함수

          4.3.3 MNIST 데이터셋

          4.3.4 One-hot Encoding

          4.4 소프트맥스 회귀를 이용한 MNIST 숫자 분류기 구현

          4.4.1 mnist_classification_using_softmax_regression.py

          4.4.2 tf_nn_sparse_softmax_cross_entropy_with_logits_example.py

          4.5 정리

           

          5. 인공신경망(ANN)

          5.1 인공신경망의 등장 배경

          5.2 퍼셉트론

          5.3 다층퍼셉트론 MLP

          5.4 오류역전파 알고리즘

          5.5 ANN을 이용한 MNIST 숫자 분류기 구현

          5.6 정리

           

          6. 오토인코더(AutoEncoder)

          6.1 오토인코더의 개념

          6.2 오토인코더를 이용한 MNIST 데이터 재구축

          6.3 오토인코더와 소프트맥스 분류기를 이용한 MNIST 분류기 구현

          6.3.1 파인 튜닝과 전이 학습

          6.3.2 오토인코더와 소프트맥스 분류기를 이용한 MNIST 숫자 분류기 구현

          6.4 정리

           

          7. 컨볼루션 신경망(CNN)

          7.1 컨볼루션 신경망의 개념 - 컨볼루션, 풀링

          7.2 MNIST 숫자 분류를 위한 CNN 분류기 구현

          7.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현

          7.3.1 CIFAR-10 데이터셋

          7.3.2 드롭아웃

          7.3.3 CNN을 이용한 CIFAR-10 이미지 분류기 구현

          7.4 대표적인 CNN 모델들 - AlexNet, VGGNet, GoogLeNet, ResNet

          7.4.1 AlexNet

          7.4.2 VGGNet

          7.4.3 GoogLeNet(Inception v1)

          7.4.4 ResNet

          7.5 tf.train.Saver API를 이용해서 모델과 파라미터를 저장하고 불러오기

          7.6 정리

           

          8. 순환신경망(RNN)

          8.1 순환신경망

          8.2 LSTM(/단기 기억 네트워크)와 경사도 사라짐 문제

          8.3 GRU

          8.4 임베딩

          8.4.1 임베딩의개념

          8.4.2 tf.nn.embedding_lookup을 이용한 임베딩 구현

          8.5 경사도 증가 문제와 경사도 자르기

          8.6 Char-RNN

          8.6.1 Char-RNN의 개념

          8.6.2 텐서플로를 이용한 Char-RNN 구현

          8.6.2.1 train_and_sampling.py

          8.6.2.2 utils.py

          8.7 정리

           

          9. 이미지 캡셔닝(Image Captioning)

          9.1 이미지 캡셔닝 문제 소개

          9.2 이미지 캡셔닝 데이터셋 - MS COCO

          9.3 이미지 캡셔닝 구현 - im2txt

          9.4 im2txt 코드 구조에 대한 설명 및 코드 실행 방법

          9.4.1 train.py

          9.4.2 show_and_tell_model.py

          9.4.3 run_inference.py

          9.5 정리

           

          10. Semantic Image Segmentation

          10.1 Semantic Image Segmentation 개념

          10.2 FCN

          10.3 Semantic Image Segmentation을 위한 데이터셋 - MIT Scene Parsing

          10.4 FCN을 이용한 Semantic Image Segmentation 구현 - FCN.tensorflow

          10.4.1 FCN.py

          10.4.2 TensorflowUtils.py

          10.4.3 read_MITSceneParsingData.py

          10.4.4 BatchDatsetReader.py

          10.5 정리

           

          11. 생성 모델 - GAN

          11.1 생성 모델의 개념

          11.2 GAN의 개념

          11.3 GAN을 이용한 MNIST 데이터 생성

          11.4 정리

           

          12. 강화 학습(Reinforcement Learning)

