메뉴 바로가기 검색 및 카테고리 바로가기

한빛미디어

파이썬 날코딩으로 알고 짜는 딥러닝

프레임워크 없이 단층 퍼셉트론에서 GAN까지

한빛미디어

집필서

판매중

  • 저자 : 윤덕호
  • 출간 : 2019-07-15
  • 페이지 : 692 쪽
  • ISBN : 9791162242001
  • 물류코드 :10200
초급 초중급 중급 중고급 고급
4.9점 (9명)
좋아요 : 2

인공 신경망 원리와 응용을 파이썬 날코딩으로 정말 깊이 이해하자!

이 책은 딥러닝 알고리즘의 원리를 깊숙이 이해하고 이를 파이썬 코딩만으로 구현하는 데 주안점을 둔다. 이를 위해 가장 간단한 신경망 구조부터 복잡한 응용 구조까지 다양한 딥러닝 신경망 예제의 실제 구현 과정을 소개한다. 그 과정에서 독자는 딥러닝 알고리즘을 텐서플로 같은 프레임워크 없이도 개발하는 능력을 갖추게 된다. 딥러닝 알고리즘을 깊이 이해하면 역설적으로 프레임워크를 이용할 때의 장단점을 더 확실히 알 수 있다. 나아가 자신만의 새로운 딥러닝 신경망을 개발하는 밑거름이 될 것이다.

 

이 책에서 파이썬 날코딩으로 구현하는 신경망

  1. 단층 퍼셉트론(SLP)
  2. 다층 퍼셉트론(MLP)
  3. 합성곱 신경망(CNN)
  4. 순환 신경망(RNN)
  5. 오토인코더
  6. 인코더-디코더
  7. 생성적 적대 신경망(GAN)

 

이 책에서 다루는 내용

이 책은 총 5부로 구성되어 있다. 다루는 내용은 다음과 같다.

  • 1부 : 단층 퍼셉트론가장 간단한 신경망 구조인 단층 퍼셉트론 구조를 소개하면서 신경망 출력을 이용해 풀어야 할 세 가지 문제 유형의 해결 방법을 살펴본다. 1장에서는 전복 고리 수 추정 신경망 예제를 통해 ‘회귀 분석 문제’의 해결 방법을, 2장에서는 펄서 여부 판정 신경망 예제를 통해 ‘이진 판단 문제’의 해결 방법을, 3장에서는 철판의 불량 상태 분류 신경망 예제를 통하여 ‘선택 분류 문제’의 해결 방법을 각각 소개한다.
  • 2부 : 다층 퍼셉트론기본적이면서도 실전적인 다층 퍼셉트론 구조를 소개하면서 객체지향 모델 구조와 복합 출력의 처리 방법을 다룬다. 4장에서는 지금까지의 예제들을 다층 퍼셉트론으로 다시 풀어내며, 5장에서는 객체지향 구조로 프로그램을 재구성하면서 꽃 이미지 분류 신경망 예제를 소개한다. 6장에서는 오피스31 이미지의 다차원 분류 예제를 사용해 복합 출력을 다루는 방법을 살펴본다.
  • 3부 : 합성곱 신경망합성곱 신경망과 정규화 기법, 거대 심층 구조를 살펴보면서 은닉 계층 구성에 이용되는 12가지 계층의 기능과 구현 방법을 살펴본다. 7장에서는 이미지 처리에 특화된 합성곱 신경망에 이용되는 4가지 계층을 소개한다. 8장에서는 다섯 가지 정규화 기법을 살펴본다. 이 가운데 L1 손실 및 L2 손실을 가중치 학습 과정에 반영해 처리하는 과정을 소개한다. 또한 드롭아웃, 잡음 주입, 배치 정규화 기법을 각각 별도 계층으로 구현한다. 9장에서 인셉션 모델이나 레스넷 모델 같은 거대 심층 구조를 지원하는 5가지 복합 계층을 소개한다.
  • 4부 : 순환 신경망시간 축을 갖는 시계열 데이터 처리에 특화된 순환 신경망을 이용해 다양한 종류의 데이터를 다루는 과정을 살펴본다. 10장에서 오토마타 생성 문장 판별 신경망 예제와 함께 기본 구조의 순환 계층을 소개한 후, 11장에서 도시 소음 분류 신경망 예제와 함께 LSTM(long shortterm memory) 셸 구조의 개선된 순환 계층을 살펴본다. 12장에서는 동영상 장면 전환 프레임 판별 신경망 예제와 함께 시계열 출력을 다루는 방법을 다룬다.
  • 5부 : 딥고급 응용 신경망 구조들/문제에 접근하는 새로운 시각을 보여주는 세 가지 딥러닝 응용 구조를 소개한다. 13장에서는 입력 재현을 목표로 삼는 방법으로 비지도학습에 활용하는 오토인코더, 14장에서는 콘텍스트 벡터를 매개로 입출력 간의 데이터 형태 차이를 극복하는 인코더-디코더, 15장에서는 경쟁 관계의 두 신경망을 이용해 데이터 생성 능력을 기르는 생성적 적대 신경망를 소개하고 각각 구체적 예제 프로그램을 제시한다.

 

 

상세이미지_700.jpg

 

저자

윤덕호

서울대학교 컴퓨터공학과에서 공부하고 우리나라에 첫 번째 인공지능 바람이 휩쓸 무렵 석박사 과정을 거치면서 자연어 처리 분야를 연구했다. 10여 년간 한남대학교 정보통신공학과 교수로 학생들을 가르쳤으며 2000년부터 지금까지 (주)코난테크놀로지에 임원으로 재직하면서 각종 소프트웨어 개발에 빠져 살았다. 현재 사내 교육 프로그램인 코난아카데미를 운영하고 있다. 또한 인공지능 혁신성장동력 프로젝트 ‘비디오 튜링 테스트(VTT) 연구 사업’의 제3세부 과제 책임자로서 각종 딥러닝 연구에 이용될 학습용 멀티모달 메타데이터를 구축하고 메타데이터의 초벌 자동 생성 딥러닝 기법을 연구하고 있다. 그 외에 인문학과 축구, 커뮤니티 댄스 등으로 심신을 단련한다. 가끔 배우로 변신하여 연극 무대에 오르기도 한다.

