론 크노이젤의 친절한 딥러닝 수학
딥러닝을 공부하다가 막히는 부분이 무엇인지에 대해 물어보면 대부분 수학이라고 답할 겁니다. 이러한 독자들을 위해 딥러닝 수학을 다루는 책들이 몇 권 출간되었지만, 딥러닝을 처음으로 접하는 분에게 초점을 맞춰서 수학 기초를 탄탄하게 다지기에는 너무 쉬운 책이거나 아니면 너무 어려운 책이 되기 일쑤입니다.
이 책 《딥러닝을 위한 수학》은 심층학습을 이해하는 데 꼭 필요한 각 수학 분야의 개념과 공식에 대해 설명하면서 실행가능한 파이썬 예제 코드로 검증하는 방식을 취하고 있습니다(2장~9장). 이러한 방식은 결국 책의 마지막 10장과 11장에서 역전파와 경사하강법을 쉽고 확실하게 설명하기 위한 ‘빌드업’이었고, 그 빌드업이 아주 효과적이었다는 역자와 베타리더의 의견입니다.
그리고 저자 Ronald T. Kneusel의 한글 표기에 대해 나름 고민한 바가 있었는데요, 원래 독일계 성이어서 독일식 발음으로는 '크노이젤'이지만, 검색해보니 80년대부터 미국에서의 학력이 있어 미국식으로 발음한다면 ‘크누젤’ 정도가 맞지 않을까 했다가 결국 저자에게 직접 문의한 결과, 다음과 같이 답변을 얻어 '크노이젤'로 표기했습니다.
My name: K-noise-l, i.e., hard "K" as in "kick", the word "noise", "l" sound.
이 책에서 다루는 검증 가능한 예제들은 순수 수학과 심층학습 응용의 틈새를 메우는 역할을 합니다. 벡터와 행렬, 확률
분포 등의 근본적인 주제를 설명한 뒤에 행렬 미분과 같은 좀 더 심화한 개념으로 나아가며, 마지막에는 모든 논의를 통
합해서 심층학습의 필수 알고리즘인 역전파와 경사하강법을 다룹니다.
■ 확률 법칙들과 확률분포, 베이즈 확률
■ 통계를 이용해서 데이터 집합을 파악하고 모형을 평가하는 방법
■ 벡터와 행렬을 다루는 방법과 데이터가 벡터와 행렬의 형태로 신경망을 통과하는 과정
■ 선형대수를 이용한 주성분 분석(PCA)과 특잇값 분해(SVD) 구현
■ 역전파, 경사하강법, 여러 최적화 기법(SGD, Adam, RMSprop, Adagrad/Adadelta)
■ 미리 보기(앞부속물, 2장 '확률 1부', 6장 '선형대수 2부' 일부)
■ 예약구매 사이트(가나다순)
교보문고 / 도서11번가 / 알라딘 / 예스이십사 / 인터파크 / 쿠팡
■ 제이펍 소식 더 보기(제이펍의 소통 채널에서 더욱 다양한 소식을 확인하세요!)
네이버 책 / 포스트 / 유튜브 / 인스타그램 / 트위터 / 페이스북