안내
확인
U
회원관리
로그인
가입
찾기
회원아이디
패스워드
로그인유지
회원아이디
이름
이메일
휴대폰번호
패스워드
패스워드 재입력
회원이용약관 및 개인정보 취급방침에 동의 합니다
회원이용약관 보기
개인정보처리방침 보기
본인 이름 입력
회원가입시 이메일 입력
인공지능(AI) - 이 책 한 권이면 끝!
AI 정의
와이웨이브이퍼블리싱
|
박빈
|
2025-02-08
14
읽음
0
0
0
8 / 219 목차보기
이전
8 / 219 목차
다음
로그인
회원가입
와
와이드웨이브
저자소개
서평
출판사평
🚀 이 책의 주요 특징
📖 이런 분들에게 추천합니다!
Chapter 1: 인공지능(AI) 개요
1. 인공지능(AI)이란 무엇인가? (정의와 역사)
AI 정의
AI의 역사
Python 예제: 간단한 인공지능 챗봇 구현
2. AI의 주요 분야 (머신러닝, 딥러닝, 강화학습)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
강화학습(Reinforcement Learning)
Python 예제: 간단한 머신러닝 모델 (선형 회귀)
3. AI가 적용되는 산업 분야 (의료, 금융, 자율주행, 로봇 등)
Python 예제: 금융 데이터 예측 모델 (랜덤 포레스트 활용)
4. 인공지능의 윤리적 문제와 도전과제
윤리적 문제
AI의 도전 과제
Python 예제: AI 모델의 공정성 평가 (데이터 편향 확인)
결론
Chapter 2: 머신러닝(Machine Learning) 개념과 원리
머신러닝의 개념 및 지도학습 vs 비지도학습
지도학습(Supervised Learning)
비지도학습(Unsupervised Learning)
머신러닝 모델의 기본 원리 (데이터 -> 학습 -> 예측)
데이터 수집과 전처리의 중요성
머신러닝의 대표적인 알고리즘 (선형 회귀, 의사결정트리, SVM)
1. 선형 회귀(Linear Regression)
Python 코드 예제:
2. 의사결정트리(Decision Tree)
Python 코드 예제:
3. 서포트 벡터 머신(SVM, Support Vector Machine)
Python 코드 예제:
Chapter 3: 딥러닝(Deep Learning) 기초
딥러닝이란 무엇인가? (머신러닝과의 차이)
인공신경망(ANN)의 구조와 동작 원리
ANN의 동작 과정
활성화 함수(ReLU, Sigmoid, Tanh) 이해하기
1. 시그모이드(Sigmoid)
2. 하이퍼볼릭 탄젠트(Tanh)
3. 렐루(ReLU, Rectified Linear Unit)
Python 코드 예제 (활성화 함수 시각화)
역전파(Backpropagation) 알고리즘과 학습 과정
역전파 과정
Python 코드 예제 (간단한 신경망 학습)
Chapter 4: AI의 수학적 기초
1. 선형대수학 (벡터, 행렬, 텐서)
1.1 벡터 (Vector)
벡터 연산 예제
1.2 행렬 (Matrix)
행렬 연산 예제
1.3 텐서 (Tensor)
2. 확률과 통계 (조건부 확률, 베이즈 정리)
2.1 조건부 확률 (Conditional Probability)
조건부 확률 예제
2.2 베이즈 정리 (Bayes' Theorem)
베이즈 정리 예제
3. 최적화 (Gradient Descent, 손실 함수)
3.1 Gradient Descent (경사 하강법)
경사 하강법 구현 예제
3.2 손실 함수 (Loss Function)
MSE (Mean Squared Error) 예제
4. 머신러닝과 미분 (경사 하강법)
4.1 미분과 경사 하강법
간단한 경사 하강법을 통한 최적화
Chapter 5: 머신러닝의 주요 알고리즘
1. 선형 회귀 (Linear Regression)
개요
수식
코드 구현
2. 로지스틱 회귀 (Logistic Regression)
개요
수식
코드 구현
3. 의사결정나무 (Decision Tree)와 랜덤 포레스트 (Random Forest)
개요
코드 구현
4. 서포트 벡터 머신 (SVM)
개요
수식
코드 구현
Chapter 6: 신경망과 CNN(Convolutional Neural Network) 개요
1. 합성곱 신경망(CNN)의 개념과 원리
개요
동작 원리
2. CNN의 주요 구성 요소 (Convolution, Pooling, Fully Connected Layer)
2.1 합성곱(Convolution)
2.2 풀링(Pooling)
2.3 완전 연결 레이어 (Fully Connected Layer, FC Layer)
3. CNN을 활용한 이미지 분류 모델
모델 구조
코드 예제 (Python + TensorFlow/Keras)
4. CNN의 한계점과 개선 방법 (ResNet, Inception 등)
4.1 CNN의 한계점