CHAPTER 0 들어가기

0.1 이 책의 구성

0.2 인공지능과 머신러닝, 딥러닝

0.3 동물의 신경세포, 뉴런

0.4 인공 신경망의 기본 유닛, 퍼셉트론

0.5 딥러닝을 위한 수학

0.6 예제 실습 환경 소개

0.7 마치며

 

[ PART I 단층 퍼셉트론(SLP) ]


CHAPTER 1 회귀 분석 : 전복의 고리 수 추정 신경망

1.1 단층 퍼셉트론 신경망 구조

1.2 텐서 연산과 미니배치의 활용

1.3 신경망의 세 가지 기본 출력 유형과 회귀 분석

1.4 전복의 고리 수 추정 문제

1.5 회귀 분석과 평균제곱오차(MSE) 손실 함수

1.6 경사하강법과 역전파

1.7 편미분과 손실 기울기의 계산

1.8 하이퍼파라미터

1.9 비선형 정보와 원-핫 벡터 표현

1.10 구현하기 : 전복 고리 수 추정 신경망

1.11 실행하기

1.12 마치며

 

CHAPTER 2 이진 판단 : 천체의 펄서 여부 판정 신경망

2.1 펄서 판정 문제

2.2 이진 판단 문제의 신경망 처리

2.3 시그모이드 함수

2.4 확률 분포와 정보 엔트로피

2.5 확률 분포의 추정과 교차 엔트로피

2.6 딥러닝 학습에서의 교차 엔트로피

2.7 시그모이드 교차 엔트로피와 편미분

2.8 계산값 폭주 문제와 시그모이드 관련 함수의 안전한 계산법

2.9 구현하기 : 펄서 여부 판정 신경망

2.10 실행하기

2.11 확장하기 : 균형 잡힌 데이터셋과 착시 없는 평가 방법

2.12 실행하기 : 확장된 펄서 여부 판정 신경망

2.13 마치며

 

CHAPTER 3 선택 분류 : 철판 불량 상태 분류 신경망

3.1 불량 철판 판별 문제

3.2 선택 분류 문제의 신경망 처리

3.3 소프트맥스 함수

3.4 소프트맥스 함수의 편미분

3.5 소프트맥스 교차 엔트로피

3.6 소프트맥스 교차 엔트로피의 편미분

3.7 시그모이드 함수와 소프트맥스 함수의 관계

3.8 구현하기 : 불량 철판 판별 신경망

3.9 실행하기

3.10 마치며

 

[ PART II 다층 퍼셉트론(MLP ]


CHAPTER 4 다층 퍼셉트론 기본 구조 : 세 가지 신경망의 재구성

4.1 다층 퍼셉트론 신경망 구조

4.2 은닉 계층의 수와 폭

4.3 비선형 활성화 함수

4.4 ReLU 함수

4.5 민스키의 XOR 문제와 비선형 활성화 함수

4.6 구현하기 : 다층 퍼셉트론 신경망 지원 함수

4.7 실행하기

4.8 마치며

 

CHAPTER 5 다층 퍼셉트론 모델 구조 : 꽃 이미지 분류 신경망

5.1 다층 퍼셉트론을 위한 클래스 설계

5.2 데이터 분할 : 학습, 검증, 평가

5.3 시각화

5.4 이미지 분류 문제와 꽃 이미지 분류 데이터셋

5.5 구현하기 : 모델 클래스

5.6 구현하기 : 데이터셋 클래스

5.7 구현하기 : 네 가지 데이터셋 파생 클래스

5.8 구현하기 : 꽃 이미지 분류 데이터셋 클래스

5.9 구현하기 : 수학 연산과 각종 부수적 기능

5.10 실행하기

5.11 마치며

 

CHAPTER 6 복합 출력의 처리 방법 : 오피스31 다차원 분류 신경망

6.1 오피스31 데이터셋과 다차원 분류

6.2 딥러닝에서의 복합 출력의 학습법

6.3 복합 출력을 위한 MlpModel 클래스와 Dataset 클래스의 역할

6.4 아담 알고리즘

6.5 구현하기 : 아담 모델 클래스

6.6 구현하기 : 오피스31 데이터셋 클래스

6.7 실행하기

6.8 마치며

 

[ PART III 합성곱 신경망(CNN) ]


CHAPTER 7 간단한 합성곱 모델 : 꽃 이미지 분류 신경망

7.1 다층 퍼셉트론의 문제점과 새로운 구조의 필요성

7.2 합성곱 계층

7.3 합성곱 연산의 패딩과 건너뛰기

7.4 풀링 계층

7.5 채널의 도입과 커널의 확장

7.6 합성곱과 풀링의 역전파 처리

7.7 합성곱 신경망의 일반적인 구성

7.8 세 가지 합성곱 연산 방법

7.9 다양한 계층의 처리를 위한 모델 확장

7.10 구현하기 : 간단한 합성곱 신경망 클래스

7.11 실행하기

7.12 마치며

 

CHAPTER 8 다섯 가지 정규화 확장 : 꽃 이미지 분류 신경망

8.1 부적합과 과적합

8.2 L2 손실

8.3 L1 손실

8.4 드롭아웃

8.5 잡음 주입

8.6 배치 정규화

8.7 정규화 기법 도입을 위한 계층의 추가

8.8 구현하기 : 정규화 확장 클래스

8.9 실행하기

8.10 마치며

 

CHAPTER 9 인셉션 모델과 레스넷 모델 : 꽃 이미지 분류 신경망

9.1 인셉션 모델 

9.2 레스넷 모델

9.3 인셉션 모델과 레스넷 모델 구현을 위해 필요한 확장들

9.4 구현하기 : 확장된 합성곱 신경망 모델 클래스

9.5 구현하기 : 더미 데이터셋 클래스

9.6 실행하기 : 인셉션 모델

9.7 실행하기 : 레스넷 모델

9.8 마치며

 

[ PART IV 순환 신경망(RNN) ]


CHAPTER 10 기본 셀 순환 신경망 : 오토마타 문장 판별 신경망

10.1 시계열 데이터

10.2 순환 계층과 순환 벡터의 활용

10.3 순환 계층의 입출력 형태

10.4 순환 계층을 위한 시계열 데이터의 표현

10.5 순환 계층의 순전파와 역전파 처리

10.6 오토마타를 이용한 수식 표현의 생성과 검사

10.7 구현하기 : 간단한 순환 신경망 클래스

10.8 구현하기 : 오토마타 데이터셋

10.9 실행하기

10.10 마치며

 

CHAPTER 11 LSTM 순환 신경망 : 도시 소음 분류 신경망

11.1 순환 벡터와 기울기 정보의 소멸 및 폭주

11.2 LSTM의 구조와 동작 방식

11.3 쌍곡탄젠트 함수

11.4 LSTM 계층의 순전파와 역전파 처리

11.5 주파수 스펙트럼 분석을 이용한 음원 처리

11.6 음원 분류 데이터셋

11.7 구현하기 : LSTM 신경망 클래스

11.8 구현하기 : 음원 분류 데이터셋

11.9 실행하기

11.10 마치며

 

