주위에서 쉽게 접할 수 있는 부동산 모델링, 질병 분류, 품질 예측, 물품 인식, 리뷰 분석, 주식 변동성 전망, 필기 이미지 생성, 로봇 제어, 뉴스 분류와 같은 문제를 해결하는 딥러닝 모델을 케라스로 구축하고 훈련하는 방법을 다룬다. 이를 통해 기본 신경망, 합성곱 신경망, 순환 신경망, 오토 인코더 및 생성적 적대 네트워크의 개념을 익힐 수 있고 실제 문제를 케라스로 해결하는 방법을 익힐 수 있다.

[목 차]

1장. 케라스 시작하기
__케라스 개요
__케라스 백엔드 옵션
____텐서플로
____테아노
____CNTK
__설치
____선택가능한 패키지들
____백엔드 엔진 설치
____케라스 설치와 설정
__케라스로 모델 피팅하기
____케라스 순차 모델 구조
____케라스 함수형 API 모델 구조
__요약

2장. 회귀분석 모델링을 이용한 부동산 모델링
__회귀 문제 정의
____회귀의 기본 개념
____회귀의 여러 유형
__선형 회귀 모델 만들기
__다중 선형 회귀 개념
__케라스를 이용한 회귀 분석을 위한 신경망
____탐색 분석
____데이터 분할
____신경망 케라스 모델
____다중 선형 회귀 모델
__요약

3장. 신경망을 이용한 심장 질환 분류
__분류 문제의 기초
__다양한 분류의 종류
____분류 알고리즘
______나이브 알고리즘
______가우스 혼합 모델
______판별 분석
______K 최근접 이웃 방법
______서포트 벡터 머신
____베이지안 결정 이론
______베이즈 정리
__케라스 신경망을 이용한 패턴 인식
____탐색 분석
______파이썬에서 누락된 데이터 처리하기
______데이터 크기 조절
____데이터 시각화
____케라스 이진 분류기
__요약

4장. 심층 신경망을 이용한 콘크리트 품질 예측
__ANN의 기본 개념
____ANN의 구조
____학습 패러다임
______지도 학습
______비지도 학습
______반지도 학습
____신경망의 구조 이해
______가중치 및 바이어스
____활성화 함수 유형
______단위 스텝 활성화 함수
______시그모이드
______하이퍼볼릭 탄젠트
______정류된 선형 유닛
__다층 신경망
__케라스에서 다층 신경망 구현
____탐색 분석
______데이터 시각화
______데이터 크기 조절
__케라스 심층 신경망 모델 구축
__이상치를 제거를 통한 모델 성능 향상
__요약

5장. 합성곱 신경망을 이용한 패션 물품 인식
__컴퓨터 비전 개념 이해
__합성곱 신경망
____합성곱 레이어
____풀링 레이어
____정류된 선형 유닛
____완전 연결 레이어
____CNN의 구조
__일반적인 CNN 구조
____LeNet-5
____AlexNet
____ResNet
____VGG Net
____GoogleNet
__객체 인식을 위한 CNN 구현
____탐색 분석
______데이터 크기 조절
__CNN 모델에서 케라스 사용하기
____모델 결과 탐색
__요약

6장. 순환 신경망을 이용한 영화 리뷰 정서 분석
____정서 분석 기본 개념
____정서 분석 기법
____정서 분석을 위한 다음 과제
____어휘 및 의미 분석
____순환 신경망
____완전 순환 신경망
____재귀 신경망
____홉필드 재귀 신경망
____엘만 신경망
____장 단기 메모리 네트워크
__RNN을 사용해서 영화 리뷰에서 정서 구분하기
____IMDB 영화 리뷰 데이터셋
____탐색 분석
____케라스 반복 신경망 모델
____모델 결과 탐색
__요약

