ÄÁÅÙÃ÷»ó¼¼º¸±â

¹Ø¹Ù´ÚºÎÅÍ ½ÃÀÛÇÏ´Â µö·¯´×
¹Ø¹Ù´ÚºÎÅÍ ½ÃÀÛÇÏ´Â µö·¯´×
  • ÆòÁ¡ÆòÁ¡Á¡Æò°¡¾øÀ½
  • ÀúÀÚ»çÀÌÅä °íÅ° Àú/°³¾Õ¸Ê½Ã(À̺¹¿¬) ¿ª
  • ÃâÆÇ»çÇѺû¹Ìµð¾î
  • ÃâÆÇÀÏ2017-01-26
  • µî·ÏÀÏ2019-10-14
º¸À¯ 1, ´ëÃâ 0, ¿¹¾à 0, ´©Àû´ëÃâ 6, ´©Àû¿¹¾à 0

Ã¥¼Ò°³

Á÷Á¢ ±¸ÇöÇÏ°í ¿òÁ÷¿©º¸¸ç ÀÍÈ÷´Â °¡Àå ½¬¿î µö·¯´× ÀÔ¹®¼­ 

À̠åÀº ¶óÀ̺귯¸®³ª ÇÁ·¹ÀÓ¿öÅ©¿¡ ÀÇÁ¸ÇÏÁö ¾Ê°í, µö·¯´×ÀÇ ÇÙ½ÉÀ» ¡®¹Ø¹Ù´ÚºÎÅÍ¡¯ Á÷Á¢ ¸¸µé¾îº¸¸ç Áñ°Ì°Ô ¹è¿ï ¼ö Àִ º»°Ý µö·¯´× ÀÔ¹®¼­ÀÌ´Ù. ¼ú¼ú ÀÐÈú ¸¸Å­ ½±°Ô ¼³¸íÇÏ¿´°í, ¿ªÀüÆÄó·³ ¾î·Á¿î ³»¿ëÀº ¡®°è»ê ±×·¡ÇÁ¡¯ ±â¹ýÀ¸·Î ½Ã°¢ÀûÀ¸·Î Ç®ÀÌÇß´Ù. ¹«¾ùº¸´Ù ÀÛµ¿Çϴ Äڵ尡 ÀÖ¾î Á÷Á¢ µ¹·Áº¸°í ¿ä¸®Á¶¸® ¼öÁ¤Çغ¸¸é ¾î·Á¿î À̷еµ ¸íÈ®ÇÏ°Ô ÀÌÇØÇÒ ¼ö ÀÖ´Ù. µö·¯´×¿¡ »õ·Ó°Ô ÀÔ¹®ÇÏ·Á´Â ºÐ°ú ±âÃʸ¦ ´Ù½Ã±Ý Á¤¸®ÇÏ°í ½ÍÀº Çö¾÷ ¿¬±¸ÀÚ¿Í °³¹ßÀÚ¿¡°Ô ÃÖ°íÀǠåÀÌ µÉ °ÍÀÌ´Ù.

¸ñÂ÷

1Àå Çï·Î ÆÄÀ̽ã
1.1 ÆÄÀ̽ãÀ̶õ?
1.2 ÆÄÀ̽㠼³Ä¡Çϱâ
__1.2.1 ÆÄÀ̽㠹öÀü
__1.2.2 »ç¿ëÇϴ ¿ÜºÎ ¶óÀ̺귯¸®
__1.2.3 ¾Æ³ªÄÜ´Ù ¹èÆ÷ÆÇ
1.3 ÆÄÀ̽ã ÀÎÅÍÇÁ¸®ÅÍ 
__1.3.1 »ê¼ú ¿¬»ê 
__1.3.2 ÀÚ·áÇü 
__1.3.3 º¯¼ö 
__1.3.4 ¸®½ºÆ® 
__1.3.5 µñ¼Å³Ê¸®
__1.3.6 bool 
__1.3.7 if ¹® 
__1.3.8 for ¹® 
__1.3.9 ÇÔ¼ö 
1.4 ÆÄÀ̽㠽ºÅ©¸³Æ® ÆÄÀÏ 
__1.4.1 ÆÄÀϷΠÀúÀåÇϱâ 
__1.4.2 Å¬·¡½º 
1.5 ³ÑÆÄÀÌ 
__1.5.1 ³ÑÆÄÀÌ °¡Á®¿À±â 
__1.5.2 ³ÑÆÄÀÌ ¹è¿­ »ý¼ºÇϱâ 
__1.5.3 ³ÑÆÄÀÌÀÇ »ê¼ú ¿¬»ê 
__1.5.4 ³ÑÆÄÀÌÀÇ NÂ÷¿ø ¹è¿­ 
__1.5.5 ºê·Îµåij½ºÆ® 
__1.5.6 ¿ø¼Ò Á¢±Ù 
1.6 matplotlib 
__1.6.1 ´Ü¼øÇÑ ±×·¡ÇÁ ±×¸®±â 
__1.6.2 pyplotÀÇ ±â´É 
__1.6.3 À̹ÌÁö Ç¥½ÃÇϱâ 
1.7 Á¤¸® 

