실전 데이터 분석을 위한 파이썬 딥러닝

딥러닝은 데이터를 행렬로 구성하여 연산 처리한다. 그중 파이썬으로 행렬 연산을 쉽게 할 수 있도록 해주는 라이브러리인 넘파이를 활용하는 이 책은 딥러닝에 필요한 몇 가지 주요한 행렬과 관련된 함수와 미분 방법을 코드와 실습을 통해 익혀볼 수 있다. 머신러닝 및 인공지능을 활용해 볼 수 있는 다양한 예제를 제공하는 사이킷런을 통해 모델을 만들어 보기 때문에 이를 활용하면 실전에서 바로 써먹을 수 있다. 정확한 숫자를 예측하는 회귀 문제와 클래스라고 불리는 라벨을 맞추는 분류 문제를 당뇨병 예측, 체력 검사, 붓꽃, 손글씨 예제를 통해 모델을 구현하고 검증해보는 과정을 보여줌으로써 개념을 확실히 잡아준다. 특히 어려운 수학적 개념을 그림과 수식을 통해 이해를 높였으며 처리 과정을 엑셀로 보여주기 때문에 방향을 잃지 않고 끝까지 잘 따라갈 수 있다. 데이터의 특징을 추출하여 패턴을 파악하는 구조인 CNN과 반복적이고 순서가 있는 데이터 학습에 특화된 RNN으로 마지막을 마무리하면서 신경망에서 학습을 통해 적합한 필터 생성을 보여준다. 이를 모두 학습하여 끊임없이 발전하고 있는 딥러닝 분야에서 자신만의 새로운 방법과 기술을 개발하는 데 활용하면 도움이 될 것이다.

기계정보공학을 전공하고 현재 산업차량 무인화 파트에서 일하고 있다. 알파고를 보고 딥러닝에 입문하였으며, 특히 최신 논문 리뷰 및 구현에 관심이 많다. 현재 강화 학습 관련 유튜브 채널을 운영하고 있다.

PART 0 개발 환경 구축

1. 파이썬 설치
01. Windows OS 버전
02. Mac OS 버전
2. 필요 패키지 설치
01. 주피터(Jupyter)
02. xlwings
03. 사이킷런(Scikit-Learn)
04. OpenCV 및 Numpy
05. Matplotlib
3. 파이썬-엑셀 연동 실습
01. 셀 내 중복값 제거 실습
02. 웹캠 이미지 엑셀 출력

PART 1 넘파이(Numpy)

1. 배열(ndarray)
01. arange 함수
02. reshape 함수
03. array indexing
2. 연산
01. 행렬의 사칙연산과 행렬곱
02. eye 함수
03. 전치 행렬(Transpose)
04. flip 함수
05. pad 함수
3. 미분
01. 함수의 기울기
02. 미분 프로그래밍

PART 2 딥러닝 개요

1. 딥러닝 학습
2. y = wx 학습
01. 엑셀 데이터 준비
02. 손실 함수(Loss)의 정의
03. 경사 하강법(Gradient Descent)
04. 모델 구현
3. y = wx + b 학습
01. 편미분
02. 확률적 경사 하강법(Stochastic Gradient Descent)
03. 모델 구현
4. y = w1 × 1 + w2 × 2 + b 학습
01. 행렬 표현
02. 행렬 연산의 이해
03. 모델 구현
5. 임의의 함수 학습
01. 딥러닝(Deep Learning)
02. 체인룰(CHAIN RULE), 순전파(Forward Propagation), 역전파(Back Propagation)
03. 활성화 함수(Activation Function)
04. 모델 구현

PART 3 회귀 예제

1. 당뇨병 예측 데이터
01. 데이터 확인 및 모델 만들기
02. 데이터 정규화
03. 하이퍼 파라미터(Hyper Parameter) 설정
04. 과소/과대 적합 방지
2. 체력 검사 데이터
01. 데이터 확인
02. 다중 출력 모델 설계
03. 다중 출력 모델의 역전파

PART 4 분류 개요

1. 이진 분류
01. 시그모이드(Sigmoid)
02. 분류의 역전파
03. 모델 구현
04. 시그모이드를 중간층의 활성화 함수로 사용하지 않는 이유 1
2. 다중 분류
01. 소프트맥스(Softmax)
02. 카테고리컬 크로스 엔트로피(Categorical Cross Entropy)
03. 모델구현

PART 5 분류 예제

1. 붓꽃 분류
01. 데이터 확인
02. 원핫인코딩(One-hot Encoding)
03. 모델 구현
2. 손글씨 분류
01. 데이터 확인
02. 데이터 전처리
03. 모델 구현
04. 모델 검증 및 한계

PART 6 CNN

1. 이미지 데이터 특성
2. 필터와 합성곱(Convolution) 연산
3. 합성곱의 역전파
4. 모델 구현
5. CNN 추가 정보
01. 행렬로 표현
02. Stride
03. 패딩(Padding)
04. 풀링(Pooling)
05. 채널

PART 7 RNN

1. RNN 구조
2. 순전파와 역전파 연산

부록 1 Google Spreadsheet 사용
1. 구글 드라이브 API 설정하기
2. 구글 스프레드시트 API 설정하기

부록 2 Tensorflow 사용
1. 당뇨병 데이터
2. 체력 검사 데이터
3. 붓꽃 데이터
4. 손글씨 데이터
5. 영어 철자 예측 데이터