널리 개발자를 이롭게 할 최첨단 딥러닝 기술 fast.ai의 모든 것
이 책의 원서는 미국 아마존 컴퓨터 신경망 분야에서 최상위권 자리를 지키고 있습니다. 제일 뜨거운 주제인 fastai 라이브러리를 사용해 딥러닝을 설명하기 때문이죠.
개발과 데이터에 관심을 가지기 시작한 분들과 대화하다 보면 전산 전공자가 아니고, 개발자 출신이 아니기 때문에 코드가 나오는 일을 잘하지 못할 것이라 걱정하는 분들이 계십니다. 당연히 그럴 수 있습니다. 기술을 처음 접할 때는 풀어야 할 문제, 풀고 싶은 문제를 위해 스스로 무엇을 알아야 하는지 몰라서 좌절하기 쉽습니다. 이러한 분들은 이 책을 통해 딥러닝 엔지니어링을 향한 호기심을 충분히 충족할 수 있을 것입니다.

대상 독자
이 책은 딥러닝과 머신러닝을 처음 시작하는 독자에게 가장 적합합니다. 파이썬 코딩 경험이 있으면 더 좋습니다. 또한 딥러닝 실무자에게 도움이 되는 내용도 담았습니다. 최신 연구에서 다룬 기술을 포함하여 세계적 수준의 결과를 달성하는 방법을 알려줍니다. 높은 수준의 수학 교육이나 수년간의 공부는 필요하지 않습니다. 그저 약간의 상식과 끈기만 필요할 뿐입니다.
●\t머신러닝, 딥러닝을 처음 접하는 분(파이썬 또는 프로그래밍 학습을 1년 정도 해보셨으면 충분합니다.)
●\t현업에서 머신러닝, 딥러닝을 활용하고 있는 분

주요 내용
●\t영상 처리, 자연어 처리, 테이블 데이터, 협업 필터링 모델을 학습합니다.
●\t딥러닝 분야의 최신 기법을 배웁니다.
●\t딥러닝 모델의 작동 방식을 이해하여 안정성, 정확성, 속도를 개선합니다.
●\t딥러닝 모델을 웹 애플리케이션으로 만드는 방법을 배웁니다.
●\t밑바닥부터 딥러닝 알고리즘을 구현합니다.
●\tAI 작업에 내재된 윤리적 문제를 고민해봅니다.

PART I 실전 딥러닝
CHAPTER 1 딥러닝으로 떠나는 여행
1.1 모두를 위한 딥러닝
1.2 신경망: 간략한 역사
1.3 저자 소개
1.4 딥러닝 학습 방법
1.5 소프트웨어: 파이토치, fastai, 주피터 노트북
1.6 첫 번째 모델 만들기
1.7 다양한 분야에서의 딥러닝
1.8 검증용 및 테스트용 데이터셋
1.9 모험의 순간, 여러분만을 위한 선택
1.10 질문지

CHAPTER 2 모델에서 제품까지
2.1 딥러닝 프로젝트를 실천하기
2.2 데이터 수집
2.3 데이터에서 DataLoaders까지
2.4 모델 훈련과 훈련된 모델을 이용한 데이터 정리
2.5 모델을 온라인 애플리케이션으로 전환하기
2.6 재앙을 피하는 방법
2.7 기술적 글쓰기의 장점
2.8 질문지

CHAPTER 3 데이터 윤리
3.1 데이터 윤리의 핵심 사례
3.2 머신러닝과 제품 디자인 통합하기
3.3 데이터 윤리의 주제
3.4 윤리적 문제를 식별하고 해결하기
3.5. 정책의 역할
3.6 결론
3.7 질문지
3.8 실전 딥러닝: 요약

PART II fastai 애플리케이션 계층 이해하기
CHAPTER 4 숫자 분류기의 학습 내부 들여다보기
4.1 픽셀: 컴퓨터 영상 처리의 기본 토대
4.2 첫 번째 시도: 픽셀 유사성
4.3 브로드캐스팅으로 평가지표 계산하기
4.4 확률적 경사 하강법
4.5 MNIST 손실 함수
4.6 모든 것을 한 자리에
4.7 비선형성 추가
4.8 전문용어 정리
4.9 질문지