7장. LSTM을 사용한 주식 변동성 전망
__전망의 기본 사항
____전망 지평선
____전망 방법
______정량적 방법
______정성적 방법
__시계열 분석
____시계열에 대한 고전적 접근법
____경향 요소 추정
____계절성 요소 추정
__시계열 모델
____자동 회귀 모델
____이동 평균 모델
____자동 회귀 이동 평균 모델
____자동 회귀 통합 이동 평균 모델
__케라스의 LSTM
__주식 변동성 전망을 위한 LSTM 구현
____탐색 분석
____데이터 크기 조절
____데이터 분할
____케라스 LSTM 모델
__요약

8장. 오토 인코더를 사용한 숫자 필기 이미지의 재구성
__이미지 인식의 기본 개념
____이미지 디지털화
____이미지 인식
__광학 문자 인식
____문제 접근법
__생성 신경망
____제한된 볼츠만 기계
____오토 인코더
____가변 오토 인코더
____생성적 적대 네트워크
____적대적 오토 인코더
__케라스 오토 인코더 모델
__필기 숫자 이미지를 재구성하기 위한 오토 인코더 케라스 레이어 구현
____MNIST 데이터셋
____최소 최대 정규화
____케라스 모델 구조
____모델 결과 탐색
__요약

9장. 심층 강화학습을 이용한 로봇 제어 시스템
__로봇 제어 개요
____로봇의 세 가지 원칙
____짧은 로봇 연대표
______1세대 로봇
______2세대 로봇
______3세대 로봇
______4세대 로봇
____자동제어
__로봇 이동을 제어하기 위한 환경
____OpenAI Gym
__강화학습 기초
____에이전트 - 환경 인터페이스
____강화학습 알고리즘
______동적 프로그래밍
______몬테카를로 방법
______시간차 학습
__케라스 DQNs
____Q-러닝
____딥 Q-러닝
____케라스-RL 라이브러리
__로봇의 이동을 제어하는 DQN
____OpenAI Gym 설치 및 방법
____카트폴 시스템
____Q-러닝 방법
____심층 Q-러닝 방법
__요약

10장. 케라스로 로이터 뉴스와이어 주제 분류
__자연어 처리
____NLP 단계
______형태학 분석
______구문 분석
______의미 분석
______실용 분석
____자동 처리 문제
____NLP 적용 분야
______정보 검색
______정보 추출
______질의 응답
______자동 요약
______자동 번역
______정서 분석
____NLP 방법
______문장 분할
______토큰화
______품사 태깅
______얕은 파싱
______이름 붙여진 객체 인식
______구문 분석
______의미론적 역할 표시
____자연어 처리 도구
______자연어 도구 키트
______스탠포드 NLP 그룹 소프트웨어
______아파치 오픈 NLP
______GATE
__자연어 툴킷
____NLTK 시작하기
______말뭉치
______브라운 말뭉치
____단어와 문장 토큰화
____품사 태그
____어간 추출 및 표제어 추출
______어간 추출
______표제어 추출
__문장에 레이블을 붙이기 위한 DNN 구현
____탐색 분석
____데이터 준비
____케라스 심층 신경망 모델
__요약

11장. 다음은 무엇인가?
__딥러닝 방법
____딥 피드포워드 네트워크
____합성곱 신경망
____순환 신경망
____장단기 기억
____제한된 볼츠만 기계
____딥 신념 네트워크
____생성적 적대 네트워크
__자동화된 머신러닝
____오토케라스
____구글 클라우드 ML 엔진
____애저 머신러닝 스튜디오
__아마존 웹 서비스
__미분 가능 신경 컴퓨터
__유전 프로그래밍과 진화 전략
____유전자 알고리즘 소개
______적합도 함수
______선택
______돌연변이
__역강화학습
__요약

★ 이 책에서 다루는 내용 ★

■ 데이터에 회귀를 적용하는 방법과 회귀 알고리즘의 작동 방식
■ 분류 방법에 대한 기본 개념 및 케라스 환경에서 구현하는 방법
■ 심층 신경망을 이용한 콘크리트 품질 예측
■ 합성곱 신경망을 이용한 패션 물품 인식
■ 순환 신경망을 사용한 영화 리뷰 정서 분석
■ 장단기 메모리를 이용한 주식 변동성 전망
■ 오토 인코더를 사용한 숫자 필기 이미지의 재구성
■ 심층 강화학습을 이용한 로봇 제어
■ 로이터 뉴스와이어 주제 분류

★ 이 책의 대상 독자 ★

최소한의 코드로 빠르게 지능적인 프로그램을 작성하기를 원하는 데이터 과학자, 머신러닝 엔지니어, 딥러닝을 배우고 싶어하는 사람, 혹은 AI 엔지니어라면 이 책이 가장 적합할 것이다.