2Àå ÆÛ¼ÁÆ®·Ð
2.1 ÆÛ¼ÁÆ®·ÐÀ̶õ? 
2.2 ´Ü¼øÇÑ ³í¸® È¸·Î 
__2.2.1 AND °ÔÀÌÆ® 
__2.2.2 NAND °ÔÀÌÆ®¿Í OR °ÔÀÌÆ® 
2.3 ÆÛ¼ÁÆ®·Ð ±¸ÇöÇϱâ 
__2.3.1 °£´ÜÇÑ ±¸ÇöºÎÅÍ 
__2.3.2 °¡ÁßÄ¡¿Í ÆíÇâ µµÀÔ 
__2.3.3 °¡ÁßÄ¡¿Í ÆíÇâ ±¸ÇöÇϱâ 
2.4 ÆÛ¼ÁÆ®·ÐÀÇ ÇÑ°è 
__2.4.1 µµÀü! XOR °ÔÀÌÆ® 
__2.4.2 ¼±Çü°ú ºñ¼±Çü 
2.5 ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀÌ Ã⵿ÇÑ´Ù¸é 
__2.5.1 ±âÁ¸ °ÔÀÌÆ® Á¶ÇÕÇϱâ 
__2.5.2 XOR °ÔÀÌÆ® ±¸ÇöÇϱâ 
2.6 NAND¿¡¼­ ÄÄÇ»ÅͱîÁö 
2.7 Á¤¸® 

3À堽Űæ¸Á
3.1 ÆÛ¼ÁÆ®·Ð¿¡¼­ ½Å°æ¸ÁÀ¸·Î 
__3.1.1 ½Å°æ¸ÁÀÇ ¿¹ 
__3.1.2 ÆÛ¼ÁÆ®·Ð º¹½À 
__3.1.3 È°¼ºÈ­ ÇÔ¼öÀÇ µîÀå 
3.2 È°¼ºÈ­ ÇÔ¼ö 
__3.2.1 ½Ã±×¸ðÀ̵å ÇÔ¼ö 
__3.2.2 °è´Ü ÇÔ¼ö ±¸ÇöÇϱâ 
__3.2.3 °è´Ü ÇÔ¼öÀÇ ±×·¡ÇÁ 
__3.2.4 ½Ã±×¸ðÀ̵å ÇÔ¼ö ±¸ÇöÇϱâ 
__3.2.5 ½Ã±×¸ðÀ̵å ÇÔ¼ö¿Í °è´Ü ÇÔ¼ö ºñ±³ 
__3.2.6 ºñ¼±Çü ÇÔ¼ö 
__3.2.7 ReLU ÇÔ¼ö 
3.3 ´ÙÂ÷¿ø ¹è¿­ÀÇ °è»ê 
__3.3.1 ´ÙÂ÷¿ø ¹è¿­ 
__3.3.2 Çà·ÄÀÇ ³»Àû 
__3.3.3 ½Å°æ¸ÁÀÇ ³»Àû 
3.4 3Ãþ ½Å°æ¸Á ±¸ÇöÇϱâ 
__3.4.1 Ç¥±â¹ý ¼³¸í 
__3.4.2 °¢ ÃþÀÇ ½ÅÈ£ Àü´Þ ±¸ÇöÇϱâ 
__3.4.3 ±¸Çö Á¤¸® 
3.5 Ãâ·ÂÃþ ¼³°èÇϱâ 
__3.5.1 Ç×µî ÇÔ¼ö¿Í ¼ÒÇÁÆ®¸Æ½º ÇÔ¼ö ±¸ÇöÇϱâ 
__3.5.2 ¼ÒÇÁÆ®¸Æ½º ÇÔ¼ö ±¸Çö ½Ã ÁÖÀÇÁ¡ 
__3.5.3 ¼ÒÇÁÆ®¸Æ½º ÇÔ¼öÀǠƯ¡ 
__3.5.4 Ãâ·ÂÃþÀÇ ´º·± ¼ö Á¤Çϱâ
3.6 ¼Õ±Û¾¾ ¼ýÀÚ ÀνĠ
__3.6.1 MNIST µ¥ÀÌÅͼ 
__3.6.2 ½Å°æ¸ÁÀÇ Ã߷Р󸮠
__3.6.3 ¹èÄ¡ Ã³¸® 
3.7 Á¤¸® 

