GoogleㆍMicrosoftㆍTwitterㆍFacebookㆍAirbnb 등

 글로벌 IT 기업의 핵심 데이터 과학자들이 적극 추천!

2006년 머신러닝 분야는 중요한 전환점을 맞이하였다. 캐나다 토론토대학교의 머신러닝 분야의 대가 Geoffrey Hinton 교수와 그의 학생 Ruslan Salakhutdinov는 “Science”에서 Deep Belief Networks에 관한 논문을 발표하였다.

이 논문의 발표 이후부터 현재까지 딥러닝은 급속히 발전했다. 

이 책에서는 요즘 유행하는 딥러닝 모델링 플레임 워크 Keras를 사용하여 딥러닝 학습 주제를 설명한다. Keras를 사용하는 이유는 다음의 3가지 방면을 고려했기 때문이다. 첫째, Keras는 대부분의 업무 환경에 응용할 수 있는 다양한 자주 사용되는 딥러닝 모듈을 포함한다. 둘째, 원칙적으로 Keras는 고도의 추상적인 딥러닝 프로그래밍 환경으로 간단하며 배우기 쉽다. Keras의 하층은 CNTK, TensorFlow 혹은 Theano를 전용하여 계산을 진행한다. 세 번째, 응용 분야의 실무자로서 우리는 상업 혹은 공정 문제를 적절한 모델로 변환하는 방법 및 데이터를 준비하고, 모델의 장단점을 분석하고 모델의 결과를 해석하는 방법에 중점을 둬야 하며, 사용자가 구체적인 매트릭스 연산 및 미분에서 벗어나 업무 논리에 초점을 맞출 수 있도록 하는 Keras는 이러한 시나리오에 매우 적합하다.

이 책은 Keras 딥러닝 프레임워크를 사용하여 신경망 모델링을 진행하는 것을 체계적으로 설명한 실용서이다. 데이터 과학자, 머신러닝 엔지니어, 인공지능 응용 엔지니어 및 작업에서 예측 모델링 및 회귀 분석을 진행해야 하는 실무자에게 적합하다. 또한, 이 책은 딥러닝에 관심이 있는 다른 여러 배경의 실무자, 학생 및 교사들에게도 적합하다.

이 책은 10개의 챕터로 나누어져 있으며 딥러닝의 기본 지식과 Keras를 사용한 모델링 과정 및 응용을 체계적으로 설명하고 구체적인 코드를 제공하여 독자가 핵심 모델링 지식을 학습하는데 소요되는 시간을 최소화할 수 있도록 한다.

1장에서는 딥러닝 환경 구축을 소개한다. 이는 이 책의 가장 기초가 되는 부분이다.

2장에서는 웹 크롤러 기술을 사용하여 데이터를 수집하고 ElasticSearch를 사용하여 데이터를 저장하는 방법을 소개한다. 이는 많은 응용에서 독자가 직접 웹에서 데이터를 크롤링하고 처리 및 저장을 해야 하기 때문이다.

3장에서는 딥러닝 모델의 기본 개념을 소개한다. 4장에서는 딥러닝 프레임 워크 Keras의 사용법을 소개한다. 5~9장은 5개의 전형적인 딥러닝 응용이며 추천 시스템, 이미지 인식, 자연어 처리, 문자 생성 및 시계열에 대한 딥러닝의 구체적인 응용을 차례대로 소개한다.

이러한 응용을 소개하는 과정에서 각종 딥러닝 모델 및 코드를 삽입하였으며 독자들에게 이러한 모델의 원리 및 응용 시나리오에 대해 느낀 점을 공유하였다. 마지막으로 사물인터넷의 개념을 소개하였다. 우리는 사물인터넷과 딥러닝의 결합이 엄청난 에너지와 가치를 가져올 것이라고 믿는다. 

