딥러닝, 처음이어도 괜찮습니다. 편하게 따라오세요! 부트캠프 KT에이블스쿨의 메인 강의를 책으로 만나다 누구나 딥러닝 입문서를 이야기하지만, 입문 독자의 눈높이에 맞게 쓰인 책을 찾기는 쉽지 않습니다. 딥러닝에서 등장하는 까다로운 수식과 복잡한 코드 구조를 알기 쉽게 전달하는 일이 결코 만만치 않기 때문입니다. 이 책의 저자는 데이터 분석과 인공지능 분야에서 10여 년 넘게 쌓아 온 실무 경험과 10년 넘게 입문자를 대상으로 진행한 강의 경험을 바탕으로 딥러닝 개념을 누구보다 쉽게 설명합니다. 까다로운 표현 대신 적절한 비유와 일상 용어로 개념을 소개하고, 너무 단순하지도 그렇다고 너무 어렵지도 않은 난이도로 예제를 구성하며, 간편하게 접근할 수 있는 코랩 환경에서 실습을 진행하므로 초보자도 쉽게 딥러닝을 익힐 수 있습니다. 10일 정도면 누구나 챗GPT, 제미나이 등 LLM 모델을 동작하게 하는 딥러닝의 기본 원리를 충분히 익힐 수 있습니다. 이런 분께 추천합니다 - 프로그래밍에 대한 기초 지식은 있지만, 인공지능 분야는 처음인 대학생, 취준생, 일반인 - 개발/기획 분야 종사자로서 최근 핫한 분야인 인공지능 분야를 빠르게 알고자 하는 분

지은이의 글 10일 만에 완주하는 파이토치 딥러닝 체크 리스트 1부 딥러닝 기초 with 파이토치 1일 차 머신러닝 모델링 빠르게 정리하기 머신러닝이란? | 머신러닝 프로젝트의 수행 절차 | 개발 환경 코랩 소개 | 머신러닝 코드 작성 절차 | 회귀 모델링 예제: 광고비에 따른 매출 예측 모델 | 분류 모델링 예제: 대학원 합격 여부 예측 | 정리 2일 차 딥러닝 기초 딥러닝 무작정 따라하기 | 딥러닝 학습 과정 이해 1: 텐서와 데이터 로더 | 딥러닝 학습 과정 이해 2: 가중치 조정 | 정리 3일 차 회귀 모델링 딥러닝 모델 구조 설계하기 | 회귀 모델링 실습 1: 단일 층으로 이루어진 회귀 모델 | 회귀 모델링 실습 2: 은닉층이 있는 회귀 모델 | 정리 4일 차 이진 분류 모델링 은닉층에 대한 비즈니스 관점 이해 | 이진 분류 개념 이해 | 이진 분류 모델링 실습 1: 로지스틱 회귀 | 이진 분류 모델링 실습 2: 은닉층 추가 | 이진 분류 모델링 실습 3: 직원 이직 예측 | 정리 5일 차 다중 분류 모델링 다중 분류 모델 개념 이해 | 다중 분류 모델링 실습 1 - iris | 다중 분류 모델링 실습 2 - MNIST | 정리 6일 차 딥러닝 모델 성능 다루기 모델의 복잡도와 과적합 | 모델 성능 최적화 실습 1: 과적합 모델 | 모델 성능 최적화 실습 2: 조기 종료 | 모델 성능 최적화 실습 3: 드롭아웃 | 모델 성능 최적화 실습 4: 가중치 규제 | 정리 7일 차 클래스 선언 방식 클래스 이해하기 | 모델을 클래스로 선언하기 | 다중 입력 구조의 모델 클래스 만들기 | 정리 2부 딥러닝 활용 with 파이토치 8일 차 이미지 모델링 기초 CNN CNN 개념 이해 | 실습 1: MNIST 데이터로 CNN 모델 만들기 | 실습 2: MNIST 데이터로 CNN 모델 만들기 2(다중 합성곱층) | 실습 3: 컬러 이미지 분류 모델링 | 정리 9일 차 자연어 처리 기초 RNN 자연어 처리 개요 | 순환 신경망 | 언어 모델링 실습: 트위터 데이터 감정 분석 | 정리 10일 차 오토인코더 비지도학습 기초 비지도학습 개요 | 오토인코더의 개념과 구조, 활용 | 오토인코더 구현 1: MNIST 노이즈 제거 | 오토인코더 구현 2: MNIST 차원 축소 | 정리

“필자는 10년 넘게 인공지능과 데이터 분석을 가르쳐 왔습니다. (중략) 그 과정에서 늘 반복적으로 느낀 점이 있습니다. ”데이터 분석과 인공지능은 흥미롭지만, 비전공자들에게는 진입 장벽이 높다."라는 점입니다. 새로운 용어가 많고 수학 개념도 등장하고 코드 구조도 익숙하지 않아 중도에 포기하는 사람이 적지 않았습니다. 그래서 이 책에서는 최대한 쉽게 그리고 여러 비유를 사용하며 마치 강의할 때처럼 친근하게 설명하려고 놀력했습니다."(x, 지은이의 글 중)

“모델(Model)은 데이터에서 발견한 패턴을 수학적으로 표현한 구조(수학식)입니다.”(9p)

“딥러닝 모델에서는 일반적인 데이터 구조(데이터프레임, 배열 등) 대신 텐서(Tensor)라는 특별한 데이터 구조를 사용합니다. 텐서는 다차원 배열로서 딥러닝 프레임워크(텐서플로, 파이토치)에서 데이터를 효율적으로 처리하기 위해 설계된 자료구조입니다.”(68p)

“딥러닝 모델 학습에서 가장 중요한 요소 중 하나가 바로 가중치(Weight)입니다. 데이터에는 다양한 패턴이 숨어 있는데, 학습 과정에서 이 패턴을 수치로 표현한 것이 가중치입니다.”(87p)