엑셀로 배우는 순환 신경망·강화학습 초(超)입문
AI 응용 첫걸음! 순환 신경망과 강화학습을 쉽게 이해하는
| ISBN | 978-89-315-5676-6 |
| eBook ISBN | 978-89-315-9692-2 |
| 저자 | 와쿠이 요시유키, 와쿠이 사다미 저 / 권기태 역 |
| 발행일 | 2020-07-24 |
| eBook 발행일 | 2020-07-30 |
| 분량 | 224쪽 |
| 편집 | 2도 |
| 판형 | 182x235 |
| 정가 | 23,000원↓ |
| 판매가 | 20,700원 (10% off) |
| 적립금 | 1,150원(5%) |
| 소득공제 |
도서소개
■ 책 소개
엑셀만으로 딥러닝 동작 원리를 이해할 수 있는 AI 응용 입문서!
자연어 처리에서 가장 주목받는 신경망 알고리즘 RNN과 강화학습 기법으로 정확도를 높인 DQN을 엑셀로 쉽게 소개!
AI 응용 첫걸음! 순환 신경망과 강화학습을 쉽게 배우는
엑셀로 배우는 순환 신경망·강화학습
초(超)입문 [RNN⦁DQN편]
★ 예제 소스 다운로드: https://vo.la/A3Hoh
<엑셀로 배우는 딥러닝>의 속편격인 이 책은 전편이 CNN(합성곱 신경망) 위주였다면 좀 더 딥러닝 쪽에 심화된 RNN(순환 신경망), DQN(심층 Q-네트워크)편이다. 이 책 제목에서 ‘초(超)입문’은 보통 초보자들이 처음 입문한다는 의미에서 쓰는 ‘처음 초(初)자의 ‘초입문(初入門)’이 아닌 ‘입문을 뛰어 넘는다’는 의미에서 ‘초월할 초(超)’ 자를 썼다.
저자는 진화하는 딥러닝 분야의 대표적인 예로 RNN(Recurrent Neural Network, 순환 신경망)과 DQN(Deep Q-Network, 심층 Q-네트워크)를 들면서 RNN은 자연어 처리 분야에서 가장 주목받는 알고리즘이며 DQN은 강화학습의 기법으로 정확도가 놀라울 만큼 높아졌음을 강조한다.
이 책은 누구나 사용하는 엑셀로 인공지능을 실습해 볼 수 있게 함으로써 인공지능 응용 입문서로 RNN과 DQN을 엑셀(Excel)로 어려운 수학이나 프로그래밍 지식 없이도 딥러닝의 구조와 동작 원리를 이해할 수 있도록 한 획기적인 입문서이다. 엑셀로 난해한 RNN, DQN의 ‘최적화’와 동작 원리를 쉽게 이해할 수 있어 AI 학습의 장벽을 단숨에 낮춰줄 것이다.
시리즈 후속작으로 <엑셀로 배우는 기계학습 초입문>편도 선보일 예정이다.
목차
■ 차례
머리말
역자 서문
이 책의 사용 방법
엑셀 샘플 파일 다운로드 방법
1장 RNN, DQN을 위한 준비
§ 01 RNN, DQN의 첫걸음
▶ 시계열 데이터를 다루게 된 ‘RNN’
▶ 학습하는 로봇의 지능을 현실로 만든 ‘DQN’
▶ 왜, 지금 AI가 꽃을 피웠는가?
▶ RNN, DQN을 엑셀로 체험
§ 02 사용할 엑셀 함수는 10개 남짓
▶ 사용할 주요 엑셀 함수
▶ TANH 함수
▶ OFFSET 함수
▶ MATCH 함수
▶ 배열 수식
▶ MMULT 함수
§ 03 최적화 계산이 불필요한 엑셀의 해 찾기
▶ 해 찾기를 사용해 보자
▶ 해 찾기로 구한 ‘최솟값’은 국소해
§ 04 데이터 분석에는 최적화가 필수
▶ 최적화는 데이터 분석에 필수
▶ 회귀분석이란?
▶ 구체적인 예로 회귀분석의 논리를 이해
▶ 회귀분석을 이해하면 데이터 분석도 이해돼
2장 엑셀로 배우는 신경망
§ 01 출발점이 되는 뉴런 모델
▶ 생물의 뉴런 구조
▶ 뉴런의 입력 처리 방법
▶ 발화 .
▶ 뉴런의 ‘입출력’을 수식으로 표현
▶ 뉴런의 ‘발화’를 수식으로 표현
§ 02 신경세포를 모델링한 인공 뉴런
▶ 뉴런의 움직임을 정리하면
▶ 발화 조건을 함수로 표현.
▶ 인공 뉴런
▶ 뉴런의 간단한 그림
▶ 시그모이드 함수
▶ 시그모이드 뉴런
▶ 시그모이드 뉴런의 일반화
▶ 인공 뉴런과 활성화 함수의 정리
▶ 엑셀로 뉴런의 동작 재현
▶ ‘입력의 선형합’의 내적 표현
§ 03 신경망의 사고방식
▶ 입력층의 역할
▶ 은닉층의 역할
▶ 출력층의 역할
▶ 뉴런 1개는 지능이 없다!