4À堽Űæ¸Á ÇнÀ
4.1 µ¥ÀÌÅÍ¿¡¼­ ÇнÀÇÑ´Ù! 
__4.1.1 µ¥ÀÌÅÍ ÁÖµµ ÇнÀ 
__4.1.2 ÈƷ൥ÀÌÅÍ¿Í ½ÃÇè µ¥ÀÌÅÍ 
4.2 ¼Õ½Ç ÇÔ¼ö 
__4.2.1 Æò±Õ Á¦°ö ¿ÀÂ÷ 
__4.2.2 ±³Â÷ ¿£Æ®·ÎÇÇ ¿ÀÂ÷ 
__4.2.3 ¹Ì´Ï¹èÄ¡ ÇнÀ 
__4.2.4 (¹èÄ¡¿ë) ±³Â÷ ¿£Æ®·ÎÇÇ ¿ÀÂ÷ ±¸ÇöÇϱâ 
__4.2.5 ¿Ö ¼Õ½Ç ÇÔ¼ö¸¦ ¼³Á¤Çϴ°¡? 
4.3 ¼öÄ¡ ¹ÌºÐ 
__4.3.1 ¹ÌºÐ 
__4.3.2 ¼öÄ¡ ¹ÌºÐÀÇ ¿¹ 
__4.3.3 Æí¹ÌºÐ 
4.4 ±â¿ï±â 
__4.4.1 °æ»ç¹ý(°æ»ç ÇÏ°­¹ý) 
__4.4.2 ½Å°æ¸Á¿¡¼­ÀÇ ±â¿ï±â 
4.5 ÇнÀ ¾Ë°í¸®Áò ±¸ÇöÇϱâ 
__4.5.1 2Ãþ ½Å°æ¸Á Å¬·¡½º ±¸ÇöÇϱâ
__4.5.2 ¹Ì´Ï¹èÄ¡ ÇнÀ ±¸ÇöÇϱâ 
__4.5.3 ½ÃÇè µ¥ÀÌÅͷΠÆò°¡Çϱâ 
4.6 Á¤¸® 

