딥러닝 공부는 ‘fastai’를 만나기 전과 후로 나뉜다. 내가 짠 코드가 딥러닝을 한다! 이제 조금 게으르게 살아도 되겠다! fastai 라이브러리는 딥러닝 응용에 일관된 인터페이스를 최초로 제공하며 ‘모두를 위한 딥러닝’을 가능하게 한다. 이제 더 이상 딥러닝은 구글, 페이스북, 마이크로소프트 등 거대 기술 기업의 전유물이 아니다. 파이썬에 친숙한 프로그래머라면 약간의 수학적 배경지식, 소규모 데이터, 짧은 코드만으로도 딥러닝을 구현하는 놀라운 경험을 얻을 수 있다. 이 책에서 fastai 라이브러리의 창시자인 제러미와 실뱅은 fastai와 파이토치로 다양한 작업에 대한 모델을 학습시키는 방법을 소개한다. 또한 내부적인 알고리즘을 완전히 이해하는 데 필요한 딥러닝 이론도 설명한다.

제러미 하워드( 저자)

저자 : 제러미 하워드 저자 : 제러미 하워드 Jeremy Howard 딥러닝의 접근성을 높이는 데 집중하는 fast.ai 기관의 창립 연구자이다. 또한 샌프란시스코 대학교의 저명한 연구 과학자이며, 세계 경제 포럼의 글로벌 AI 위원회의 일원이기도 하다. 저자 : 실뱅 거거 Sylvain Gugger 허깅 페이스(Hugging Face)의 기술 연구원이다. 제러미 하워드와 마찬가지로 제한된 자원에서도 모델이 빠르게 학습하는 기술을 설계하고 개선하여 딥러닝의 접근성을 높이는 데 집중하는 fast.ai 기관의 연구 과학자로 일했다. 역자 : 박찬성 인제대학교와 워싱턴 주립 대학교에서 컴퓨터공학을 전공했으며 현재는 한국전자통신연구원에서 컴퓨터 네트워크 분야를 연구 및 개발하고 있다. ML GDE(Google Developers Expert for Machine Learning)이자 TensorFlow KR 및 fast.ai KR 커뮤니티 운영자이며, 관련 분야의 번역자로도 활동한다. 『나만의 스마트워크 환경 만들기』(비제이퍼블릭, 2020)를 집필했다. 프로그래밍과 다양한 언어에 관심이 많으며 프로젝트를 진행하며 C/C++, 자바, 파이썬, Go 언어를 사용해왔다. 역자 : 김지은 산업, 정보시스템공학을 전공했으며 AI 조직과 회사에서 커뮤니티/프로덕트/프로젝트 매니저로서 UX와 관련한 업무를 하고 있다. 사람들이 기술을 더욱 편하고 쉽게 사용하도록 만드는 일(설계)과 기술을 알려주고 소개하는 일(기술 교육)에 관심이 많다. 애자일, 지속가능성, 접근성, 커뮤니티를 좋아하며 fast.ai KR과 딥백수 커뮤니티에서 개발 행사, 스터디, 워크숍을 운영하고 있다. 저자 : 실뱅 거거 역자 : 박찬성

박찬성( 역자)

PART I 실전 딥러닝
CHAPTER 1 딥러닝으로 떠나는 여행
1.1 모두를 위한 딥러닝
1.2 신경망: 간략한 역사
1.3 저자 소개
1.4 딥러닝 학습 방법
1.5 소프트웨어: 파이토치, fastai, 주피터 노트북
1.6 첫 번째 모델 만들기
1.7 다양한 분야에서의 딥러닝
1.8 검증용 및 테스트용 데이터셋
1.9 모험의 순간, 여러분만을 위한 선택
1.10 질문지

CHAPTER 2 모델에서 제품까지
2.1 딥러닝 프로젝트를 실천하기
2.2 데이터 수집
2.3 데이터에서 DataLoaders까지
2.4 모델 훈련과 훈련된 모델을 이용한 데이터 정리
2.5 모델을 온라인 애플리케이션으로 전환하기
2.6 재앙을 피하는 방법
2.7 기술적 글쓰기의 장점
2.8 질문지

