〈한 권으로 끝내는 파이썬 인공지능 입문+실전(종합편)〉 책은 파이썬, 넘파이, 텐서플로우를 이용하여 인공지능 일고리즘을 구현해 보면서 인공지능의 원리를 이해할 수 있도록 다음과 같이 구성되어 있습니다. 1장에서는 인공지능의 딥러닝을 이해해 봅니다. 첫 번째, 딥러닝의 핵심인 인공 신경망이 무엇인지 알아보고, 딥러닝에 대해 어떤 학습 방법이 있는지 살펴보고, 생물학적 신경과 비교해 보며 딥러닝의 인공 신경망을 이해해 봅니다. 두 번째 딥러닝에 대한 기본 예제를 구글의 코랩과 Keras 라이브러리를 이용해 수행해 보면서 딥러닝을 접해봅니다. 세 번째 중고등학교 때 배웠던 기본적인 함수를 딥러닝의 인공 신경망으로 구현해 보면서 딥러닝의 인공 신경망과 함수의 관계를 이해해 봅니다``. 마지막으로 손글씨 데이터, 패션 데이터를 이용하여 실제 활용되는 딥러닝을 살펴봅니다. 2장에서는 파이썬을 이용하여 기초적인 딥러닝 알고리즘을 살펴보고 구현해 봅니다. 첫 번째, 딥러닝의 단일 인공 신경 알고리즘을 살펴보고 구현해 봅니다. 이 과정에서 순전파, 목표 값, 평균값 오차, 역전파 오차, 오차 역전파, 학습률, 경사 하강법, 인공 신경망 학습 등에 대한 용어를 정리하고 구현에 적용해 봅니다. 두 번째, 2입력 1출력 인공 신경, 2입력 2출력 인공 신경망, 3입력 3출력 인공 신경망, 2입력 2은닉 2출력 인공 신경망에 딥러닝 알고리즘을 적용해 봅니다. 세 번째, 딥러닝에서 주로 사용되는 활성화 함수인 sigmoid, tanh, ReLU, softmax를 살펴보고 적용해 봅니다. 또 softmax와 관련된 cross entropy 오차 함수에 대해서도 정리해 봅니다. 3장에서는 NumPy 라이브러리를 이용하여 행렬 기반으로 딥러닝 알고리즘을 구현해 봅니다. 행렬을 이용하면 딥러닝 알고리즘을 일반화하여 자유자재로 인공 신경망을 확장할 수 있습니다. 첫 번째, NumPy를 이용하여 2입력 2출력 인공 신경망, 3입력 3출력 인공 신경망, 2입력 1출력 인공 신경, 1입력 1출력 인공 신경, 2입력 2은닉 2출력 인공 신경망을 구현해 봅니다. 이 과정에서 딥러닝 학습에 필요한 행렬 계산식을 유도하고 일반화합니다. 두 번째, 직접 구현한 NumPy DNN 라이브러리를 이용하여 손글씨 MNIST, FASHION MNIST 파일을 읽어서 학습해 봅니다. 이 과정에서 Tensorflow로 수행했던 예제의 결과와 비교해 봅니다. 4장에서는 딥러닝 인공 신경망을 NumPy 예제와 Tensorflow 예제로 구현해 보면서 Tensorflow의 내부 동작을 이해해 봅니다. 이 과정에서 Tensorflow의 내부 동작을 정확히 이해하고 활용 능력을 극대화합니다. 또 최적화 함수인 경사 하강법에 대해 구체적으로 살펴봅니다. SGD, Momentum, AdaGrad, RMSProp, Adam의 최적화 함수 알고리즘을 살펴보고 구현을 통해 그 동작을 구체적으로 이해해 봅니다. 5장에서는 CNN 알고리즘을 이해해보고 직접 구현해 봅니다. CNN은 영상 인식과 관련된 인공 신경망으로 특히 활용이 많이 되는 인공 신경망입니다. 첫 번째, CNN의 순전파 과정을 살펴보고 구현해 봅니다. 이 과정에서 convolution, filter, stride, padding, pooling 등에 대한 용어를 정리하고 구현에 적용해 봅니다. 두 번째, 손글씨 데이터, 패션 데이터를 이용하여 실제 활용되는 CNN 기반 딥러닝을 살펴봅니다. 세 번째, CNN의 역전파 과정을 살펴보고 구현해 봅니다. 6장에서는 NumPy 기반으로 CNN 라이브러리를 구현하고 활용해 봅니다. 첫 번째, NumPy 기반으로 실제 활용할 수 있는 CNN 프레임워크를 구현해 봅니다. 그 과정에서 CNN의 세부적인 동작을 이해하고 Tensorflow와 같은 프레임워크의 활용 능력을 키웁니다. 두 번째, 직접 구현한 NumPy CNN 라이브러리를 이용하여 손글씨 MNIST, FASHION MNIST 파일을 읽어서 학습해 봅니다. 이 과정에서 Tensorflow로 수행했던 예제의 결과와 비교해 봅니다. 부록에서는 편미분과 연쇄법칙을 통한 역전파 수식 유도 과정을 자세히 소개합니다.