Chapter 01. 딥러닝 환경 구축

　1.1 하드웨어 환경 구축

　　1.1.1 GPU상의 범용 연산

　　1.1.2 그래픽 카드

　　1.1.3 그래픽 카드 메모리

　　1.1.4 멀티 GPU

　1.2 소프트웨어 환경 구축

　　1.2.1 필수 소프트웨어

　　1.2.2 CUDA 설치

　　1.2.3 Python  설치  42

　　1.2.4 딥러닝 모델링 환경  44

　　1.2.5 CNTK와 Keras 설치  46

　　1.2.6 Theano 설치  52

　　1.2.7 TensorFlow 설치  54

　　1.2.8 cuDNN 및 CNMeM 설치  56

Chapter 02. 데이터 수집 및 처리

　2.1 웹 크롤링

　　2.1.1 웹 크롤링 기술

　　2.1.2 Scrapy 크롤러 구현

　　2.1.3 매개변수를 갖는 Scrapy 크롤러 구현

　　2.1.4 Scrapy 크롤러 실행

　　2.1.5 Scrapy  실행 키포인트

　2.2 비정형 데이터의 저장 및 분석

　　2.2.1 ElasticSearch 개요

　　2.2.2 ElasticSearch 응용 예제

Chapter 03. 딥러닝

　3.1 개요

　3.2 딥러닝을 위한 통계학 입문

　3.3 신경망 기본 개념

　　3.3.1 딥러닝에서의 함수 유형

　　3.3.2 딥러닝에서의 개념

　3.4 경사 하강법 알고리즘

　3.5 오차 역전파  112

Chapter 04. Keras 입문

　4.1 Keras 개요

　4.2 Keras에서 데이터 처리하기

　　4.2.1 텍스트 전처리

　　4.2.2 시퀀스 데이터 전처리

　　4.2.3 이미지 데이터 입력

　4.3 Keras 모델

　4.4 Keras의 중요한 함수

　4.5 Keras 계층 구조

　4.6 Keras를 이용한 특이값 분해

Chapter 05. 추천 시스템

　5.1 추천 시스템 소개  157

　5.2 매트릭스 분해 모델  162

　5.3 딥 신경망 모델  172

　5.4 자주 사용되는 알고리즘  177

　　5.4.1 협업 필터링  177

　　5.4.2 인수 분해 머신  178

　　5.4.3 볼츠만 벡터 머신  179

　5.5 평가 모델 지표  180

Chapter 06. 이미지 인식

　6.1 이미지 인식 입문

　6.2 합성곱 신경망 소개

　　6.2.1 AlexNet

　　6.2.2 LeNet

　　6.2.3 VGG16

　　6.2.4 VGG19

　6.3 종단 간의 MNIST 숫자 인식 훈련

　6.4 VGG16 네트워크를 이용한 손글씨 인식

　6.5 요약

Chapter 07. 자연언어 감정 분석

　7.1 자연언어 감정 분석에 대한 소개

　7.2 문자 감정 분석 모델링

　　7.2.1 단어 임베딩 기술

　　7.2.2 여러 계층 완전연결 신경망 훈련 감정 분석

　　7.2.3 합성곱 신경망 훈련 감정 분석

　　7.2.4 순환 신경망 훈련 감정 분석

　7.3 요약

Chapter 08. 텍스트 생성

　8.1 텍스트 생성 및 챗봇

　8.2 검색 기반 대화 시스템

　8.3 딥러닝에 기반한 검색 대화 시스템

　　8.3.1 대화 데이터의 구성

　　8.3.2 딥러닝 인덱스 모델 구축

　8.4 문자 생성에 기반한 대화 시스템

　8.5 요약

Chapter 09. 시계열

　9.1 시계열 소개

　9.2 기본 개념

　　9.2.1 Augmented Dickey-Fuller Test (ADF)

　　9.2.2 Kwiatkowski-Phillips-Schmidt-Shin Test (KPSS)

　9.3 시계열 모델 예측 정확도 평가

　　9.3.1 예측 정확도를 평가할 때 자주 쓰이는 통계량

　　9.3.2 샘플 이외의 데이터를 사용하여 검증하는 단계

