본서는 상업적으로 판매되고 있는 AI 서비스를 효율적으로 또 효과적으로 잘쓰는 방법을 직접적으로 소개하는 책은 아니다. 그보다는 AI의 안을 전문가의 시각으로 바라볼수 있는 지식을 습득하도록 도와주고자 한다. AI 모델들은 지금까지 전통적인 계량모델들이 해온 방식에서 조금더 발전한 통계 및 수학모델이다. 이를 학습하기 위해서는 수능시험 수준의 수학과 통계 지식과 간단한 회귀분석정도를 알면 된다. 물론 AI모델을 직접 개발하거나 혹은 관련 논문을 쓰고자 하면 본서수준을 넘는 계량지식과 코딩 및 개발시스템에 대한 경험이 필요할 것이다.

생성형 AI 및 Agentic AI를 잘쓰려면 AI 모델이 어떻게 새로운 사진이나 답변, 요약들을 잘하는지를 알아야 하며, ‘카더라’ 라는 것이 아니라 근본원리를 이해하여야 한다. AI모델이 수식으로 되어있기 때문에 역시 필수적인 수식을 이해하여야 한다. 상업적으로 판매되는 AI 서비스들은 판매를 해야 하는 제품이기에 보통 화려하게 ‘과대’포장되어 있으며, 사용자를 현혹시키도록 미디어 및 마케팅활동을 하게 된다. 올바른 작동원리, 성능과 한계점을 알고써야 적절히 AI 서비스를 사용할 수 있으며, 새로운 트렌드를 알아야 한다. 본서는 이를 위한 기초적인 지식을 제공하고자 한다.

[목 차]
  

PART I AI와 DNN

 

CHAPTER 01 AI와 DNN의 소개

1 AI는 무엇이고, DNN은 무엇인가

2 학습을 위한 준비

 

CHAPTER 02 DNN 학습 준비

1 DNN을 위한 기본모델-회귀분석

2 다중회귀분석과 Vector 표현

3 로지스틱 회귀분석

4 Multi-Nominal Logistic 회귀분석(Multi-Class Classification)과 Multi-Label Classification

 

CHAPTER 03 DNN의 소개

1 DNN의 기본형태

2 DNN 모델의 코딩

3 자료 준비하기

4 학습

5 학습결과의 평가

 

CHAPTER 04 Validation과 Autoencoder 모델

1 모델 결과의 평가와 일반화(Generalization)

2 Autoencoder

 

CHAPTER 05 DNN 모델의 구조와 발전

1 DNN 모델의 목적과 구조

2 DNN 모델의 발전

 

PART II DNN의 구성요소들

 

CHAPTER 06 Data 사전처리 및 보완

1 Vectorization

2 Normalization, Standardization

3 Missing Value와 변수의 선택과 Feature Engineering

4 Label 붙이기와 Data Augmentation와 Synthetic Data

5 자료의 불일치와 해결 방법들, Imbalance 문제와 Distribution Shift

 

CHAPTER 07 모델 구성요소 I

1 Initial Weight

2 Activation 함수들

3 Regularization

 

CHAPTER 08 모델 구성요소 II

1 Supervised Learning에서의 Loss 함수

2 Unsupervised Learning에서의 Loss 함수

3 Self Supervised Learning의 모델과 Loss

4 Semi-Supervised Learning(SSL) 모델과 Loss

 

CHAPTER 09 Optimization 방법들

1 Optimization의 기본개념

2 미분가능성에 따른 Optimization 방법들의 구분

3 Learning Rate Scheduler

4 Hyper Parameter Tuning

 

CHAPTER 10 모델 성과 평가 척도(Metrics)

1 모델의 성과와 Fit Measure

2 실수(Metric) 변수를 위한 Accuracy Metrics

3 Dichotomus 변수를 위한 Accuracy Metrics

4 Fit Curves, PR Curve와 ROC Curve

5 Multi-Label과 Multi-Class 분류 평가척도

6 Loss 함수로서의 F1, Soft-F1 Loss

7 Ablation Study

 

PART III Computer Vision과 CNN

 

CHAPTER 11 Computer Vision 모델의 기본

1 Computer Vision 모델

2 CNN의 기본구조

3 Transposed Convolution과 Up-Sampling Layers

4 Fully Convolutional Network

5 CNN Architecture

 

CHAPTER 12 CNN 및 Computer Vision 모델들의 활용 분야

1 Object Detection(Classification과 Localization)

2 Localization과 IOU

3 Two Stage Models and One Stage Detector

4 Anchor Free 모델

5 Pose Detection과 다양한 용도(Caption/Landmark Detection)

6 Segmentation

7 다양한 Object Detection 모델들

8 3D Image 모델과 Dynamic Motion 모델

 

CHAPTER 13 Style Change와 Vision 모델 평가

1 DNN이 사진 속 물체를 이해하는 방법

2 Style과 Feature 확인

3 Style Transfer

4 Vision Model 들의 평가

5 Vision Benchmark DB

 

PART IV Language Model

 

CHAPTER 14 언어모델의 구성 요소

1 언어모델(Language Model)의 시작

2 NLP(Natural Language Processing)와 언어모델(Language Model)

 

CHAPTER 15 RNN을 통한 LM

1 RNN(Recurrent Neural Network)의 기초

2 Decoding 방법들, Self-Refinement at Test Time

3 RNN의 활용 방법에 따른 다양한 RNN 모델구조들

 

CHAPTER 16 RNN 활용과 LM 평가와 Benchmark

1 Neural Machine Translation(with Attention)

2 Autoregressive Model로서의 RNN

3 LM 평가방법들

4 LM 모델을 위한 Benchmark DB들