Chapter 01. 인공지능 딥러닝의 이해 01 _ 인공 신경망의 이해 인공 신경망이란? - 인공 신경망으로 할 수 있는 일들 - 인공 신경망의 구조 인공 신경망의 학습 방법 - 지도 학습 - 비지도 학습 - 강화 학습 인공 신경 살펴보기 - 인공 신경과 생물학적 신경 - 인공 신경 내부 살펴보기 - 인공 신경 함수 수식 02 _ 딥러닝 맛보기 Hello 딥러닝 머신러닝은 무엇일까요? 구글 코랩 개발 환경 구성하기 기본 방식의 함수 정의와 사용 - 함수 정의하고 사용해 보기 머신러닝 방식의 신경망 함수 생성과 사용 축하합니다! 03 _ 인공 신경망과 근사 함수 2차 함수 근사해 보기 - 2차 함수 그리기 - 실제 데이터 생성하기 - 훈련, 실험 데이터 분리하기 - 인공 신경망 구성하기 - 인공 신경망 학습시키기 5차 함수 근사해 보기 다양한 함수 근사해 보기 - 분수 함수 근사해 보기 - sin 함수 근사해 보기 - tanh 함수 근사해 보기 - e지수함수 근사해 보기 - sigmoid 함수 근사해 보기 - 로그 함수 근사해 보기 - 제곱근 함수 근사해 보기 - relu 함수 근사해 보기 - leaky relu 함수 근사해 보기 인공 신경망 소스 살펴보기 04 _ 딥러닝 활용 맛보기 딥러닝 활용 예제 살펴보기 손 글씨 숫자 인식 예제 살펴보기 - 데이터 모양 살펴보기 - 학습 데이터 그림 그려보기 1 - 그림 픽셀 값 출력해 보기 - 학습 데이터 그림 그려보기 2 - 인공 신경망 학습시키기 - 학습된 인공 신경망 시험하기 - 예측 값과 실제 값 출력해 보기 - 시험 데이터 그림 그려보기 - 시험 데이터 그림 그려보기 2 - 잘못된 예측 출력 해보기 - 잘못 예측한 그림 살펴 보기 패션 MNIST 데이터 셋 인식시켜보기 Chapter 02. 인공지능의 딥러닝 알고리즘 01 _ PyClarm 개발 환경 구성하기 파이참 설치하기 파이썬 실습 환경 설정하기 - 파이참 실행하기 - 파이썬 프로젝트 생성하기 - 파이썬 파일 생성하기 - 파이썬 프로그램 작성하기 - 파이썬 프로그램 실행하기 - 파이썬 프로그램 종료하기 딥러닝 실습 환경 설정하기 - 텐서플로우(tensorflow) 라이브러리 설치하기 - matpiotlib 라이브러리 설치하기 - opencv 라이브러리 설치하기 02 _ 딥러닝 동작 원리 이해하기 기본 인공 신경 동작 살펴보기 - 순전파 - 목표 값과 역전파 오차 - 오차 역전파 - 순전파 정리하기 - 역전파 정리하기 - 최적화하기 - 학습률 - 경사 하강법과 인공 신경망 학습 기본 인경 신경 동작 구현해 보기 - 반복 학습 2회 수행하기 - 반복 학습 20회 수행하기 - 반복 학습 200회 수행하기 - 오차 값 계산하기 - 학습률 변경하기 y=3×x+1 학습시켜 보기 - 전체 입력 데이터 학습 수행하기 - 가중치, 편향 학습과정 살펴보기 - 반복 학습 2회 수행하기 - 반복 학습 20회 수행하기 - 반복 학습 200회 수행하기 - 반복 학습 2000회 수행하기 - 가중치, 편향 바꿔보기 1 - 가중치, 편향 바꿔보기 2 03 _ 다양한 인공 신경망 구현해 보기 2입력 1출력 인공 신경 구현하기 2입력 2출력 인공 신경망 구현하기 3입력 3출력 인공 신경망 구현하기 2입력 2은닉 2출력 인공 신경망 구현하기 04 _ 활성화 함수 추가하기 활성화 함수 살펴보기 - sigmoid 함수 - tanh 함수 - ReLU 함수 활성화 함수의 필요성 - 활성화 함수는 무엇인가요? - 활성화 함수는 왜 필요한가요? - 어떤 활성화 함수가 있나요? 