★ 이 책의 구성 ★

1장, ‘케라스 시작하기’에서는 케라스를 설치하고 구성하는 방법, 케라스 라이브러리를 사용하는 방법을 배우며, 케라스 구조의 기본 개념을 살펴본다. 텐서플로를 케라스의 텐서 조작 라이브러리로 사용하는 방법과 케라스 백엔드를 텐서플로(기본 옵션)에서 테아노 및 CNTK로 전환하는 방법도 확인할 수 있다. 마지막으로 케라스 모델의 여러 유형을 이해하고 순차 레이어에서 사용되는 모델 클래스와, 함수형 API 레이어에서 사용되는 모델 클래스를 알아본다.
2장, ‘회귀분석 모델링을 이용한 부동산 모델링’에서는 다양한 유형의 회귀 분석 기법을 살펴보면서, 회귀 분석법을 데이터에 적용하고 회귀 알고리즘이 어떻게 동작하는지 알아본다. 그리고 케라스 레이어를 사용해 데이터에 수식을 맞추기 위해 여러 선형 회귀 방법을 사용하는 것을 알아본다. 또한 모델의 성능을 평가하는 방법을 배우고, 성능을 향상시키기 위해 모델을 조정하는 방법을 알아본다.
3장, ‘신경망을 이용한 심장 질환 분류’에서는 분류 문제의 기본 개념을 다룬다. 케라스를 사용한 심장 질환 분류의 실제 사례를 살펴보며, 분류 방법의 기본 개념과 케라스 환경에서 분류 방법을 구현하는 방법을 다룬다. 분류 방법의 기본 개념을 이해하고, 케라스 환경에서 이를 구현하는 방법도 배운다. 신경망 분류 분석을 위해 데이터를 가져오고 구성하는 방법과 실제 사례를 이용해 케라스 분류 모델을 구현하는 방법을 알아본다.
4장. ‘심층 신경망을 이용한 이용한 콘크리트 품질 예측’에서는 다층 신경망(Multi-layer Neural Network, MNN)의 기본 개념과 케라스 환경에서 이를 구현하는 방법을 다룬다. CNN, RNN, DBN 및 제한된 볼츠만 기계(RBM)와 같은 다양한 다층 신경망의 예를 살펴볼 것이다. 콘크리트 혼합물에 사용된 성분에 따라 압축 강도를 계산할 수 있는 모델을 구현하는 방법을 배운다. 마지막으로 모델의 성능을 향상시키기 위해 이상치를 제거하는 방법을 살펴본다.
5장, ‘합성곱 신경망을 이용한 패션 물품 인식’에서는 뇌의 시각 피질의 구조에서 영감을 받은 CNN의 뉴런 사이의 연결 패턴을 다룬다. 뇌의 이 부분(시각 피질)에 존재하는 뉴런이 수용 영역라고 불리는 좁은 관찰영역에서 자극에 어떻게 반응하는지 볼 것이다. 서로 다른 뉴런들의 수용 영역은 시야 전체를 덮기 위해 부분적으로 겹쳐져 있다. 수용 영역에서 일어나는 자극에 대한 단일 뉴런의 반응은 합성곱 연산에 의해 수학적으로 근사화될 수 있다. 이 장에서 CNN은 패턴 인식 문제를 해결하기 위해 훈련된다.
6장, ‘순환 신경망을 사용한 영화 리뷰 정서 분석’에서는 정보의 양방향 흐름이 존재하는 신경 모델인 RNN을 다룬다. 즉, 피드포워드 네트워크에서의 신호 전파는 입력에서 출력까지 한 방향으로만 연속적으로 이뤄지는 반면에, 순환 신경망은 그렇지 않다. 순환 신경망에서 이전 레이어 다음의 신경 레이어, 동일한 레이어에 속하는 뉴런 사이, 심지어 특정 뉴런과 그 자체 사이에서도 신호가 전파될 수 있다. RNN을 사용해 언어 인식 문제를 해결한다.
