| Ch3 파이토치 듀토리얼 |
1. 파이토치를 사용하는 이유, 2. 텐서란?, 3. 기본 연산, 4. 텐서 형태 변환, 5. 텐서 저르기 & 붙이기, 6. 유용한 함수들, 7. 요약 |
| Ch4 선형 계층 |
1. 행렬 곱, 2. 선형 계층 및 실습, 3, GPU 사용하기, 4. 요약 |
| Ch5 손실 함수 |
1. 평균 제곱 오차 및 실습, 2. 요약 |
| Ch6 경사하강법 |
1. 미분이란?, 2. 편미분, 3. 경사하강법, 4. 학습률에 따른 성질, 5. 경사하강법 구현 및 파이토치 오토그래드 소개, 6. 요약 |
| Ch7 선형 회귀 |
1. 선형 회귀란, 2. 선형 회귀의 수식, 3. 선형 회귀 실습, 4. 요약 |
| Ch8 로지스틱 회귀 |
1. 활성 함수, 2. 로지스틱 회귀란?, 3. 로지스틱 회귀의 손실 함수, 4. 로지스틱 회귀의 수식, 5. 로지스틱 회귀 실습, 6. 요약 |
| Ch9 심층신경망 1 |
1. 심층신경망, 2. 심층신경망의 학습, 3. 역전파 알고리즘 수식, 4. 그래디언트 소실 문제, 5. 렐루 6. Deep Regression 실습, 7. 요약 |
| Ch10 확률적 경사하강법 |
1. 확률적 경사하강법 이란?, 2. SGD의 직관적 이해, 3. 미니배치 크기에 따른 SGD, 4. SGD 적용하기, 5. 요약 |
| Ch11 최적화 |
1. 하이퍼 파라미터란?, 2. 팁 : 효율적인 연구/개발 진행 방법, 3. 적응형 학습률, 4. 적응형 학습률의 수식, 5. 아담 옵티마이저 적용하기 실습, 6. 요약 |
| Ch12 오버피팅을 방지하는 방법 |
1. 모델 평가하기, 2. 오버피팅이란?, 3. 테스트셋 구성하기, 4. 데이터 나누기 실습, 5. 요약 |
| Ch13 심층신경망 2 |
1. 이진 분류, 2. 평가 지표, 3. Deep Binary Classification 실습, 4. 심층신경망을 활용한 분류, 5. 소프트맥스 함수와 교차 엔트로피 손실 함수, 6. 다중 클래스 분류 결과 분석하기, 7. Deep Classification 실습, 8. 요약 |
| Ch14 정규화 |
1. 정규화의 개요, 2. 가중치 감쇠, 3. 데이터 증강, 4. 드롭아웃, 5. 배치정규화, 6. 정규화 실습, 7. 요약 |
| Ch15 실무 환경에서의 프로젝트 연습 |
1. 실무를 진행하듯 실습하기, 2. 워크플로 리뷰, 3. 실습 소개, 4. 분류기 모델 구현하기 실습, 5. 데이터 로딩 구현하기 실습, 6. 트레이너 클래스 구현하기 실습, 7. train.py 구현하기 실습, 8. predict.ipynb 구현하기 실습, 9. 요약 |
| Ch16 표현 학습 |
1. 특징(Feature)란?, 2. 원 핫 인코딩, 3. 차원 축소, 4. 오토인코더, 5. 요약 |
| Ch17 확률론적 관점 |
1. 들어가며, 2. 기본 확류 통계, 3. MLE(Maximum Likelihood Estimation), 4. 신경망과 MLE, 5. 수식:MLE, 6. MSE 손실 함수와 MLE |
| Ch19 RNN(순환신경망) |
1. 순환신경망 소개, 2. RNN 한 걸음씩 들여다보기, 3. 순환신경망 활용 사례, 4. LSTM, 5. 그래디언트 클리핑, 6. LSTM으로 MNIST 분류 구현하기 실습, 7. 요약 |