활성화 함수의 순전파와 역전파 - sigmoid 함수 적용해 보기 - tanh 함수 적용해 보기 - ReLU 함수 적용해 보기 출력 층에 softmax 함수 적용해 보기 - softmax와 cross entropy - 출력 층에 softmax 함수 적용해 보기 - tanh와 softmax - ReLU와 softmax Chapter 03. 넘파이(NumPy) DNN 구현과 활용 01 _ 넘파이(NumPy) DNN 구현하기 2입력 2출력 인공 신경망 구현하기 - 행렬 계산식 유도하기 - 순전파 - 입력 역전파 - 가중치 역전파 - 인공 신경망 행렬 계산식 정리하기 - NumPy로 인공 신경망 구현하기 3입력 3출력 인공 신경망 구현하기 - 행렬 계산식 유도하기 - 인공 신경망 행렬 계산식 정리하기 - NumPy로 인경 신경망 구현하기 2입력 1출력 인공 신경 구현하기 - 행렬 계산식 유도하기 - 인공 신경망 행렬 계산식 정리하기 - NumPy로 인공 신경망 구현하기 1입력 1출력 인공 신경 구현하기 - 행렬 계산식 유도하기 - 인공 신경망 행렬 계산식 정리하기 - NumPy로 인공 신경망 구현하기 행렬 계산식과 1입력 1출력 수식 비교하기 2입력 2은닉 2출력 인공 신경망 구현하기 - 행렬 계산식 유도하기 - 인공 신경망 행렬 계산식 정리하기 - NumPy로 인공 신경망 구현하기 활성화 함수 적용하기 - sigmoid 함수 적용해 보기 - tanh 함수 적용해 보기 - ReLU 함수 적용해 보기 출력 층에 softmax 함수 적용해 보기 - sigmoid와 softmax - tanh와 softmax - ReLU와 softmax 인공 신경망 행렬 계산식 가중치 초기화하기 - ReLU-sigmoid-mse 신경망 - ReLU-softmax-cee 신경망 - ReLU와 He 초기화 - sigmoid, softmax와 Lecun 초기화 - He와 Lecun 그려보기 - He와 Lecun 가중치 초기화하기 02 _ NumPy DNN 활용하기 7세그먼트 입력 2 진수 출력 인공 신경망 1 - NumPy 행렬 모양 살펴보기 7세그먼트 입력 2 진수 출력 인공 신경망 2 입력 데이터 임의로 섞기 데이터 늘려보기 MNIST 파일 읽어서 학습해 보기 - softmax, cross entropy error 함수 사용하기 - FASHION MNIST 데이터 테스트 Chapter 04. 텐서플로우(Tensorflow) 내부 동작 이해하기 01 _ NumPy로 Tensorflow 내부 동작 이해하기 2입력 2출력 인공 신경망 구현하기 - NumPy로 구현하기 - Tensorflow로 구현하기 - 반복 학습 20회 수행하기 - 반복 학습 200회 수행하기 3입력 3출력 인공 신경망 구현하기 - NumPy로 구현하기 - Tensorflow로 구현하기 2입력 1출력 인공 신경 구현하기 - NumPy로 구현하기 - Tensorflow로 구현하기 1입력 1출력 인공 신경 구현하기 - NumPy로 구현하기 - Tensorflow로 구현하기 2입력 2은닉 2출력 인공 신경망 구현하기 - NumPy로 구현하기 - Tensorflow로 구현하기 - 반복 학습 20회 수행하기 - 반복 학습 200회 수행하기 활성화 함수 적용 하기 - sigmoid 함수 적용해 보기 - tanh 함수 적용해 보기 - ReLU 함수 적용해 보기 출력 층에 softmax 함수 적용해 보기 - sigmoid와 softmax - tanh와 softmax - ReLU와 softmax GradientTape 사용해 보기 - 역전파 오차 살펴보기 02 _ 경사 하강 법 이해하기 오차 함수 그래프 그려보기 왼쪽 이동 경사 