7장, ‘장단기 메모리를 이용한 주식 변동성 전망’에서는 전망 기법의 기본 개념을 다룬다. 전망 지평선과 몇 가지 예측 방법을 분석하고 시계열 데이터도 다룰 것이다. 시계열은 연속적인 순간이나 시간 간격으로 수행되는 현상에 대한 연속된 관찰 값으로 구성된다. 시계열에서 경향, 계절성, 주기 및 잔차 등 여러 구성 요소를 확인할 수 있다. 실용적인 예제로 시계열에서 계절성을 제거하는 방법을 배우게 된다. 시계열을 나타내기 위해 가장 많이 사용되는 모델인 AR, MA, ARMA 및 ARIMA을 다룬다. 각각에 대해 기본 개념을 분석하고 모델의 수식을 제공한다. 마지막으로 시계열 분석을 위한 케라스 LSTM 모델을 제안한다. 실용적인 예를 사용해 LSTM 유형의 RNN 모델에서 시계열 회귀 문제를 다루는 방법을 알아본다.
8장, ‘오토 인코더를 사용한 숫자 필기 이미지의 재구성’에서는 오토 인코더를 살펴본다. 오토 인코더는 입력을 작은 차원으로 만드는 신경망이며, 얻어진 결과는 입력 자체를 재구성하는 데 사용할 수 있다. 오토 인코더는 인코더와 디코더의 두 서브넷으로 구성된다. 인코더 및 디코더는 거리 함수에 대해 미분할 수 있으므로, 인코딩/디코딩 함수의 파라미터는 확률적 그래디언트를 사용해 재구성 손실을 최소화하도록 최적화할 수 있다. 필기로 쓰여진 숫자 이미지를 재구성하는 데 오토 인코더를 사용한다.
9장, ‘심층 강화학습을 이용한 로봇 제어 시스템’에서는 강화학습의 기본 개념과 이 기법을 사용해 기계 시스템을 제어하는 방법을 소개한다. 우선 로봇 제어를 간략히 요약한 다음 강화학습 알고리즘을 구현하는 데 도움이 되는 OpenAI Gym 라이브러리를 소개한다. 여기에는 공통 인터페이스를 사용하는 벤치마킹 문제들과 사람들이 결과를 공유하고 알고리즘 성능을 비교할 수 있는 웹사이트를 포함한다. 이 라이브러리에 포함된 여러 환경을 둘러보고, 어떻게 설치하는지 알아본다. 마지막으로 카트폴 시스템을 이용해 Q-러닝과 딥 Q-러닝 알고리즘을 구현해볼 것이다.
10장, ‘케라스로 로이터 뉴스와이어 주제 분류’에서는 자연 언어로 작성되거나 말해진 정보를 자동으로 처리하는 과정인 자연어 처리(NLP)를 다룬다. 인간 언어는 기본적으로 애매한 특성이 있어서 특히 어렵고 복잡하다. 케라스 레이어를 사용해 로이터의 뉴스 주제를 분류하는 모델을 구축한다. 로이터가 46개의 주제로 분류한 로이터의 11,228개 뉴스 와이어 데이터셋을 이용한다. 이 데이터셋은 케라스에서 불러올 수 있으며, 각 뉴스는 단어 인덱스의 시퀀스로 인코딩된다.
11장, ‘다음은 무엇인가?’에서는 이 책에서 다룬 내용과 이 단계 이후의 내용을 요약한다. 배운 기법들을 다른 프로젝트에 적용하는 방법, 즉 케라스 딥러닝 모델을 구축하고 배포해서 실제 문제에 적용하는 방법과 데이터 과학자들이 자주 사용하는 기타 공통 기법을 살펴본다. 딥러닝 모델 구축과 배포와 관련된 실제 문제들과 딥러닝 기법을 향상시키는 데 필요한 추가 자원과 기술을 더 잘 이해할 수 있을 것이다.