CHAPTER 3 데이터 윤리
3.1 데이터 윤리의 핵심 사례
3.2 머신러닝과 제품 디자인 통합하기
3.3 데이터 윤리의 주제
3.4 윤리적 문제를 식별하고 해결하기
3.5. 정책의 역할
3.6 결론
3.7 질문지
3.8 실전 딥러닝: 요약

PART II fastai 애플리케이션 계층 이해하기
CHAPTER 4 숫자 분류기의 학습 내부 들여다보기
4.1 픽셀: 컴퓨터 영상 처리의 기본 토대
4.2 첫 번째 시도: 픽셀 유사성
4.3 브로드캐스팅으로 평가지표 계산하기
4.4 확률적 경사 하강법
4.5 MNIST 손실 함수
4.6 모든 것을 한 자리에
4.7 비선형성 추가
4.8 전문용어 정리
4.9 질문지

CHAPTER 5 이미지 분류
5.1 개/고양이 예를 애완동물 품종으로 확장하기
5.2 사전 크기 조절
5.3 교차 엔트로피 손실
5.4 모델 해석
5.5 모델 향상하기
5.6 결론
5.7 질문지

CHAPTER 6 그 밖의 영상 처리 문제
6.1 다중 레이블 분류
6.2 회귀
6.3 결론
6.4 질문지

CHAPTER 7 최신 모델의 학습
7.1 이미지네트
7.2 정규화
7.3 점진적 크기 조절
7.4 테스트 시 증강
7.5 믹스업
7.6 레이블 평활화
7.7 결론
7.8 질문지

CHAPTER 8 협업 필터링 깊게 알아보기
8.1 데이터의 첫 인상
8.2 잠재 요소 학습하기
8.3 DataLoaders 만들기
8.4 밑바닥부터 만드는 협업 필터링
8.5 임베딩과 편향의 분석
8.6 초기의 협업 필터링 모델 구축하기
8.7 협업 필터링을 위한 딥러닝
8.8 결론
8.9 질문지

CHAPTER 9 테이블 데이터 모델링 깊게 알아보기
9.1 범주형 임베딩
9.2 딥러닝 이외의 기법
9.3 데이터셋
9.4 결정 트리
9.5 랜덤 포레스트
9.6 모델의 해석
9.7 외삽 및 신경망
9.8 앙상블
9.9 결론
9.10 질문지

CHAPTER 10 NLP 깊게 알아보기: 순환 신경망
10.1 텍스트 전처리
10.2 텍스트 분류기의 학습
10.3 허위 정보와 언어 모델
10.4 결론
10.5 질문지

CHAPTER 11 fastai의 중간 수준 API로 데이터 변환하기
11.1 fastai의 계층적 API 깊게 들여다보기
11.2 TfmdLists와 Datasets: 콜렉션 목록의 변환
11.3 중간 수준 데이터 API 적용 해보기: SiamesePair
11.4 결론
11.5 질문지
11.6 fastai의 애플리케이션 이해하기: 요약

PART III 딥러닝의 기반 지식
CHAPTER 12 밑바닥부터 구현하는 언어 모델
12.1 데이터
12.2 첫 번째 언어 모델
12.3 RNN 개선하기
12.4 다층 RNN
12.5 LSTM
12.6 LSTM의 정규화
12.7 결론
12.8 질문지

CHAPTER 13 합성곱 신경망
13.1 합성곱의 마법
13.2 첫 번째 합성곱 신경망
13.3 컬러 이미지
13.4 학습의 안정성 개선하기
13.5 결론
13.6 질문지

CHAPTER 14 ResNets
14.1 이미지네트 문제로 되돌아가기
14.2 현대적 CNN의 구축: ResNet
14.3 결론
14.4 질문지

CHAPTER 15 애플리케이션 구조 깊게 살펴보기
15.1 영상 처리
15.2 자연어 처리
15.3 Tabular
15.4 결론
15.5 질문