하강 법 오른쪽 이동 경사 하강 법 오차 함수 기울기 구하기 - 최적화 함수 왼쪽 이동하기 - 최적화 함수 반복 적용해 보기 - 최적화 함수 오른쪽 이동하기 03 _ 확장 경사 하강 법 Momentum AdaGrad RMSProp Adam Chapter 05. CNN 알고리즘의 이해와 구현 01 _ CNN의 순전파 이해와 구현 CNN 신경망 살펴보기 3×3 입력 : filter size 4×4 입력 : stride 6×6 입력 : padding 4×4 합성 곱 : padding 6×6 입력 필터 늘리기 필터 역할 살펴보기 - 부드러운 이미지 추출하기 - 선명한 이미지 추출하기 - 경계선 추출하기 - 이미지 단순화 3×3×2 입력 6×6×2 입력 6×6×2 입력 필터 늘리기 6×6×3 입력 필터의 깊이와 개수 02 _ CNN 활용 맛보기 Conv2D-Conv2D-MaxPooling2D Conv2D-MaxPooling2D 필터 개수 줄여보기 03 _ CNN의 역전파 이해와 구현 순전파 역전파 복습하기 합성 곱의 순전파 정리하기 합성 곱의 역전파 정리하기 - 입력 역전파 - 가중치 역전파 - 편향 역전파 3×3 순전파 역전파 - 합성 곱 순전파 - 가중치 역전파 - 편향 역전파 - 입력 역전파 4×4 순전파 역전파 - 합성 곱 순전파 - 가중치 역전파 - 편향 역전파 - 입력 역전파 6×6 순전파 역전파 - 합성 곱 순전파 - 가중치 역전파 - 편향 역전파 - 입력 역전파 4×4 max pooling 순전파 역전파 필터가 2개인 경우의 순전파 역전파 - 합성 곱 순전파 - 가중치 역전파 - 편향 역전파 - 입력 역전파 입력의 깊이가 2인 경우의 순전파 역전파 - 합성 곱 순전파 - 가중치 역전파 - 편향 역전파 - 입력 역전파 Chapter 06. 넘파이(NumPy) CNN 구현과 활용 01 _ NumPy CNN 구현하기 데이터 준비하기 - Tensorflow로 구현하기 - NumPy로 구현하기 zero padding 구현하기 - NumPy로 구현하기 합성 곱 층 추가하기 - Tensorflow로 구현하기 - NumPy로 구현하기 Max Pooling 층 추가하기 - Tensorflow로 구현하기 - NumPy로 구현하기 Flatten 층 추가하기 - Tensorflow로 구현하기 - NumPy로 구현하기 출력 층 추가하기 - Tensorflow로 구현하기 - NumPy로 구현하기 오차 계산하기 - Tensorflow로 구현하기 - NumPy로 구현하기 출력 층의 가중치와 편향 역전파 오차 구하기 - Tensorflow로 구현하기 - NumPy로 구현하기 Flatten 역전파 오차 구하기 - NumPy로 구현하기 Max Pooling 층 역전파 오차 구하기 - NumPy로 구현하기 합성 곱 층 역전파 오차 구하기 - NumPy로 구현하기 합성 곱 층의 가중치와 편향 역전파 오차 구하기 - NumPy로 구현하기 가중치와 편향 갱신하기 - Tensorflow로 구현하기 - NumPy로 구현하기 02 _ NumPy CNN 활용하기 3D 순전파 역전파 함수 구현하기 3D 순전파 역전파 함수 사용해 보기 2D 순전파 역전파 함수 구현하기 - 3D 입력 2D로 바꾸기 - 3D 가중치를 2D로 바꾸기 - I2D와 W2D의 행렬 곱 수행하기 - 2D 순전파 역전파 함수 구현하기 2D 순전파 역전파 함수 사용해 보기 NumPy CNN 확장하기 - Tensorflow로 구현하기 - NumPy로 구현하기 Fashion MNIST 파일 읽어보기 Fashion MNIST 학습시키기 부록. 편미분과 연쇄법칙을 통한 역전파 수식 유도 01 _ 기본 인공 신경 02 _ 편미분 정리하기 03 _ 2입력 1출력 인공 신경 04 _ 2입력 2출력 인공 신경 05 _ 2입력 2은닉 2출력 인공 신경