CHAPTER 12 CNN과 RNN의 결합 : 장면 전환 판별 신경망

12.1 비순환 계층에서의 시계열 데이터 처리

12.2 동영상 처리를 위한 합성곱 신경망과 순환 신경망의 결합

12.3 출력 계층과 후처리 단계에서의 시계열 데이터 처리

12.4 장면 전환 데이터셋

12.5 실행 부담을 줄이는 방법들

12.6 구현하기 : 확장된 순환 신경망 클래스

12.7 구현하기 : 장면 전환 데이터셋

12.8 실행하기

12.9 마치며

 

[ PART V 고급 응용 신경망 구조들 ]


CHAPTER 13 오토인코더 : 엠니스트 이미지 재현 및 분류 신경망

13.1 오토인코더의 구조

13.2 지도학습과 비지도학습

13.3 잡음 제거용 오토인코더

13.4 유사 이진 코드 생성과 시맨틱 해싱

13.5 지도학습이 추가된 확장 오토인코더 모델

13.6 확장 인코더 모델을 위한 엠니스트 데이터셋

13.7 구현하기 : 확장 오토인코더 모델 클래스

13.8 구현하기 : 오토인코더를 위한 엠니스트 데이터셋

13.9 실행하기

13.10 마치며

 

CHAPTER 14 인코더-디코더 : 엠니스트 이미지 숫자 읽기 신경망

14.1 인코더-디코더의 구조

14.2 인코더-디코더와 언어 처리

14.3 필기체 숫자 이미지를 영어로 읽기

14.4 필기체 숫자 이미지열을 한글로 읽기

14.5 인코더-디코더의 분리 학습 문제

14.6 구현하기 : 인코더-디코더 모델 클래스

14.7 구현하기 : 인코더-디코더를 위한 엠니스트 데이터셋

14.8 실행하기

14.9 마치며

 

CHAPTER 15 생성적 적대 신경망 : 회화 및 숫자 이미지 생성 신경망

15.1 생성적 적대 신경망의 구조

15.2 생성적 적대 신경망과 데이터 생성

15.3 생성적 적대 신경망의 순전파와 역전파 처리

15.4 구현하기 : 생성적 적대 신경망 모델 클래스

15.5 구현하기 : 생성적 적대 신경망을 위한 데이터셋

15.6 실행하기

15.7 마치며

난도는 중상 이상이다, 정말 깊은 이해를 원하는 대상 독자만 봐달라!

이 책의 대상 독자는 크게 두 부류다. 첫 번째는 텐서플로 같은 프레임워크를 사용해 딥러닝에 입문했지만 여전히 딥러닝 알고리즘의 동작 원리를 제대로 이해할 수 없어 답답함을 느끼는 기존 딥러닝 개발자다. 두 번째는 딥러닝을 새로 배워보려 하지만 기왕이면 수박 겉 핥기식 공부보다는 딥러닝 알고리즘을 제대로 이해하는 공부를 하고 싶은 딥러닝 입문자다.

 

프레임워크를 이용하지 않고 파이썬 날코딩만으로 딥러닝 문제를 풀어보자! 

이 책의 목표는 독자가 딥러닝 알고리즘의 원리를 깊이 있게 이해하여 활용 능력을 갖추도록 돕는 데 있다. 각 장은 이론을 제시한 후에 파이썬으로 예제 프로그램을 구현하고 실험을 수행하는 과정을 차근차근 소개한다. 이들 예제 프로그램을 꼼꼼하게 설명한다. 또한 실험 과정을 재현하고 변형해 활용하기 쉽게 구성했다. 예제 프로그램을 살펴보면서 그동안 편리한 프레임워크에 가려져 이해하지 못한 채 지나쳤던 딥러닝의 동작 원리를 확실하게 알게 된다. 이렇게 길러진 이해를 토대로 프레임워크 없이도 직접 딥러닝 신경망을 개발하는 능력을 갖추게 될 것이다. 동시에 역설적으로 숨은 동작 원리를 간파하게 됨으로써 프레임워크를 더 잘 이용하게 된다.

 

캐글 플랫폼에서 수집한 다양한 실전 예제를 만나보자! 

예제에서 다루는 다양한 데이터셋은 이 책의 또 하나의 매력이다. 각종 인공지능 챌린지 대회가 펼쳐지는 캐글 플랫폼에서 수집한 실전 데이터셋은 딥러닝 모델의 활용 범위에 대한 상상의 지평을 넓혀줄 것이다. 전복 나이 추정, 천체 펄서 여부 판정, 철판 불량 상태 분류, 꽃 사진 이미지나 도시 소음의 분류 등의 문제를 캐글 데이터셋을 이용해 다룬다. 이 밖에도 사무용품 이미지들로 구성된 오피스31 데이터셋, 필기체 문자 이미지들을 모은 엠니스트(MNIST) 데이터셋을 비롯해 영화 동영상 파일, 회화 이미지 파일, 오토마타 문법 등 다양한 종류의 데이터셋을 예제 프로그램에서 사용한다. 

 

여러분이 자신만의 새로운 딥러닝 신경망을 개발하고, 딥러닝을 넘어서는 인공지능의 또 다른 지평을 향해 나아가는 첫걸음에 이 책이 도움이 되기를 기대해본다.

  • 이번에 리뷰할 책은 "파이썬 날코딩으로 알고 짜는 딥러닝" 입니다.

     

     

    검색엔진/AI업체인 코난테크놀로지에 다니는 분이 쓴 국내저서입니다.

     

    퍼셉트론부터 시작해서 CNN,RNN,AutoEncoder,GAN등을 680여 페이지에 다룹니다.

     

    numpy등 아주 기본적인 라이브러리를 제외하곤 직접 시그모이드, 소프트맥스, 미분함수등을

     

    하나씩 만들어서 신경망 프로그램을 작성한다는 점에서 "밑바닥부터 시작하는 딥러닝"과 어느정도

     

    비슷한 위치의 책인거 같습니다. (텐서플로는 사용하지 않으므로 주의하시기 바랍니다.)

     

     

    각 챕터별 도입부는 전챕터에서에서 부족한 부분이 무엇이었고, 이를 극복하기 위해 새로운 구조나 이론등을

     

    소개하는 형태로 되어있습니다. 도입부의 설명은 꽤 충실한 편인데 이야기뿐 아니라 중간중간 "시그모이드 쿄차 엔트로피 정의식 도출과정",

     

    "L1손실의 역전파 처리", "쌍곡탄젠트의 수학적 성질" 등과 같은

     

    각종 수식과 도출과정들이 잘 정리되어 있어

     

    입문자보다는 어느정도 텐서플로도 좀 사용해 본 사람이 추상화된 내부로직등에 궁금증을 갖게 되었을때 원리를 이해하는데 도움이 될 거 같습니다.