★ 지은이의 말 ★

이 책은 여러 프로젝트에서 케라스를 활용해 최신 딥러닝 모델을 구축하고 훈련하는 방법을 설명한다. 우선 케라스 라이브러리를 설치해서 딥러닝 환경을 빠르게 설정할 것이다. 각각의 프로젝트를 통해 딥러닝의 고급 개념을 배우고, 케라스의 진보된 기능을 사용해 딥러닝 모델을 계산하고 실행하는 방법을 배울 수 있다. 그리고 실제 훈련 데이터셋을 사용해 완전 연결된 다층 네트워크, 합성곱 신경망, 순환 신경망, 오토 인코더 및 생성적 적대 네트워크를 훈련할 것이다. 책에서 다룰 프로젝트는 언어 인식, 주식 변동, 에너지 소비 예측, 자율 주행 차량을 위한 빠른 객체 분류와 같은 실제 시나리오를 기반으로 한다.
이 책이 끝날 때쯤이면 딥러닝을 잘 알게 될 것이며, 케라스를 이용한 구현에 익숙해질 것이다. 여러 종류의 문제를 해결하기 위해 딥러닝 모델을 훈련하는 데 필요한 지식을 갖게 될 것이다.

★ 옮긴이의 말 ★

어느 때보다 딥러닝에 대한 관심이 뜨겁다. 딥러닝은 물체 인식 분야 및 여러 분야에서 기존의 방법보다 뛰어난 결과를 보여주며, 이를 바탕으로 자율 주행차와 같은 혁신적인 결과물들이 나오고 있다. 이 딥러닝의 적용처는 앞으로도 더욱 확대돼 여러 분야에서 활약을 할 것이 분명하다. 하지만 막상 이 딥러닝을 실제 문제에 어떻게 적용할지 생각하면 막막할 것이다. 딥러닝을 실제 문제에 쉽게 적용하기 위한 최고의 라이브러리 중 하나가 케라스다. 이 책은 주위에서 쉽게 접할 수 있는 부동산 모델링, 질병 분류, 품질 예측, 물품 인식, 리뷰 분석, 주식 변동성 전망, 필기 이미지 생성, 로봇 제어, 뉴스 분류와 같은 문제를 해결하는 딥러닝 모델을 케라스로 구축하고 훈련하는 방법을 다룬다. 이를 통해 통해 기본 신경망, 합성곱 신경망, 순환 신경망, 오토 인코더, 생성적 적대 네트워크의 개념을 익힐 수 있고 실제 문제를 케라스로 해결하는 방법을 익힐 수 있을 것이다. 아무쪼록 이 책이 딥러닝을 이용해 실제 문제를 해결하고자 하거나 케라스를 익히고자 하는 독자들에게 도움이 됐으면 한다.

주세페 시아부로(Giuseppe Ciaburro)
환경 기술 물리학 박사 학위와 두 개의 석사 학위를 갖고 있다. 도시 환경의 소리 연구에 머신러닝을 적용하고 있으며, 이탈리아의 건설 환경 제어 연구실에서 일하고 있다. 프로그래밍 분야(Python, R, MATLAB)에서 15년 이상의 전문적인 경험을 쌓았으며, 처음에는 연소 분야에서 근무했으며 현재 음향 및 소음 제어 분야에 종사하고 있다. 몇 출판물에 기여했다.


옮긴이 김정중
2000년대 중반부터 신경망, 머신러닝과 관련된 연구를 진행했고 학습에 기반한 로봇의 동작 생성으로 박사학위를 받았다. 현재는 딥러닝을 활용해 실제 환경에서 작업하는 로봇 연구를 진행 중이다.