5Àå ¿ÀÂ÷¿ªÀüÆĹý
5.1 °è»ê ±×·¡ÇÁ 
__5.1.1 °è»ê ±×·¡ÇÁ·Î Ç®´Ù 
__5.1.2 ±¹¼ÒÀû °è»ê 
__5.1.3 ¿Ö °è»ê ±×·¡ÇÁ·Î Çª´Â°¡? 
5.2 ¿¬¼â¹ýÄ¢ 
__5.2.1 °è»ê ±×·¡ÇÁ¿¡¼­ÀÇ ¿ªÀüÆÄ 
__5.2.2 ¿¬¼â¹ýÄ¢À̶õ? 
__5.2.3 ¿¬¼â¹ýÄ¢°ú °è»ê ±×·¡ÇÁ 
5.3 ¿ªÀüÆÄ 
__5.3.1 µ¡¼À ³ëµåÀÇ ¿ªÀüÆÄ 
__5.3.2 °ö¼À ³ëµåÀÇ ¿ªÀüÆÄ 
__5.3.3 »ç°ú ¼îÇÎÀÇ ¿¹ 
5.4 ´Ü¼øÇÑ °èÃþ ±¸ÇöÇϱâ 
__5.4.1 °ö¼À °èÃþ 
__5.4.2 µ¡¼À °èÃþ 
5.5 È°¼ºÈ­ ÇÔ¼ö °èÃþ ±¸ÇöÇϱâ 
__5.5.1 ReLU °èÃþ 
__5.5.2 Sigmoid °èÃþ 
5.6 Affine/Softmax °èÃþ ±¸ÇöÇϱâ 
__5.6.1 Affine °èÃþ 
__5.6.2 ¹èÄ¡¿ë Affine °èÃþ 
__5.6.3 Softmax-with-Loss °èÃþ 
5.7 ¿ÀÂ÷¿ªÀüÆĹý ±¸ÇöÇϱâ 
__5.7.1 ½Å°æ¸Á ÇнÀÀÇ Àüü ±×¸² 
__5.7.2 ¿ÀÂ÷¿ªÀüÆĹýÀ» Àû¿ëÇÑ ½Å°æ¸Á ±¸ÇöÇϱâ 
__5.7.3 ¿ÀÂ÷¿ªÀüÆĹýÀ¸·Î ±¸ÇÑ ±â¿ï±â °ËÁõÇϱâ 
__5.7.4 ¿ÀÂ÷¿ªÀüÆĹýÀ» »ç¿ëÇÑ ÇнÀ ±¸ÇöÇϱâ
5.8 Á¤¸® 

6Àå ÇнÀ °ü·Ã ±â¼úµé
6.1 ¸Å°³º¯¼ö °»½Å 
__6.1.1 ¸ðÇè°¡ À̾߱â 
__6.1.2 È®·üÀû °æ»ç ÇÏ°­¹ý(SGD) 
__6.1.3 SGDÀÇ ´ÜÁ¡ 
__6.1.4 ¸ð¸àÅÒ 
__6.1.5 AdaGrad 
__6.1.6 Adam 
__6.1.7 ¾î´À °»½Å ¹æ¹ýÀ» ÀÌ¿ëÇÒ °ÍÀΰ¡? 
__6.1.8 MNIST µ¥ÀÌÅͼÂÀ¸·Î º» °»½Å ¹æ¹ý ºñ±³ 
6.2 °¡ÁßÄ¡ÀÇ Ãʱ갪 
__6.2.1 Ãʱ갪À» 0À¸·Î Çϸé? 
__6.2.2 Àº´ÐÃþÀÇ È°¼ºÈ­ ºÐÆ÷ 
__6.2.3 ReLU¸¦ »ç¿ëÇÒ ¶§ÀÇ °¡ÁßÄ¡ Ãʱ갪 
__6.2.4 MNIST µ¥ÀÌÅͼÂÀ¸·Î º» °¡ÁßÄ¡ Ãʱ갪 ºñ±³ 
6.3 ¹èÄ¡ Á¤±ÔÈ­ 
__6.3.1 ¹èÄ¡ Á¤±ÔÈ­ ¾Ë°í¸®Áò 
__6.3.2 ¹èÄ¡ Á¤±ÔÈ­ÀÇ È¿°ú 
6.4 ¹Ù¸¥ ÇнÀÀ» À§ÇØ 
__6.4.1 ¿À¹öÇÇÆà
__6.4.2 °¡ÁßÄ¡ °¨¼Ò 
__6.4.3 µå·Ó¾Æ¿ô 
6.5 ÀûÀýÇÑ ÇÏÀÌÆÛÆĶó¹ÌÅÍ °ª Ã£±â 
__6.5.1 °ËÁõ µ¥ÀÌÅÍ 
__6.5.2 ÇÏÀÌÆÛÆĶó¹ÌÅÍ ÃÖÀûÈ­ 
__6.5.3 ÇÏÀÌÆÛÆĶó¹ÌÅÍ ÃÖÀûÈ­ ±¸ÇöÇϱâ 
6.6 Á¤¸® 