     

    저는 ... 졸업한지가 오래되서 수식만 나오면 책 진도가 안나가더군요.-_-

     

     

    프로그래밍적으로는 단순히 하나의 함수를 만들고 호출하는 형태에서 부터 시작해 기본적인 신경망 처리 흐름 얼개를 만든 뒤

     

    객체지향방식으로 구현하는 형태로 되어있고,

     

    따라서 단원마다 새로운 내용을 배우지만 메소드명이나 흐름등은 이미 어느정도 정해진 상태에서

     

    구현만 달라지는 형태라서 변경된 부분만 집중해서 볼 수 있어 좋았습니다.

     

     

    그결과 학습결과가 좋지 않아 신경망을 바꾸거나

     

    학습률을 바꾸거나 은닉층을 늘려보거나 할때 이를 쉽게 해주어 여러가지로 유연하게 확장해서 쓸 수 있도록 되어 있습니다.

     

     

    케글의 데이타셋이나 mnist등의 데이타가 사용되는데 앞으론 우리나라도 쓸만한 공공데이타셋들이 많아져서

     

    그런 데이타를 사용한 예제나 챕터들이 포함된다면 좀 더 친숙하게 볼 수 있지 않을까

     

    직접 작성하는것도 좋긴한데 나중에라도 텐서플로를 쓰게 된다면 이 책에 쓰인 프로그램과 어떤 형태로 같이 쓰는게 좋을지도 고민해 볼 사항인거 같습니다.

     

     

  • SAM_8257.JPG

     

    어떤 책이 나한테 가장 좋은 책일까요?
    저는 저한테 가장 많은 영향을 준 책, 특히 사고의 전환 필요성을 환기시켜주는 책을 가장 좋아합니다. 물론 나에게 모르는 것을 많이 알려주는 책도 좋아하구요.

     

    이번에는 "파이썬 날코딩로 알고 짜는 딥러닝"  책을 읽었습니다. 요즘 딥러닝 관련 책들이 많이 나오고 있죠. 나오는 책들과 트렌드를 볼때 생각이 많아집니다. 비개발자 취업 준비생 입장에서는 딥러닝 공부 방향을 어떻게 잡아야 하느냐라는 페이스북 글을 며칠전에 읽었는데, 저의 책 후기가 어떠한 영향을 미칠지 조심스러워집니다. 머신러닝의 트렌드가 Auto ML 로 많이 바뀌는 과정에서 어느 정도까지 공부하는 것이 적절할까? 라는 질문을 늘 저한테 하고 있구요. 그래서 이번 책 후기는 책 내용뿐만 아니라, 딥러닝에 대한 제 생각도 조금씩 넣어보기로 했어요.

     

    SAM_8258.JPG

     

    이번 날코딩 책은 일단 양이 어마어마합니다. 거의 똑같은 취지의 파이썬 날코딩 책으로 "밑바닥부터 시작하는 딥러닝" 책이 있죠. 딥러닝을 처음 시작한다면 김성훈 교수님 강의와 함께 전 이 밑바닥 책을 추천드립니다. 300 페이지랑 700 페이지랑의 책 두께가 실로 엄청납니다. 사실 밑바닥 책도 그 깊이가 결코 낮은 수준이 아닙니다. 그러면 도대체 700 페이지는 어떤 내용을 담고 있길래, 양이 이만큼 늘어났을까요? 늘어난 만큼 그 깊이가 비례해서 늘어났을까요?

     

    SAM_8259.JPG

     

    책의 목차를 보면, 하나의 짧은 주제에 대해서 2~5 페이지씩 할애하고 있습니다. 한 페이지의 글자도 밑바닥보다 많습니다. 똑같은 내용을 2~3배 더 많게 적고 있다는 이야기입니다. 그리고, 이 책의 가장 중요한 특징 중 하나인 캐글에 대해서 이야기하지 않을 수 없습니다. 보통 데이터 분석쪽으로 일하거나 어느 정도 실력이 쌓이면 캐글 이라는 것을 한번씩 듣게 됩니다. 캐글이 실제 기업의 문제로 순위 경쟁을 하는 문제 풀이 대회이므로, 보통 책에서 다루는 일반적인 딥러닝 문제와는 사뭇 다릅니다. 그 점에서 이 책의 의도가 좋습니다. 우리가 생각할 때 도메인(각 산업분야) 지식이 없어서 못 풀 것 같은 문제들을 기본 예제로 삼고 있습니다. 이점에서 이 책을 읽으면서 저도 좀 고민이 되었습니다. "이는 오히려 딥러닝 같은 데이터 기반의 인공지능 기법이 문제 내용을 이해하지 못해도 문제를 풀 수 있다는 중요한 사실을 확인하는 기회가 될 것이다"라고 저자가 이야기 하듯이, 도메인 지식이 얼마나 중요할까요? 저는 지금까지 매우 중요하다고 말하고 다녔는데(특히 auto ml 로 트렌드가 변하면서 모델링보다는 전처리 같은 앞단과 시각화 같은 마무리단이 비개발자 영역에서는 더 중요하지 않을까 생각했다), 저자의 이말에 동의할 수 있을까? 하는 마음에서 책을 읽어내려갔습니다.

     

    SAM_8261.JPG

     

    위 이미지에서 보듯이 전반적으로 그림보다는 설명글이 더 많습니다. 적절하게 그림으로 보조 설명하기도 하지만, 밑바닥보다는 그림이 적다는 느낌입니다. 중간 중간에 설명 그림이 더 있었으면 좋겠다는 생각이 들었습니다. 페이지 양이 밑바닥 책보다 늘어난 만큼 정보가 늘어났다기 보다는 설명을 더 상세하게 한다는 편이 맞는 것 같습니다.

     

    SAM_8262.JPG

     

    이 책이 날코딩으로 딥러닝을 설명하다가 보니, 소스 코드의 중복이 많습니다. 그래서 저자는 함수로 묶어서 설명합니다. 읽다가 보면, 같은 이름의 함수가 반복적으로 나온다는 것을 알 수 있습니다. 그래서 앞에서 소스 코드 자세히 설명한 다음, 뒤로 가면 중복되는 부분은 빼고, 수정한 부분만 설명하고 있습니다. 그림으로 보면 매우 복잡한 것 같지만...

