파이토치 딥러닝 모델 AI앱 개발 입문

 

 

Udemy 인기강좌를 책으로 정리!

딥러닝 모델 구현과 웹 앱 구축까지, 효율적이고 콤팩트하게!

 

도서구매 사이트

[ 교보문고 ] [ 알라딘 ] [ YES24 ]  [ 쿠팡 ] 

---

도서명  파이토치 딥러닝 모델 AI앱 개발 입문
지은이  아즈마 유키나가
옮긴이  김은철
발행일  2023-09-10

페이지  296 | 판형 152*225mm | 무선제본

ISBN   9791127464967
정   가  37,000원

키워드

파이토치, 구글 코랩, 딥러닝, AI, 인공지능, 코딩, 프로그래밍, 입문

 

분야

컴퓨터/모바일 > 프로그래밍 언어

 

대상독자

- 파이토치를 사용해보고 싶다

- 구글 코랩을 이용해 딥러닝을 구현하고 싶다

- 인공지능 웹 앱을 구축하고 싶다

- 딥러닝 코드를 구현할 수 있는 힘을 기르고 싶다

- 인공지능에 관심이 있다

 

---

이 책의 목표는 딥러닝을 PyTorch와 구글 코랩을 이용해 효율적으로 익히는 방법을 소개하고,

이를 이용해 머신러닝의 구현을 차례로 습득해 인공지능을 탑재한 웹 앱을 구축하는 데에 있습니다.

우선 PyTorch 및 딥러닝의 개요, 그리고 개발 환경인 구글 코랩의 설명부터 시작해 CNN, RNN, 인공지능을 탑재한 앱 개발 순으로 살펴봅니다.

각 장에서 코드와 함께 PyTorch 사용법을 배우고 프로그래밍 언어 Python을 사용하여 심층학습을 구현합니다.

또한, Streamlit라는 프레임워크를 사용한 훈련된 모델을 탑재한 인공지능 웹 앱의 구축과 공개에 대해서도 배웁니다.

이 책을 다 읽으면 다양한 상황에서 인공지능을 활용하고 싶어지게 될 것입니다.

 

지은이 아즈마 유키나가

‘인간과 AI의 상생’이 미션인 회사, SAI-Lab 주식회사의 대표이사이며, AI 관련 교육과 연구 개발에 종사하고 있다. 도호쿠 대학 대학원 이학 연구과를 수료했으며, 이학 박사(물리학)이다. 흥미 대상은 인공지능(AI), 복잡계, 뇌과학, 싱귤래리티 등으로, 세계 최대 교육 동영상 플랫폼 Udemy에서 다양한 AI 관련 강좌를 전개하여 수만 명을 지도하는 인기 강사이다. 여러 유명 기업에서 AI 기술을 지도했으며, 엔지니어로서 VR, 게임, SNS 등 장르를 불문하고 다양한 앱을 개발했다.

저서로 『첫 딥러닝 —Python으로 배우는 신경망과 역전파』(SB크리에이티브, 2018), 『Python으로 동작해서 배운다! 새로운 수학 교과서 기계학습·심층학습에 필요한 기초 지식』(쇼에이사, 2019), 『첫 딥러닝2 Python으로 구현하는 순환 신경망, VAE, GAN』(SB크리에이티브, 2020) 등이 있다.

저자의 유튜브 채널에서는 무료 강좌가 다수 공개되고 있다

 

옮긴이 김은철

(주)아이티에스 대표이사, 데이터 사이언티스트. 데이터 과학자로서 빅데이터 분석 및 AI 모델링 사업을 하고 있다.

주요 저서로는 <김쌤의 일대일 코딩 클래스>, <초보자를 위한 C언저 300제>, <예제가 가득한 C언어 길라잡이>, <윈도우 프로그래밍 플러스>가 있다.

역서로는 <제대로 빠르게 파이썬 입문>, <파이썬 플라스크 웹 앱 개발 입문>, <구글 코랩으로 배우는 인공지능 기술>, <엑셀 X 파이썬 코드 레시피 125>, <그림으로 이해하고 만들면서 익히는 유니티 교과서>, <데이터 분석을 위한 머신러닝 입문>, <유니티 게임 프로그래밍 바이블>, <게임으로 배우는 파이썬>, <유니티를 이용한 VR앱 개발>, <그림으로 배우는 파이썬>, <그림으로 배우는  C#>, <그림으로 배우는 SQL>, <모두의 알고리즘> 등 다수의 번역서가 있다.