7Àå ÇÕ¼º°ö ½Å°æ¸Á(CNN)
7.1 Àüü ±¸Á¶ 
7.2 ÇÕ¼º°ö °èÃþ 
__7.2.1 ¿ÏÀü¿¬°á °èÃþÀÇ ¹®Á¦Á¡ 
__7.2.2 ÇÕ¼º°ö ¿¬»ê 
__7.2.3 Æеù 
__7.2.4 ½ºÆ®¶óÀ̵å 
__7.2.5 3Â÷¿ø µ¥ÀÌÅÍÀÇ ÇÕ¼º°ö ¿¬»ê 
__7.2.6 ºí·ÏÀ¸·Î »ý°¢Çϱâ 
__7.2.7 ¹èÄ¡ Ã³¸® 
7.3 Ç®¸µ °èÃþ 
__7.3.1 Ç®¸µ °èÃþÀǠƯ¡ 
7.4 ÇÕ¼º°ö/Ç®¸µ °èÃþ ±¸ÇöÇϱâ 
__7.4.1 4Â÷¿ø ¹è¿­ 
__7.4.2 im2col·Î µ¥ÀÌÅÍ Àü°³Çϱâ 
__7.4.3 ÇÕ¼º°ö °èÃþ ±¸ÇöÇϱâ 
__7.4.4 Ç®¸µ °èÃþ ±¸ÇöÇϱâ 
7.5 CNN ±¸ÇöÇϱâ 
7.6 CNN ½Ã°¢È­Çϱâ 
__7.6.1 1¹ø° ÃþÀÇ °¡ÁßÄ¡ ½Ã°¢È­Çϱâ 
__7.6.2 Ãþ ±íÀÌ¿¡ µû¸¥ ÃßÃâ Á¤º¸ º¯È­ 
7.7 ´ëÇ¥ÀûÀΠCNN 
__7.7.1 LeNet 
__7.7.2 AlexNet 
7.8 Á¤¸® 

8Àå µö·¯´×
8.1 ´õ ±í°Ô 
__8.1.1 ´õ ±íÀº ³×Æ®¿öÅ©·Î 
__8.1.2 Á¤È®µµ¸¦ ´õ ³ôÀÌ·Á¸é 
__8.1.3 ±í°Ô Çϴ ÀÌÀ¯ 
8.2 µö·¯´×ÀÇ Ãʱ⠿ª»ç 
__8.2.1 À̹ÌÁö³Ý 
__8.2.2 VGG 
__8.2.3 GoogLeNet 
__8.2.4 ResNet 
8.3 ´õ ºü¸£°Ô(µö·¯´× °í¼ÓÈ­) 
__8.3.1 Ç®¾î¾ß ÇÒ ¼÷Á¦ 
__8.3.2 GPU¸¦ È°¿ëÇÑ °í¼ÓÈ­ 
__8.3.3 ºÐ»ê ÇнÀ 
__8.3.4 ¿¬»ê Á¤¹Ðµµ¿Í ºñÆ® ÁÙÀ̱â 
8.4 µö·¯´×ÀÇ È°¿ë 
__8.4.1 »ç¹° °ËÃâ 
__8.4.2 ºÐÇÒ 
__8.4.3 »çÁø Ä¸¼Ç »ý¼º 
8.5 µö·¯´×ÀÇ ¹Ì·¡ 
__8.5.1 À̹ÌÁö ½ºÅ¸ÀÏ(ȭdz) º¯È¯ 
__8.5.2 À̹ÌÁö »ý¼º 
__8.5.3 ÀÚÀ² ÁÖÇà 
__8.5.4 Deep Q-Network(°­È­ÇнÀ) 
8.6 Á¤¸® 

ºÎ·Ï A Softmax-with-Loss °èÃþÀÇ °è»ê ±×·¡ÇÁ
A.1 ¼øÀüÆÄ 
A.2 ¿ªÀüÆÄ 
A.3 Á¤¸® 
Âü°í¹®Çå 

ÇÑÁÙ ¼­Æò