4.2 개선 방법
코드 예제 (ResNet50 모델 사용)
Chapter 7: 자연어 처리(NLP)와 RNN(Recurrent Neural Network)
1. 자연어 처리(NLP)의 개념과 필요성
개요
필요성
2. 단어 임베딩 (Word2Vec, GloVe, BERT)
2.1 Word2Vec
2.2 GloVe
2.3 BERT
3. 순환 신경망(RNN)과 장단기 기억(LSTM, GRU)
3.1 순환 신경망 (RNN)
3.2 장단기 기억 네트워크 (LSTM)
3.3 GRU(Gated Recurrent Unit)
4. 챗봇과 음성 인식 AI의 원리
4.1 챗봇(Chatbot)
4.2 음성 인식 AI
Chapter 8: 강화 학습(Reinforcement Learning) 기초
1. 강화학습 개념 및 주요 요소 (Agent, 환경, 보상)
개요
주요 요소
2. 마르코프 결정 과정(MDP)과 Q-learning
마르코프 결정 과정(MDP)
Q-learning
Q-learning 알고리즘 과정
코드 예제 (Q-learning)
3. 심층 강화 학습(Deep Q-Network, DDPG, A3C)
Deep Q-Network (DQN)
DQN의 주요 특징
DQN 코드 예제
DDPG (Deep Deterministic Policy Gradient)
A3C (Asynchronous Advantage Actor-Critic)
4. 게임 AI와 로보틱스에서의 강화 학습 적용
게임 AI
로보틱스
Chapter 9: AI 모델의 성능 평가 및 최적화
1. 모델의 성능 평가 지표 (정확도, 정밀도, 재현율, F1-score)
개요
주요 성능 평가 지표
코드 예제 (Scikit-learn을 활용한 성능 평가)
2. 과적합(Overfitting)과 과소적합(Underfitting) 해결 방법
개요
해결 방법
코드 예제 (Dropout을 활용한 과적합 방지)
3. 하이퍼파라미터 튜닝(Grid Search, Random Search, Bayesian Optimization)
개요
주요 기법
코드 예제 (Scikit-learn의 GridSearchCV 활용)
4. 전이 학습(Transfer Learning)과 데이터 증강(Data Augmentation)
4.1 전이 학습(Transfer Learning)
코드 예제 (ResNet50을 활용한 전이 학습)
4.2 데이터 증강(Data Augmentation)
코드 예제 (ImageDataGenerator 활용)
Chapter 10: AI 실전 프로젝트 구축
1. AI 프로젝트 진행 프로세스 (데이터 수집 → 모델 개발 → 배포)
개요
2. 머신러닝 라이브러리(TensorFlow, PyTorch) 비교
TensorFlow
PyTorch
비교 요약
3. 모델 배포 및 운영(AWS, Google Cloud, ONNX)
AWS를 활용한 배포
Google Cloud를 활용한 배포
ONNX(Open Neural Network Exchange)
코드 예제 (Flask를 활용한 모델 배포)
4. AI 프로젝트 실전 예제 (이미지 분류, 자연어 처리)
4.1 이미지 분류(Image Classification)
코드 예제 (TensorFlow 사용)
4.2 자연어 처리(NLP)
코드 예제 (PyTorch 사용)
Chapter 11: AI와 빅데이터
1. 빅데이터와 AI의 관계
개요
AI와 빅데이터의 연결
2. 데이터 수집, 저장, 분석 (Hadoop, Spark, Kafka)
2.1 데이터 수집
2.2 데이터 저장
2.3 데이터 분석
데이터 분석 예제 (PySpark 활용)
3. 데이터 시각화 도구(Tableau, Power BI) 활용
3.1 Tableau
3.2 Power BI
코드 예제 (Power BI에서 Python 활용)
4. AI 기반 빅데이터 분석 사례
4.1 고객 행동 분석
추천 시스템 예제 (협업 필터링)
4.2 금융 데이터 분석
4.3 의료 데이터 분석
Chapter 12: AI의 미래와 전망
1. AI가 바꿀 미래 사회 (산업, 경제, 의료, 교육)
1.1 산업
1.2 경제
1.3 의료
1.4 교육
2. AI 윤리와 법적 문제 (책임성, 편향성, 프라이버시)
2.1 책임성(Accountability)
2.2 편향성(Bias)
2.3 프라이버시(Privacy)
3. 양자 컴퓨팅과 AI의 결합
3.1 양자 컴퓨팅 개요
3.2 AI와 양자 컴퓨팅의 결합 가능성
3.3 양자 AI 연구 사례
4. AI 연구 및 개발의 최신 트렌드
4.1 자율 AI(Autonomous AI)
4.2 대규모 멀티모달 모델
4.3 AI와 로보틱스의 융합
4.4 지속 가능한 AI(Green AI)
4.5 AI와 인간 협업
판 권