CHAPTER 5 이미지 분류
5.1 개/고양이 예를 애완동물 품종으로 확장하기
5.2 사전 크기 조절
5.3 교차 엔트로피 손실
5.4 모델 해석
5.5 모델 향상하기
5.6 결론
5.7 질문지

CHAPTER 6 그 밖의 영상 처리 문제
6.1 다중 레이블 분류
6.2 회귀
6.3 결론
6.4 질문지

CHAPTER 7 최신 모델의 학습
7.1 이미지네트
7.2 정규화
7.3 점진적 크기 조절
7.4 테스트 시 증강
7.5 믹스업
7.6 레이블 평활화
7.7 결론
7.8 질문지

CHAPTER 8 협업 필터링 깊게 알아보기
8.1 데이터의 첫 인상
8.2 잠재 요소 학습하기
8.3 DataLoaders 만들기
8.4 밑바닥부터 만드는 협업 필터링
8.5 임베딩과 편향의 분석
8.6 초기의 협업 필터링 모델 구축하기
8.7 협업 필터링을 위한 딥러닝
8.8 결론
8.9 질문지

CHAPTER 9 테이블 데이터 모델링 깊게 알아보기
9.1 범주형 임베딩
9.2 딥러닝 이외의 기법
9.3 데이터셋
9.4 결정 트리
9.5 랜덤 포레스트
9.6 모델의 해석
9.7 외삽 및 신경망
9.8 앙상블
9.9 결론
9.10 질문지

CHAPTER 10 NLP 깊게 알아보기: 순환 신경망
10.1 텍스트 전처리
10.2 텍스트 분류기의 학습
10.3 허위 정보와 언어 모델
10.4 결론
10.5 질문지

CHAPTER 11 fastai의 중간 수준 API로 데이터 변환하기
11.1 fastai의 계층적 API 깊게 들여다보기
11.2 TfmdLists와 Datasets: 콜렉션 목록의 변환
11.3 중간 수준 데이터 API 적용 해보기: SiamesePair
11.4 결론
11.5 질문지
11.6 fastai의 애플리케이션 이해하기: 요약

PART III 딥러닝의 기반 지식
CHAPTER 12 밑바닥부터 구현하는 언어 모델
12.1 데이터
12.2 첫 번째 언어 모델
12.3 RNN 개선하기
12.4 다층 RNN
12.5 LSTM
12.6 LSTM의 정규화
12.7 결론
12.8 질문지

CHAPTER 13 합성곱 신경망
13.1 합성곱의 마법
13.2 첫 번째 합성곱 신경망
13.3 컬러 이미지
13.4 학습의 안정성 개선하기
13.5 결론
13.6 질문지

CHAPTER 14 ResNets
14.1 이미지네트 문제로 되돌아가기
14.2 현대적 CNN의 구축: ResNet
14.3 결론
14.4 질문지

CHAPTER 15 애플리케이션 구조 깊게 살펴보기
15.1 영상 처리
15.2 자연어 처리
15.3 Tabular
15.4 결론
15.5 질문지

CHAPTER 16 학습 과정
16.1 기준선 정하기
16.2 포괄적 옵티마이저
16.3 모멘텀
16.4 RMSProp
16.5 Adam
16.6 분리된 가중치 감쇠
16.7 콜백
16.8 결론
16.9 질문지
16.10 딥러닝의 기초: 요약

PART IV 밑바닥부터 구현하는 딥러닝
CHAPTER 17 기초부터 만드는 신경망
17.1 밑바닥에서부터 신경망 계층 구축하기
17.2 순전파와 역전파
17.3 결론
17.4 질문지

CHAPTER 18 CAM을 이용한 CNN의 해석
18.1 CAM과 훅
18.2 그레이디언트 CAM
18.3 결론
18.4 질문지

CHAPTER 19 밑바닥부터 만드는 Learner 클래스
19.1 Data
19.2 모듈과 파라미터
19.3 손실
19.4 Learner
19.5 결론
19.6 질문지

CHAPTER 20 맺음말

부록 A 깃허브 기반 블로그 만들기
A.1 깃허브 페이지로 블로깅하기
A.2 주피터 노트북을 블로깅에 활용하기

부록 B 데이터 프로젝트 점검 목록
B.1 데이터 과학자
B.2 전략
B.3 데이터
B.4 분석
B.5 구현
B.6 유지 관리
B.7 제약 사항