알기 쉽게 설명한 수제 딥러닝노트를 드립니다.

0. 서문
1. Deep Learning으로 무엇을 하고자 하는가?
2. Deep Learning에서 사용하는 data 형식
3. Linear Regression 및 Gradient Descent Algorithm
4. 미분
5. Matrix 연산
6. Linear and Nonlinear
7. Binary Logistic Regression
8. Multinomial Logistic Regression(Softmax Regression)
9. Multi-Label Classification
10. Perceptron
11. Loss function
12. Model에 따라 hypothesis와 loss function은 다르다
13. Binary classification model에서 loss function을 MSE로 사용하면 안되나 hoxy?
14. Representation
15. Categorical Input Handling
16. Embedding
17. Backpropagation Algorithm
18. Gradient Descent Algorithm 적용방식
19. 학습과정 한 눈에 살펴보기(regression model)
20. Weight Initialization
21. Matrix Multiplication(normal distribution 곱하기 normal distribution)
22. Zero-gradient 발생원인 분석
23. Overfitting
24. Regularization 작동원리
25. Batch Normalization
26. Layer Normalization
27. Covariate Shift
28. Feature별 scale(distribution) 차이가 크게 나면 learning speed가 느려지는 이유
29. Coefficient of Determination
30. Classification Model Evaluation Metric(평가지표)
31. Convolutional Neural Networks(CNN)
32. Recurrent Neural Networks(RNN)
33. Transfer Learning
34. Deep Residual Learning
35. Similarity, Correlation, and Covariance
36. Image Style Transfer
37. Information Theory
38. Machine learning 과정 한 눈에 살펴보기
39. Set
40. Probability
41. Bayes" Theorem
42. Maximum Likelihood Estimation(MLE)
43. Autoencoder
44. Variational Autoencoder(VAE)
45. Generative Adversarial Networks(GAN)
46. Graph Neural Networks(GNN)

※ 크몽 매니저가 전문가 경력/이력사항 확인한 서비스입니다. (판매하는 자료 확인)

# 무료 업데이트

딥러닝노트를 구매해주신 모든 분들에게 무료로 최신 버전의 딥러닝노트를 보내드립니다.

현재 버전: 딥러닝노트_Fourth_Edition_v1.01 (2023.02.21 update 완료!)

단 한 번 구매하신 후 지속적으로 업데이트되는 딥러닝노트를 누려보세요!

*위의 현재 버전을 확인하신 후 크몽 메신저를 통하여 요청해 주시면 빠른 시일내에 확인 후 보내드리겠습니다(위의 update 완료 날짜를 확인하신 후 그 전에 구입하신 분들은 메신저를 통해 요청해 주세요).

*Edition이 올라가면 가격도 상승할 수 있습니다. 미리 구매하셔서 무료로 업데이트되는 평생 신상 딥러닝노트를 누려보세요.

# 서비스 평가 5점 만점

서비스 평가(구매만족도) 5점 만점에 5점 (36건)

# 2021년 5월 Third Edition 출간 이후 약 1년만에 Fourth Edition을 새롭게 선보입니다

1. 2020.05 딥러닝노트_First_Edition.pdf (47 pages)

2. 2021.02 딥러닝노트_Second_Edition.pdf (120 pages)

3. 2021.05 딥러닝노트_Third_Edition.pdf (180 pages)

4. 2022.04 딥러닝노트_Fourth_Edition.pdf (201 pages)

# 딥러닝노트 서비스 평가

1. "딥러닝을 공부하면서 궁금했던 부분들이 해소가 되지 않았는데, 그 의문을 해소해 주는 고마운 책입니다.저자님, 좋은 자료를 공유해 주셔서 감사합니다." - 21.11.30 14:29

2. "결과물의 퀄리티와정성에 놀랐습니다. 감사합니다" - 21.12.09 09:57

3. "모든 설명이 친절하게, 또 시중의 어떤 책보다도 쉽게 기초를 다질 수 있는 자료입니다." - 20.06.20 02:18

4. "귀중한 자료를 바탕으로 공부를 시작하니 왠지 든든한 나만의 비밀 공책을 확보한 느낌이여서 든든한 기분이 드네요. 좋은 자료 너무 감사드리고, 열심히 공부하겠습니다~^^ 감사합니다!" - 20.11.12 14:28

5. "무작정 프레임워크로 개발만 했던 저의 부실한 기초 개념을 튼튼히 보강해준 고마운 노트입니다. 가독성도 좋고 여러 그래프등 시각적인 자료들도 많아 이해하기가 수월했습니다! 좋은 자료 주셔서 감사합니다! 열심히 공부할게요ㅎㅎ" - 21.01.20 19:45