 

---

목차 

문의 사항 가이드라인

예제 파일 및 프로그램 안내

 

Chapter 0 소개

0.1 이 책에 대해서 16

0.1.1 이 책의 특징 16

0.1.2 Python의 기초를 배운다 16

0.1.3 이 책의 구성 17

0.1.4 이 책으로 할 수 있게 되는 것 17

0.1.5 이 책의 주의 사항 18

0.1.6 이 책의 대상 독자 18

0.1.7 이 책의 사용법

 

Chapter 1 PyTorch와 심층학습

1.1 PyTorch

1.1.1 PyTorch의 개요

 

1.2 심층학습

1.2.1 인공지능, 기계학습, 심층학습

1.2.2 신경 세포

1.2.3 신경 세포의 네트워크

1.2.4 신경망과 뉴런

1.2.5 신경망의 구조

1.2.6 백프로퍼게이션(오차역전파법)

1.2.7 심층학습(딥러닝)

 

1.3 정리

 

Chapter 2 개발환경

2.1 Google Colaboratory 시작하는 방법

2.1.1 Google Colaboratory 사전 준비

2.1.2 노트북의 사용법

2.1.3 다운로드한 파일 다루는 법

 

2.2 세션과 인스턴스

2.2.1 세션과 인스턴스

2.2.2 90분 규칙

2.2.3 12시간 규칙

2.2.4 세션 관리

 

2.3 CPU와 GPU

2.3.1 CPU, GPU, TPU

2.3.2 GPU 사용법

2.3.3 성능 비교

 

2.4 Google Colaboratory의 다양한 기능

2.4.1 텍스트 셀

2.4.2 스크래치 코드 셀

2.4.3 코드 스니펫

2.4.4 코드의 실행 이력

2.4.5 GitHub와 연계하기

 

2.5 연습

2.5.1 코드 셀 조작

2.5.2 텍스트 셀 조작

2.5.3 셀의 위치 변경과 삭제

 

2.6 정리

 

Chapter 3 PyTorch로 구현하는 간단한 심층학습

3.1 구현의 개요

3.1.1 학습 파라미터와 하이퍼 파라미터

3.1.2 순전파와 역전파

3.1.3 구현 순서

 

3.2 Tensor

3.2.1 패키지 확인

3.2.2 Tensor 생성

3.2.3 NumPy 배열과 Tensor의 상호 변환

3.2.4 범위를 지정하여 Tensor의 일부에 접근

3.2.5 Tensor의 연산

3.2.6 Tensor 형태 변환하기

3.2.7 다양한 통계값 계산

3.2.8 간단 연습: Tensor끼리 연산

3.2.9 정답 예

 

3.3 활성화 함수

3.3.1 시그모이드 함수

3.3.2 tanh

3.3.3 ReLU

3.3.4 항등 함수

3.3.5 소프트맥스 함수

 

3.4 손실 함수

3.4.1 평균 제곱 오차

3.4.2 교차 엔트로피 오차

 

3.5 최적화 알고리즘

3.5.1 경사와 경사 하강법

3.5.2 최적화 알고리즘의 개요

3.5.3 확률적 경사 하강법

3.5.4 모멘텀

3.5.5 AdaGrad

3.5.6 RMSProp

3.5.7 Adam

 

3.6 간단한 심층학습의 구현

3.6.1 손글씨 문자 이미지의 확인

3.6.2 데이터를 훈련용과 테스트용으로 분할

3.6.3 모델 구축

3.6.4 학습

3.6.5 오차 추이

3.6.6 정답률

3.6.7 훈련한 모델을 사용한 예측

 

3.7 연습

3.7.1 데이터를 훈련용과 테스트용으로 분할

3.7.2 모델 구축

3.7.3 학습

3.7.4 오차 추이

3.7.5 정답률

3.7.6 정답 예

 

3.8 정리

 

Chapter 4 자동 미분과 DataLoader

4.1 자동 미분0

4.1.1 requires_grad 속성

4.1.2 Tensor의 연산 기록

4.1.3 경사 계산

 

4.2 에포크와 배치

4.2.1 에포크와 배치

4.2.2 배치 학습

4.2.3 온라인 학습

4.2.4 미니 배치 학습

4.2.5 학습의 예

 

4.3 DataLoader

4.3.1 데이터 읽어 들이기

4.3.2 DataLoader의 설정

4.3.3 모델 구축

4.3.4 학습

4.3.5 오차 추이

4.3.6 정답률

 