     

    SAM_8263.JPG

     

    하나 하나 소스 코스를 상세히 설명하였으므로, 어렵다는 생각은 들지 않습니다. 다만, 파이썬 기초가 없으면 복잡할 수도 있습니다. 파이썬 초급은 공부하고, 중급 정도를 공부하시는 분들이 봐야 쉽게 이해가 갑니다. 어떻게 보면 함수가 반복되면서 여러번 반복 학습을 하는 효과도 나타납니다. 이름과 흐름은 같고, 구체적인 내용이 어떤 문제를 해결하기 위한 것이냐에 따라 함수의 내용이 조금씩 바뀝니다. 실제 데이터의 모습도 스크린 샷으로 보여주기 때문에, 캐글에서의 여러 특성들이 어떤 모습으로 수치화되었는지 살펴볼 수 있습니다. 캐글 문제의 데이터 구조와 파이썬 구조 결정 팁들도 실어 놓아서, 실제 문제를 어떻게 바라봐야하는지 알 수 있습니다. 그리고 이 책의 좋은 점 중의 하나가 설명 과정이 비슷하게 전개될때 이 함수랑 저함수랑 무엇이 같고 다른지 궁금해할 수 있는 사소한 의문점들에 대해서도 많이 기술해 놓았다는 점입니다. 스터디할 때 초보분들이 질문했던 의문점들이 이 책에 수록되어 있는 것을 보고 감탄하였습니다. 이 점에서 이 책으로 혼자 공부해도 많을 것을 얻을 수 있을 것 같다는 생각을 하였습니다. 그리고 이런 이론이 있어요라고 끝맺는 것이 아니라, 이런 것이 있는데, 저자가 보기에는 이런 문제에는 이런씩으로 적용하고, 실험 결론에 대해서도 주관적이지만, 초보에게는 길을 안내해주는 정도에서 자세한 설명을 해 놓았습니다. 그래서 나중에 설명할 좀 더 나은 모델링에서는 어떠한 결과로 더 좋게 나올지에 대한 흥미도 유발하고 있습니다.

     

    SAM_8264.JPG

     

    이 책의 문제점은 보시다시피, 박스 처리 부분입니다. 박스 처리한 부분들은 수학 이론의 도출 과정이 설명된 곳이 많습니다. 문과 수학만 했던 저에게는 무척 어렵습니다. 그래서 읽지 않고 넘어갔습니다. 책을 볼때 저자의 눈으로 바라보는 것도 중요하지만, 책을 꼭 저자처럼 익혀야 하는 것은 아니잖아요. 책을 나에게 맞게 재구성하는 것도 중요하다고 봅니다. 그냥 부담없이 넘어가도 괜찮을 것 같습니다. 그러나 딥러닝 회사에 데이터 분석가로 들어간다면, 이정도 수준에서는 제대로 공부해야 하지 않을까 생각도 듭니다. 논문 읽기 스터디나 구현 스터디에서는 이보다 더 높은 수준에서도 이야기하거든요.

     

    SAM_8265.JPG

     

    그림 양이 아쉬운 점도 있지만, 이렇게 잘 설명한 부분들도 많아서, 혼자 공부하기에도 좋습니다. 앞에서 차근차근 읽어왔다면, CNN, RNN 이론도 이해할 수 있도록 설명하고 있습니다.

     

    SAM_8266.JPG

     

    이 책의 장점으로 평소 이름만 들어왔던 딥러닝 모델을 좀 더 풀어서 설명하고 있다는 점입니다. 거기에 앞에서 다루었던 캐글 문제를 뒤에서 좀 더 고도화된 모델을 적용하는 방법과 그 결과에 대해서는 설명하는 부분이 좋았습니다. 그러면서 개인적인 설명으로 왜 그런 결과가 나왔는지에 대한 부가 설명한 부분이 백미로 다가왔습니다.

     

    이 책은 처음 딥러닝을 접하는 분들에게는 좋은 것 같지 않습니다. 처음이라면 auto ml 이랑 api 사용법을 익혀 전반적인 흐름을 익히시는 것이 좋을 것 같습니다. 어느 정도 감이 잡히시면, 밑바닥부터 시작하는 딥러닝이나 텐서플로 2.0 케라스 같은 것으로 실제 딥러닝 모델들을 다루어 보시고, 이것도 익숙해지시고, 딥러닝 현장에서 제대로 된 운영 기술과 이론적 깊이를 원하시면 이때 이 책 "파이썬 날코딩로 알고 짜는 딥러닝" 으로 공부하시는 것이 많은 도움이 될 것 같습니다. 그리고 처음부터 이 책을 보신다면, 캐글 문제 부분, 이론적인 부분을 먼저 처음부터 끝까지 빨리 훍어 보신 다음에, 소스 코드를 처음부터 하나하나 코딩해가면서 확실히 공부하시는 것이 좋을 것 같다는 생각이 들었습니다.

  • 책 제목 : 파이썬 날코딩으로 알고 짜는 딥러닝

    저자 : 윤덕호

    출판년도 : 2019.07.15

     

     

    프로그래머라는 직업으로 일하다 보니 기술의 유행에 대해서도 어느정도 민감하다.

    기술의 영역이 무척 넓긴 하지만 그럼에도 책으로, 지인으로부터, 또는 구직사이트로부터

    요즘 많이 듣게되는 단어가 인공지능, 딥러닝, 데이터 사이언티스트, 신경망, 빅데이터, 파이썬이다.

    관련 서적들이 줄줄이 나오고 있는 이 시점에 딥러닝에 대해 한번은 공부해봐야 할 과제였고

    이를 위해 이 책을 선택하였다.

    이 책의 목표는 딥러닝 알고리즘의 원리를 이해하고 이를 파이썬으로 구현하는데 있다.

    파이썬 문법을 따로 다루지는 않는다.

    책의 내용...

    책의 내용은 크게 5파트로 나누어져 있다.

    첫번째 파트는 딥러닝을 간단히 맛볼 수 있도록 간단한 신경망 구조인 단층 퍼셉트론 구조를 다룬다.

    전복 고리 수 추정 신경망 예제로 회귀분석 문제를, 펄서 여부 판정 신경망 예제로 이진 판단 문제를,

    그리고 철판의 불량 상태 분류 신경망 예제를 통해 선택 분류 문제를 다룬다.

     

    두번째 파트는 다층 퍼셉트론 구조를 다루면서 객체지향 모델 구조와 복합 출력의 처리방법에 대한

    내용들이 주를 이룬다.

    객체지향 구조로 프로그램을 재구성 하면서 꽃 이미지 분류 신경망 예제를 소개하고,

    오피스 31 이미지의 다차우너 분류 예제를 사용해 복합 출력을 다룬다.

     

    세번째 파트는 합성곱 신경망과 정규화 기법, 거대 심층 구조를 살펴보면서 은닉 계층 구성에

    이용되는 12가지 계층의 기능과 구현 방법을 살펴본다.

