이 책은 통계학의 기본 모형인 선형 회귀모형, 로지스틱 모형, 확률분포와 연결하여 딥러닝을 이해할 수 있도록 설계되었다.
자연어처리 관련 딥러닝 모형은 복잡한 알고리즘으로 구성되어 있지만 이 책에 포함되었다.
이 책으로 빠르게 발전하고 있는 딥러닝의 모든 것을 알기 어렵지만 딥러닝을 이해하고 활용하는 출발점이 될 수 있다.
이 책은 10개 장으로 구성되어 있다. 제1장에서는 딥러닝의 개요, 제2장에서 제4장까지는 일반적 딥러닝의 작성과 특성을 살펴보았다.
제5장과 제6장에서는 이미지 인식, 객체 검출에 이용되는 합성곱 신경망을, 제7장은 GAN과 오토인코더 등 비지도 학습모형을 학습한다.
제8장에서는 시퀀스 데이터에 이용되는 순환신경망, LSTM 등을, 제9장에서는 자연어처리에서 활용되는 Word2Vec, Transformer, BERT에 대하여 설명하였다.
Transformer와 BERT 등은 알고리즘 중심으로 기술되어서 통계학 전공자가 이해하는 데 어려움이 있을 수 있지만
자연어처리에서 실제 이용되는 알고리즘이기 때문에 책에 포함하였다. 제10장에는 딥러닝을 구현하기 위한 Python 코드가 소개되어 있다.
이 책에서 Tensorflow-Keras 기반 기초 코드가 제공되고 있지만 딥러닝 코드 구현이 직접적인 목적은 아니다.
딥러닝을 구현하는 코드는 지속적으로 바뀌어서 공개되므로 관련 사이트를 확인하길 바란다.
제1장 딥러닝의 개요
제2장 딥러닝과 통계학
제3장 딥러닝 모형의 구조와 학습
제4장 딥러닝의 제 문제와 발전
제5장 합성곱신경망의 기초
제6장 합성곱신경망의 응용
제7장 오토인코더와 GAN
제8장 순환신경망
제9장 딥러닝 모형을 이용한 자연어처리
제10장 딥러닝 실습
이긍희
서울대학교 계산통계학과 (학사, 석사)
Texas A&M University (통계학 박사)
• 현재: 한국방송통신대학교 정보통계학과 교수
김용대
서울대학교 계산통계학과 (학사, 석사)
Ohio State University (통계학 박사)
• 현재: 서울대학교 통계학과 교수
김기온
연세대학교 응용통계학과 (학사, 석사)
Penn State University (통계학 박사)
• 현재: SKT, AI Language Tech Labs