4.4 연습

4.4.1 데이터 읽어 들이기

4.4.2 DataLoader의 설정

4.4.3 모델 구축

4.4.4 학습

4.4.5 오차 추이

4.4.6 정답률

4.4.7 정답 예

 

4.5 정리

 

Chapter 5 CNN(합성곱 신경망)

5.1 CNN의 개요

5.1.1 CNN

5.1.2 CNN의 각 층

 

5.2 합성곱과 풀링

5.2.1 합성곱층

5.2.2 여러 개 채널, 여러 개 필터의 합성곱

5.2.3 합성곱층의 구현

5.2.4 풀링층

5.2.5 풀링층의 구현

5.2.6 패딩

5.2.7 스트라이드

5.2.8 합성곱을 이용한 이미지 크기의 변화

 

5.3 데이터 확장

5.3.1 CIFAR-10

5.3.2 데이터 확장: 회전과 크기 조절

5.3.3 데이터 확장: 이동

5.3.4 데이터 확장: 반전

5.3.5 데이터 확장: 일부를 소거

 

5.4 드롭아웃

5.4.1 드롭아웃의 구현

 

5.5 CNN 구현

5.5.1 DataLoader의 설정

5.5.2 CNN 모델의 구축

5.5.3 학습

5.5.4 오차 추이

5.5.5 정답률

5.5.6 훈련한 모델을 사용한 예측

 

5.6 연습

5.6.1 DataLoader의 설정

5.6.2 CNN 모델의 구축

5.6.3 학습

5.6.4 오차 추이

5.6.5 정답률

5.6.6 훈련한 모델을 사용한 예측

5.6.7 정답 예

 

5.7 정리

 

Chapter 6 RNN(순환 신경망)

6.1 RNN의 개요

6.1.1 RNN

6.1.2 간단한 RNN 층의 구현

 

6.2 간단한 RNN의 구현

6.2.1 훈련용 데이터의 작성

6.2.2 데이터의 전처리

6.2.3 모델 구축

6.2.4 학습

6.2.5 오차 추이

 

6.3 LSTM의 개요

6.3.1 LSTM

6.3.2 LSTM층의 내부 요소

6.3.3 출력 게이트(Output gate)

6.3.4 망각 게이트(Forget gate)

6.3.5 입력 게이트(Input gate)

6.3.6 기억 셀(Memory cell)

6.3.7 LSTM층의 구현

 

6.4 GRU의 개요

6.4.1 GRU

6.4.2 GRU층의 구현

 

6.5 RNN을 이용한 이미지 생성

6.5.1 이미지를 시계열 데이터로서 파악한다

6.5.2 Fashion-MNIST

6.5.3 데이터의 전처리

6.5.4 테스트용의 데이터

6.5.5 모델의 구축

6.5.6 이미지 생성을 위한 함수

6.5.7 학습

6.5.8 오차 추이

 

6.6 연습

6.6.1 데이터의 전처리

6.6.2 테스트용 데이터

6.6.3 모델 구축

6.6.4 이미지 생성을 위한 함수

6.6.5 학습

6.6.6 오차 추이

6.6.7 정답 예

 

6.7 정리

 

Chapter 7 인공지능 앱의 구축과 공개

7.1 Streamlit으로 인공지능 앱 개발하기

7.1.1 Streamlit

7.1.2 Streamlit을 이용한 인공지능 앱 개발

 

7.2 모델 구축과 훈련

7.2.1 훈련 데이터 읽어들이기와 DataLoader의 설정

7.2.2 모델 구축

7.2.3 학습

7.2.4 오차 추이

7.2.5 정답률

7.2.6 모델 저장

7.2.7 훈련한 파라미터의 다운로드

 

7.3 이미지 인식 앱의 구축

7.3.1 ngrok의 설정

7.3.2 라이브러리 설치

7.3.3 훈련한 파라미터를 업로드

7.3.4 모델을 다루는 파일

7.3.5 앱의 코드

7.3.6 Authtoken의 설정

7.3.7 앱 실행과 동작 확인

7.3.8 requirements.txt의 작성

7.3.9 파일 다운로드하기

 

7.4 앱 배포하기

7.4.1 GitHub에 등록하기

7.4.2 저장소의 작성과 파일 업로드

7.4.3 Streamlit Cloud로 등록하기

7.4.4 신규 앱의 등록

 

7.5 연습

7.6 정리

찾아보기