     

    네번째 파트는 순환 신경망시간 축을 갖는 시계열 데이터 처리에 특화된 순환 신경망을 이용해 다양한

    종류의 데이터를 다루는 과정을 살펴본다.

     

    다섯번째 파트는 고급 응용파트로 세가지 딥러닝 응용구조를 소개한다.

     

    실제로 내용을 진행하면서 기존의 내용을 재활용 하거나 확장하는 부분이 많다.

    아래의 표를 보면 잘 정리되어 있다.

    이 그림 하나가 책을 읽으면서, 읽고 나서도 많은 개념 정리를 도와 주었다.

    어떤 알고리즘, 이론이 어떤식으로 이어지는지를 알려준다.

     

    책을 읽으면서...

    우선 이 책은 특정 기술에 대한 입문서라고 하기에는 난이도가 있다.

    사실 인공지능, 딥러닝등의 학문이 기본적으로 허들이 높다.

    기반 지식이 많이 필요하기 때문이다.

    이 책 또한 독자가 프로그래밍 지식, 알고리즘 지식, 기본 아키텍쳐 지식을 베이스로 하고 있다고 

    생각하고 책의 내용으 풀어 나간다.

    책의 내용은 무척 체계적이고 깔끔하다.

    여러가지 예제를 통해 딥러닝에 대한 기본 알고리즘 부터 응용 내용까지 체계적으로 

    배울 수 있도록 배려하였다.

    기존에 존재하는 플랫폼이나 라이브러리가 아닌 이론을 정확히 알고

    코드로 직접 구현을 한다.

    공부는 어렵게 해야 하고 깊이있게 해야 한다.

    그래야 기본을 닦고 응용을 할 수 있다.

    앞으로도 이정도의 깊이있는 책이 많이 나와 현업자들의 갈망을 많이 채워줬으면 좋겠다.

    그런 의미에서 딥러닝을 체계적으로 깊이있게 배우고자 하는 이에게 이 책을 추천한다.

    이 책에 대한 자세한 내용은 한빛출판네트워크에서 확인해 볼 수 있다.

     


  • 머신러닝 및 딥러닝을 생각하면 대부분 해외 기업들이 만든 프레임워크나 라이브러리를 생각하기 쉽습니다. 

     

    2015년부터 인공지능 분야에 관심을 가지면서 다양한 딥러닝 관련된 도구를 썼지만 직접 날코딩 해볼 생각은 하지 않았습니다. 

     

    사이킷런, 텐서플로 등 소스를 보면서 내부의 코드가 수학적 수식 등 다양한 베이스가 기본적으로 알고 있어야 한다는 점 때문이죠.

     

    가장 큰 이유는 회사에 재직 상태여서 업무는 밀려오고 일일이 딥러닝 코드를 만드는 것 보다 만들어진 것을 이른 시간에 소화하고 모델만 만드는 개발을 주로 했습니다. 

     

    그러다 회사를 나오게 되면서 시간적 여유가 생기게 되었고 딥러닝 부분에 대해 깊게 이해하고 싶은 마음이 있었는데요. 

     

    최근 우리나라에서 첫 번째 인공지능 바람이 불 때 자연어 처리 대가분이 '딥러닝에' 관련된 책을 썼습니다. 

     

    이 책의 핵심은 파이썬을 활용해 날코딩으로 딥러닝을 짠 것입니다. 

     

    1) 처음 접했을 때!

    기본적으로 IT 책들은 두껍습니다. 이 책의 페이지수는 적정한 선을 유지한 책으로 볼 수 있는데요. 

    6백여 페이지로 다른 책들과 크게 다르지 않게 읽어나가는 책입니다.

     

    책의 내용은 인공 신경망 원리에 대해 세부적으로 다루는 데 초점이 맞춰져 있습니다. 

    주로 타깃 독자층은 '중, 고급자' 개발자인데요. 

     

    세부적인 알고리즘을 이해함으로써 파라미터값 등을 자유자재로 바꾸는 데 큰 도움이 됩니다.

     

    2) 이해하기 쉬운 예제

    저자는 10년간 한남대학교에서 정보통신공학과 교수로 재직하면서 수많은 제자를 가르쳤습니다.

    가르친 노하우는 책에 녹여져 있는데요.

     

    대표적으로 회귀분석의 비유적 표현에 대해 알아보도록 하겠습니다. 

    "너 올해 몇 살이나? 백 세살? 아니 만으로는 102살이네"

     

    회귀분석은 어떤 특징값 하나를 숫자로 추정하여 출력한다는 것을 알 수 있습니다. 

     

    PS.

    인공지능에 관련된 책들이 2~3년 사이에 무진장 많이 나오고 있습니다. 

    대부분 기본서 이거나 중급에서 타깃 되어서 나오지만, 이 책처럼 고수들에게 맞춘 책은 드뭅니다.

     

    난이도도 고정 독자층을 잘 공략한 책으로 보이며, 출간 후 베스트셀러가 될 정도로 파장이 큰 점이라 볼 수 있습니다. 

     

    이 책을 통해 딥러닝 알고리즘에 대해 깊숙이 알 수 있기에 관심 있는 분들에게 추천해 드립니다. 

     

  • 딥러닝이 뭐에요?

    머신러닝의 한 방법이야.
     
    머신러닝은 뭐에요?
    인공지능 프로그램이 데이터에서 규칙과 패턴을 찾는 학습하는거야.
     
    인공지능은 뭐에요?
    사람의 지능과 비슷한 역할을 수행하는 프로그램이야.
     
     
    머신러닝, 딥러닝 단어는 많이 들어봤지만
    튜토리얼 처럼 간단하게 따라하면서 실행해본 적은 있지만
     
    도대체 그게 어떤 원리로,
    어떻게 동작해서
    그런 결과를 내주는지 궁금한 사람에게 딱! 인 책이다.
     

    20190808_221616.jpg

     

    첫 페이지를 넘기자마자 확인할 수 있는
    교수 이력을 가진 저자를 생각해보면
    아~ 대!학!  학벌을 위한 대학이 아닌
    진정한 공부를 하기 위한 곳에 어울릴만한 책이겠구나.
     
    원리는 확실하게 알 수 있겠구나 라는 생각으로 시작했는데
    역시나 예상과 딱 들어맞는
    심오한 원리들을 술술술 풀어놓은 책이다.
     
     
    퍼셉트론과 신경망.
    계속해서 보게되는 단어지만
    그들을 단순히 그 이름만으로 모든 걸 설명하기는 쉽지 않듯
    그 원리들은 계속해서 나온다.
     