          12.1 강화 학습의 기본 개념과 MDP

          12.1.1 상태 가치 함수

          12.1.2 행동 가치 함수

          12.2 Q-Learning

          12.2.1 Q-TableQ-Networks

          12.2.2 -Greedy

          12.3 DQN

          12.4 DQN을 이용한 게임 에이전트 구현 - CatchGame

          12.4.1 train_catch_game.py

          12.4.2 play_catch_game.ipynb

          12.5 정리

           

          13. 파인 튜닝과 사전 학습된 모델을 이용한 실제 문제 해결

          13.1 파인 튜닝 및 전이 학습 기법 리뷰

          13.2 Inception v3 Retraining을 이용한 나만의 분류기

          13.2.1 Inception v3 모델

          13.2.2 inceptionv3_retrain.py - 나만의 데이터셋으로 파인 튜닝

          13.2.3 inceptionv3_retrain.py

          13.2.4 inceptionv3_inference.py

          13.3 사전 학습된 모델을 이용한 물체 검출 수행

          13.3.1 물체 검출의 개념

          13.3.2 사전 학습된 Faster R-CNN 모델로 물체 검출 수행

          13.3.3 faster_rcnn_inference.py

          13.4 TensorFlow Hub

          13.5 정리

          13.6 더 공부할 것들


          상품설명 상품후기 (0) 상품문의 (0) 교환/반품/배송정보



          상품설명 상품후기 (0) 상품문의 (0) 교환/반품/배송정보



          1. 주문하신 물품의 총 결제금액이 15만원 이상 (환율의 변동에 따라 다를 수 있음) 이면 과부가세가 발생합니다. 관부가세는 고객님께서 부담하시는 금액으로 문자를 통해 입금내역이 발송되며 해당 관세사로 입금하시면 통관처리됩니다.

          2. 해외구매 특성상 주문에서 배송까지는 평균 10~15일이 소요됩니다. 간혹 현지 제품 수급에 따라 부득이하게 시일이 더 소요 될 수 있으니 구매시 좀 더 여유있게 주문하시길 권합니다.

          3. 해외 내수품인 관계로 A/S에 대해서는 별도의 책임을 지지 않습니다.

          4. 해외배송 특성상 주문접수후 배송상태가 배송준비중으로 넘어간 경우 해외에서 국내로의 배송이 이루어지고 있다는 뜻입니다. 따라서 배송준비중으로 배송상태가 넘어간 경우 취소및 반품이 불가하므로 이점 양해 부탁드립니다.

          5. 타 해외구매대행 사이트에서 주문하신 물건과 주문날짜가 겹치지않도록 주의해 주십시오. 통관날짜가 같을 경우 합산관세가 부가되게 됩니다.
          2019 이기적 컴퓨터활용능력 1급 필기 문제집
          19,000 원
          17,100 원
          2019 이기적 컴퓨터활용능력 2급 필기 문제집
          14,000 원
          12,600 원
          2019 이기적 컴퓨터활용능력 1급 실기 기본서
          35,000 원
          31,500 원
          2019 이기적 컴퓨터활용능력 2급 실기 기본서
          22,000 원
          19,800 원
          2018 이기적 in 컴퓨터그래픽스운용기능사 실기 기본서
          28,000 원
          25,200 원
          회사명 : (주) 영진출판 | 사업자등록번호 : 214-87-87121 [사업자정보확인] | 주소 : 서울특별시 금천구 가산동 가산디지털2로 123 (월드메르디앙2차) 1016호 영진닷컴
          통신판매업 신고 : 2013-서울금천-0365 | 연락처 : 1588-0789 | FAX : 02-867-1987 | 개인정보관리 책임자 : 이병억 | 대표자 : 김민호
          contact : shop@youngjin.com for more information
          회원님의 소중한 개인정보 보호를 위해 비밀번호를 주기적으로 변경하시는 것이 좋습니다.
          현재 비밀번호
          신규 비밀번호
          신규 비밀번호 확인
          6~20자, 영문 대소문자 또는 숫자 특수문자 중 2가지 이상 조합