　9.4 시계열 데이터 예제

　9.5 ARIMA 시계열 모델에 대한 간략한 회상

　　9.5.1 차분 항을 식별하는 원칙

　　9.5.2 자동 회귀 또는 예측 오차 항을 식별하는 원칙

　　9.5.3 모델의 계절성 식별

　9.6 순환 신경망 및 시계열 모델

　9.7 응용 사례

　　9.7.1 양쯔강 한커우 월간 유량 시계열 모델

　　9.7.2 국제선 항공 월간 승객 수 시계열 모델

　9.8 요약

Chapter 10. 지능 사물인터넷

　10.1 Azure와 IoT

　　10.1.1 IoT 방안 구조

　　10.1.2 설비 연결

　　10.1.3 데이터 처리 및 분석

　　10.1.4  보고서 및 상업 연결

　　10.1.5 다음 단계

　10.2 Azure IoT Hub 서비스

　　10.2.1 Azure IoT Hub를 사용하는 이유

　　10.2.2 게이트웨이

　　10.2.3 IoT Hub의 작동 원리

　　10.2.4 다음 단계

　10.3 IoT Hub를 사용한 디바이스 관리 개요

　　10.3.1 소개

　　10.3.2 디바이스 관리 원칙

　　10.3.3 디바이스 수명 주기

　　10.3.4 디바이스 관리 모드

　10.4 .NET을 사용한 IoT Hub로의 시뮬레이션 디바이스 연결

　　10.4.1 소개

　　10.4.2 IoT Hub 구축

　　10.4.3 디바이스 신분 생성

　　10.4.4 가상 디바이스 만들기

　　10.4.5 디바이스에서 클라우드로 보낸 정보 받기

　　10.4.6 프로그램 실행

　　10.4.7 Service Bus 캐시 명령 사용

　　10.4.8 IoT Hub와 큐를 연결하기

　10.5 머신러닝 응용 사례

씨에량
현재 마이크로소프트의 클라우드 컴퓨팅 핵심 스토리지 부문의 수석 데이터 과학자. 머신러닝과 인공지능 기법을 활용하여 운용 효율의 최적화, 대규모 고가용성 병렬 스토리지 시스템의 운용과 유지 개선 업무를 담당하고 있다. 10여 년간의 머신러닝 응용 경험으로 각종 업무 장면에서 데이터 발굴 제품의 수요 분석, 아키텍처 설계, 알고리즘 개발과 집적 배치, 금융, 에너지와 하이테크 등의 분야에서 탁월한 실력을 발휘했다. 〈Journal of Statistical Software〉를 포함한 전문지에 다수의 논문을 발표했으며, 시난재경대학 경제학과를 졸업하고, 뉴욕주립대학에서 국제경제학 박사 학위를 취득했다. 

루잉
현재 구글 실리콘밸리의 본사 데이터 과학자. 구글 앱스토어에서 핵심 데이터 의사결정 분석을 제공하고, 머신러닝과 딥러닝 기술을 활용하여 사용자 행동 예측 모델을 수립하며, 제품 최적화를 위한 핵심 데이터를 지원하고 있다. 아마존, 마이크로소프트, 디즈니 미국 본사에서 머신러닝 연구 개발자로서 다년간 근무하면서 머신러닝과 딥러닝 알고리즘을 활용하여 업무용 솔루션을 개발한 경험을 갖고 있으며, 중국 커뮤니티의 인공지능 연구 개발을 지원하고 주요 회의 및 기조 연설에 적극적으로 참여하고 있다. 푸단대학 수학과를 졸업하고, 미네소타대학에서 통계학 박사 학위를 취득했다.

라오훙란
현 마이크로소프트연구원 연구 엔지니어. 초기 스마트 하드웨어 프로젝트에서 시각과 음성 연구 개발의 핵심 팀 구성원으로 기업 사용자와 소비자 수요 체험과 AI 기술의 결합에 대한 깊은 이해와 풍부한 경험을 가지고 있다. Azure 및 Office 365에서 트래픽이 많고 동시성이 높은 백엔드 클라우드 연구 및 개발을 처리했으며 다양한 시스템 아키텍처 설계 및 성능 최적화 솔루션에 능숙하다. 프론트엔드에서 백엔드까지 고객의 수요 판단, 제품 개발 그리고 클라우드 아키텍처의 설계와 배치에 뛰어난 실력을 가지고 있다. 저장대학 전자과를 졸업하고, 서던캘리포니아(USC)에서 전자컴퓨터학 석사 학위를 취득했다.