    몇 번은 독파해봐야
    진정으로 딥러닝을 이해하고 활용할 경지에 이르게 되겠지만...
    아직은 몇 고개를 넘지 못했지만...
     
    어서 빨리 뒷 고개들을 넘고 싶을만큼
    많은 내용들이 들어있어서
    너무 기대되고, 흥미로운 책이다.
     
     
    좀 어렵고, 힘든 여정이 될 수도 있지만
    딥러닝을 제대로(?!) 한 번 해보겠다거나
    딥러닝의 고수가 되보겠다는 분들에게는
    적극 추천하고 싶어지는 책이다.
     
     
    그럼, 전 이만...
    아직 못한 딥러닝이 있어서...^^;

     

  •  

     
    최근 몇년간 머신러닝, 딥러닝이 유행하고 있다. 
     
    아직도 유행인지, 아니면 이미 식어버린건지는 모르겠지만 책도 꾸준히 나오고 있고,
     
    몇년전에 회사 업무로 개발했던 추천 시스템도 머신러닝 기술을 이용한 것이었다.
     
    그러나 머신러닝, 딥러닝에서 항상 가슴 속 한부분이 걸리는 부분이 있었는데...
     
    내용이 쉽지 않다는 것이다. 수많은 알고리즘, 수학 공식, 빅 데이터 처리 등등.
     
    관련 책도 몇 권 봤지만 일정에 맞춰 빨리 개발해야 하거나, 
     
    이해하기 어려워 블랙박스 형태로만 사용하거나, 이런 사정들이 있었다.
     
    대부분의 책들이 라이브러리나 프레임워크를 설명하는 책들인 반면에,
     
    이 책은 읽어보면서 솔직히 좀 많이 놀랬다.
     
    저자 자신이 다른 책들과의 차이점에 대해 설명하는 부분에도 있는 것처럼 프레임워크 없이 
     
    "파이썬 날코딩" 으로 개발하는 딥러닝을 다루고 있는 책이다. 그리고 번역서도 아닌 국내서다.
     
     
    한가지 살짝 아쉬운 점은 요즘 대부분의 책들이 컬러판으로 많이 나오는데 이 책은 그렇지 않다.
     
    하지만 책 내용을 보면 컬러가 아니라고 해서 크게 가독성이 덜어지거나 이해에 방해 되지는 않는다.
     
     
    그리고 700페이지 정도 되는 분량이므로 다른 얇은 책들에서는 볼 수 없는 자세한 설명들도 맘에 든다.
     
    자세한 설명이라고 해서 다 이해가 된다는 의미는 아니다. 역시 이 책도 어려운 알고리즘 설명과,
     
    수많은(기괴한?) 공식들이 많이 나온다. 그래도 가끔은 아래처럼 만화로 설명해주는 부분은 나름 재미가 있다.
     
     
    이 책의 대상 독자는 "딥러닝 입문자" 이지만 절대로 "IT 입문자" 를 대상으로 하는게 아니다.
     
    예제들도 주피터 노트로 작성되어 있지만 파이썬이나 주피터 설치 등의 내용은 쿨하게 다루지 않는다.
     
    "딥러닝 입문자" 라면 설치 정도는 검색이나 매뉴얼을 보면서 충분히 가능할테니까...
     
    읽어보던 도중에 파이썬 클래스로 작성된 부분이 다른 챕터의 알고리즘에서도 재사용을 위해 작성 했다거나,
     
    같은 데이터셋을 사용했다는 내용을 보고 어느 데이터셋이 어디서 사용되고... 이런 부분이 갑자기 궁금해서
     
    책의 다시 앞부분으로 가봤다. 
     
     
    오우~~~ 그림으로 각 챕터에서 어느 데이터셋을 사용하고 어느 알고리즘을 사용해서 예제를 작성했는지 나와 있다.
     
    목차 보는 것보다 그림으로 보는 것이 더 이해가 잘 되더라.
     
     
    간만에 괜찮은 국내서를 보게 되어 내가 쓴 책은 아니지만 괜히 기분 좋고, 
     
    다 이해는 못하겠지만 시간 날때마다 계속 봐야겠다. 저자 분께 마음 속으로나마 감사의 말을 전하고 싶다. 진심으로...

  •  

    개인적으로 구글이 만든 딥러닝 프레임워크인 텐서플로로 딥러닝에 입문했다. 수학 포기자, 통계 포기자여서 텐서플로를 이해하기는 쉽지 않았다. 상위 딥러닝 프레임워크인 케라스로 넘어갔다. 텐서플로는 백그라운드 엔진으로만 박아두고, 그 위에 래핑을 한 번 더 했기 때문에 그나마 할만했다. 원래도 길지 않은 딥러닝 코딩이 더 짧아졌다. 예제 정도는 가볍게 돌릴 수 있었다. 그렇지만 딥러닝을 제대로 이해하는 데는 오히려 멀어졌다는 느낌이 들었다. 아마 선형대수와 미적분을 제대로 알지 못하기 때문일 거다.

     

    이 책은 두껍다. 무려 700페이지에 달한다. 저자는 교수 출신으로 오랜 기간 데이터 전문 기업에서 재직하고 있다. 그래서 이론과 실제를 모두 아는 것 같다. 본문의 설명 하나하나가 친절한 동시에 명확하다. 학자로서 이론의 정확성과 현업 실무자로서의 어려운 점을 모두 고려했다고 보인다. 문체도 부드럽다. 코드도 대중적인 주피터 노트북으로 한 줄씩 풀어준다. 예제도 캐글 데이터셋이나 실제 대용량 데이터를 수집해서 돌리기 때문에 수준급이다. 

     

    이 책은 입문서의 탈을 쓰고 있지만, 냉정하게 말하자면 딥러닝 실무자를 위한 책이다. 수학/통계/머신러닝의 백그라운드가 상당히 있는 사람만 이 책으로 딥러닝 입문이 가능할 거다. 비슷한 컨셉으로 대히트를 친 <밑바닥부터 시작하는 딥러닝>, <밑바닥부터 시작하는 딥러닝2> 보다는 내용이 훨씬 깊다. 수식도 많이 나온다. 그렇지만 고생하는 만큼 깊이 있는 이해를 이끄는 책이다. 딥러닝을 구조부터 제대로 공부하고 싶은 사람에게 교과서가 되어줄만 하다. 