▶ 특징 추출의 구조
▶ 출력층의 ‘판정원’은 정리하는 역할
▶ 구조를 정리하면
▶ 임곗값의 역할은 불필요한 정보를 차단하는 것
▶ 가중치와 임곗값의 결정 방법
▶ 신경망의 아이디어 정리
§ 04 신경망을 식으로 표현
▶ 변수명을 정하는 규칙
▶ 신경망을 식으로 표현
▶ 신경망 출력의 의미
▶ 정답을 변수화
▶ 제곱오차의 식 표현
▶ 모델의 최적화
▶ 신경망의 목적 함수
§ 05 엑셀로 배우는 신경망
▶ 훈련 데이터의 준비
▶ 신경망의 사고방식에 따라 함수 설정
▶ 목적 함수의 산출
▶ 신경망의 최적화
▶ 최적화된 파라미터 해석
▶ 신경망을 테스트하자
§ 06 보편성 정리
▶ 가중치와 임곗값을 구하는 방법
3장 엑셀로 배우는 RNN
§ 01 RNN의 사고방식
▶ 구체적인 예로 생각한다
▶ 종래의 신경망에 적용해보면?
▶ 신경망이 기억을 갖게 해주는 RNN
▶ 순환 신경망을 나타내는 그림
▶ 컨텍스트 노드의 계산
▶ 다른 예로 확인
▶ 파라미터의 결정 방법은 신경망과 동일
§ 02 순환 신경망을 식으로 표현
▶ 구체적인 과제로 생각한다 .
▶ 수식화 준비
▶ 뉴런의 입출력을 수식으로 표현
▶ 훈련 데이터 준비
▶ 구체적인 식으로 나타내본다
▶ 최적화를 위한 목적 함수를 구한다
▶ 최적화는 목적 함수의 최소화
§ 03 엑셀로 배우는 순환 신경망
▶ 구체적인 예로 생각한다
▶ 문자 코드화와 단어의 분해
▶ 파라미터의 초깃값 설정
▶ 첫 번째 문자의 계산 확인
▶ 두 번째 문자의 계산 확인
▶ 가중치에 음의 값 허용
▶ 단어 수를 늘려 확인
4장 엑셀로 배우는 Q학습
§ 01 Q학습의 사고방식
▶ 강화학습
▶ Q 학습을 개미를 이용해 이해
▶ 좀 더 상세히 알아보자
▶ ‘냄새가 강한 방향으로’가 개미의 기본 행동
▶ ε-greedy 법으로 개미의 모험심을 표현
▶ 출구 정보의 갱신
▶ 학습률
▶ 개미의 행동 요약
§ 02 Q학습을 식으로 표현
▶ 개미를 이용해 배우는 Q학습 용어
▶ Q 값은 표의 이미지
▶ Q 값의 의미
▶ Q 값의 표와 개미와의 대응
▶ Q 학습의 수식에서 이용되는 기호의 의미
▶ 개미의 동작을 기호로 정리하면
▶ 할인율 γ, 학습률 a의 의미
▶ 수정 ε-greedy법
▶ 학습의 종료 조건
§ 03 엑셀로 배우는 Q학습
▶ 과제 확인
▶ 워크시트 작성상의 유의점
▶ 워크시트로 Q학습
5장 엑셀로 배우는 DQN
§ 01 DQN의 사고방식
▶ DQN의 구조
▶ 개미를 이용해 배우는 DQN
▶ DQN의 입출력 .
▶ DQN의 목적 함수
▶ 최적화 도구로 해 찾기 이용
§ 02 엑셀로 배우는 DQN
▶ 과제 확인
▶ 신경망과 활성화 함수의 가정
▶ Q학습의 결과 정리
▶ 입력층 데이터의 코드화
▶ 가중치와 임곗값의 초깃값 설정
▶ 은닉층에 대해 ‘입력의 선형합’을 구한다
▶ 은닉층의 출력을 구한다
▶ 출력층에 대한 ‘입력의 선형합’을 구한다
▶ 신경망의 목적 함수 계산
▶ DQN의 최적화
▶ DQN의 결과 확인
▶ 적합도를 올리기 위해서는 .
부록
§ A 훈련데이터
§ B 해 찾기의 설치 방법
§ C 순환 신경망을 다섯 문자에 응용
찾아보기 Index
저자
■ 저자 소개
와쿠이 요시유키
1950년 도쿄 출생. 도쿄교육대학(현 츠쿠바대학) 수학과를 졸업한 후 치바현립고등학교 교사로 근무했다. 교직 은퇴 후 작가로서 저술 활동에 전념하고 있다.
와쿠이 사다미
1952년 도쿄 출생. 도쿄대학 이학계 연구 과정 석사를 수료한 후 후지쯔, 가나가와현립고등학교 교사를 거쳐 과학 분야 저술가로 활동하고 있다.
■ 역자 소개
권기태
서울대학교 계산통계학과를 졸업하고 동 대학원에서 전산학 전공으로 이학석사 및 이학박사 학위를 취득했다. 현재 강릉원주대학교 컴퓨터공학과 교수로 재직 중이다.