     

    도서를 한장씩 넘겨가면서 예전에 보던 <오라클 성능 고도화 원리와 해법> 같은 책이라는 생각이 들었다. 누구나 오라클을 어렵지 않게 사용하지만, 오라클의 구조와 성능을 제대로 이해하는 것은 많은 공부가 필요하다. 딥러닝 분야에서도 이 같은 실무자를 위한 책이 필요했다. 딥러닝의 기반이 되는 내부 동작 구조가 항상 궁금했던 사람이라면 이 악물고 도전해볼만 하다. 책에 실린 어느 교수님의 추천평처럼 '깊은 이론적 배경지식 없이도 쉽고 빠르게 인공지능 기술을 활용'하기는 어렵겠지만 말이다. 

     

  •  

    인공지능관련 라이브러리인 구글의 텐서플로 같은 소위말하는 인공지능프레임워크는 초보자도 쉽게 접근하고 활용할 수 있는 파워풀한 기능을 제공한다.

    하지만 딱! 거기까지일뿐 작동원리나 깊이있는 이해란 기대하기 어려운것이 현실이다.

     

    이 책 [파이썬 날코딩으로 알고 짜는 딥러닝]은 파이선 언어를 기반으로 단층퍼셉트론(SLP), 다층 퍼셉트론(MLP), 합성곱 신경망(CNN), 순환 신경망(RNN), 오토인코더, 인코더-디코더, 생성적 적대 신경망(GAN)에 이르기까지 파이썬을 기반으로 실제 구현 과정을 소개한다.

    인공지능관련 분야의 중급자 이상의 이해도를 요구하고 있으며, 한단계 한단계 따라가다보면 어렵지만 해당 알고리즘을 깊이있게 이해할수 있는 좋은 밑거름이 될 것으로 믿어 의심치 않는다.

     

     

     

    이책은 한번 읽고 내팽겨칠 내용이 아니라 가장 지근거리에 두고 저자가 그려놓은 인공지능 신경망 원리에 대한 이야기를 소스레벨로 하나하나 되짚어 간다면 어느 순간 고통이 깨우침에 대한 기쁨으로 승화되는 기적을 누릴 수 있을 것으로 생각된다.


    참고로 이 책 하나만으로 모든것을 이해 할 수 없을 것이라 생각되며, 이 책을 중심으로 다양한 참고서적을 섭렵해 간다면 누구에게도 꿀리지 않는 실력자가 될 수 있으리라 생각된다.

    마지막으로 책 내용이 이해가 되지 않는다고 포기하지 말고 관련 자료를 찾아보고 다시 이 책을 볼 것을 추천드린다.

  • 발매 시작된지 1달이 채 되지 않은 신선한 책인 '파이썬 날코딩으로 알고 짜는 딥러닝'

    이 책은 프레임워크 없이 파이썬 프로그램만으로 다양한 딥러닝 신경망 모델에 해당하는 예제 프로그램을 구현하고 실험하는 과정을 차근차근 소개한다.

    이 책의 대상 독자는 딥러닝 알고리즘의 동작 원리를 제대로 이해하고 공부하고 싶은 개발자 또는 입문자이다. 딥러닝에서 다루는 수학 분야에는 선형대수학, 미분적분학, 확률통계론 등이 있는데, 깊이 있게 알지 못해도 큰 지장은 없다. 하지만 딥러닝 분야 자체가 이해하기 어렵기 때문에, 이 책을 이해하고 공부하는 것은 약간 어려울 수도 있는데, 쉽게 설명하고 있고, 예제도 들어가며 쉽게 이해를 할 수 있도록 도와준다. 그리고 이 책을 공부하기 위해 파이썬 프로그래밍의 기본 문법과 라이브러리(numpy, csv, time, os, copy, wave, matplotlib)은 알아두는 것이 좋다. 파이썬 프로그래밍은 주피더 노트북을 사용한다.

    이 책은 아래와 같이 5부로 구성되어 있다.

    - 단층 퍼셉트론(SLP)

    - 다층 퍼셉트론(MLP)

    - 합성곱 신경망(CNN)

    - 순환 신경망(RNN)

    - 고급 응용 구조(오토인코더, 인코더-디코더, 생성적 적대 신경망)

    딥러닝은 동물의 신경세포를 흉내 낸 퍼셉트론을 단위로 삼아 구성한 신경망 구조를 이용해 학습을 수행하고 문제를 풀어낸다. 이 책에서는 퍼셉트론 구조 및 다양한 신경망 모델을 소개하고, 그 구조 및 모델을 파이썬으로 구현하는 것으로 보면된다.

    만화식으로 개념들을 쉽게 설명하려고 하고 있고, 예제 한줄 한줄 설명하는 것이 이 책의 장점으로 보인다. 하지만, 많은 수식으로 되어 있는 부분은 어려운 듯 하다.

      

부록/예제소스
자료명 등록일 다운로드
DOWNLOAD 예제소스 2019-07-12 다운로드
결재하기
• 문화비 소득공제 가능
• 배송료 : 0원배송료란?

배송료 안내

  • 책, 아이템 등 상품을 3만원 이상 구매시 무료배송
  • 브론즈, 실버, 골드회원이 주문하신 경우 무료배송

무료배송 상품을 포함하여 주문하신 경우에는 구매금액에 관계없이 무료로 배송해 드립니다.

닫기

리뷰쓰기

닫기
* 도서명 :
파이썬 날코딩으로 알고 짜는 딥러닝
* 제목 :
* 별점평가
* 내용 :

* 리뷰 작성시 유의사항

글이나 이미지/사진 저작권 등 다른 사람의 권리를 침해하거나 명예를 훼손하는 게시물은 이용약관 및 관련법률에 의해 제재를 받을 수 있습니다.

1. 특히 뉴스/언론사 기사를 전문 또는 부분적으로 '허락없이' 갖고 와서는 안됩니다 (출처를 밝히는 경우에도 안됨).
2. 저작권자의 허락을 받지 않은 콘텐츠의 무단 사용은 저작권자의 권리를 침해하는 행위로, 이에 대한 법적 책임을 지게 될 수 있습니다.

오탈자 등록

닫기
* 도서명 :
파이썬 날코딩으로 알고 짜는 딥러닝
* 구분 :
* 상품 버전
종이책 PDF ePub
* 페이지 :
* 위치정보 :
* 내용 :

도서 인증

닫기
도서명*
파이썬 날코딩으로 알고 짜는 딥러닝
구입처*
구입일*
부가기호*
부가기호 안내

* 회원가입후 도서인증을 하시면 마일리지 500점을 드립니다.

* 한빛 웹사이트에서 구입한 도서는 자동 인증됩니다.

* 도서인증은 일 3권, 월 10권, 년 50권으로 제한됩니다.

* 절판도서, eBook 등 일부 도서는 도서인증이 제한됩니다.

닫기

해당 상품을 장바구니에 담았습니다.이미 장바구니에 추가된 상품입니다.
장바구니로 이동하시겠습니까?

자료실