6. "예전에 구매했었는데 내용이 더 추가되서 새로 구입합니당" - 21.04.20 14:23

*포함 36건 모두 빠짐없이 긍정적인 리뷰 (총 리뷰 수 36건)

# Second Edition의 특징

1. 새로운 내용 대폭 추가(47 pages에서 120 pages로, CNN, RNN, Transfer Learning, Deep Residual Learning, Image Style Transfer, Information Theory, Representation, Embedding 등)

2. First Edition의 내용 대폭 수정(단어의 의미를 더욱 명확하게 + 문장의 흐름을 더욱 깔끔하게 + 개념을 더욱 알기 쉽게)

# Thrid Edition의 특징

1. 새로운 내용 대폭 추가(120 pages에서 180 pages로, Probability, Autoencoder, VAE, GAN, 기존의 딥러닝 지식의 탄탄한 수학적 배경 등)

2. Second Edition의 내용 대폭 수정(단어의 의미를 더욱 명확하게 + 문장의 흐름을 더욱 깔끔하게 + 개념을 더욱 알기 쉽게)

# Fourth Edition의 특징

1. 최근 큰 주목을 받고 있는 딥러닝의 세부 분야인 graph neural networks(GNN)를 가장 기초부터 알기 쉽게 설명

2. 목차의 흐름에 따른 자연스러운 설명, 오타 수정 등

# 사칙연산밖에 몰랐던 수학포기자가 작성한 딥러닝 전자책

이 분야의 권위자가 아닌 얼마 전까지 입문자였던 자가 직접 부딪히며 알게 된 딥러닝 지식을 입문자의 눈높이에서 알기 쉽게 정리한 전자책입니다.

맨땅에 헤딩하여 알게된 딥러닝 지식을 PDF 전자책 형태로 만나보세요!

# 저자 소개

현재 대학원에서 생물학을 연구하고 있는 KAIST 박사과정 학생입니다.

생물학 데이터의 패턴을 찾는일에 딥러닝을 활용하고 있습니다.

딥러닝은 책, 논문, 강의영상, 전산학과와 AI대학원의 수업, and 전문가와의 대화 등으로 익혔습니다.

딥러닝을 처음 배울 때의 어려움을 누구보다 잘 이해하고 있습니다.

# 집필 계기

학부시절은 사칙연산으로 충분했고 군복무 시절에는 덧셈과 뺄셈으로 충분했습니다.

하지만 딥러닝을 배우기에는 충분하지 못했죠.

딥러닝을 연구에 활용하기 위해 수학책을 펴고 기초부터 다시 공부했습니다.

그러던 중 한 가지를 깨달았죠.

"알고 보면 어려운 개념이 아닌데, 그 개념을 설명하는 방식이 공학이라는 틀에 갇혀있구나"

공학이라는 틀이 아니라 일반적인 개념으로 설명한다면!

딥러닝을 누구나 배울 수 있겠다는 확신이 들었습니다.

결국 공부한 내용들을 알기 쉽게 정리하여 전자책 형태로 공개하기로 결정하였죠.

# 쉽게 설명할 수 있는 개념을 일부러 어렵게 설명할 이유가 없다

"책은 독자들의 질문에 대한 답변이다.이 글을 읽고 있는 독자들은 "Deep Learning은 무엇인가?"라고 질문했고 이 책은 그에 대한 답변이다. 답변을 잘 하기 위해서는 알고자하는 것을 질문자가 얼마나 알고 있는지를 아는 것이 중요하다. 그러면 서로가 잘 이해하고 있는 개념을 기반으로 질문자가 효율적으로 알아갈 수 있도록 도울 수 있다. 질문자가 아무것도 모르는 상태라면 일반적인 개념을 사용하여 도움을 줄 수 있다. 답변을 잘 하기 위해서는 쉽게 설명할 수 있어야 한다. 노벨물리학상 수상자인 리처드 파인만은 "쉽게 설명할 수 없다면 그것에 대해 잘 모르는 것 "이라고 했다. 잘 알고 있다면 쉽게 설명할 수 있어야 한다. 쉽게 설명할 수 있는 개념을 일부러 어렵게 설명할 이유가 없다" - 서문 중

# PDF 전자책 특징

1. 다른 책에서 모호하게 설명하고 있는 단어의 정의를 명확하게 그리고 입문자들이 이해하기 쉽게 정리

2. 손으로 직접 필기하여 가독성을 높임(문서작성 프로그램의 제한을 받지 않기 때문에, 단어의 정의와 개념 그리고 그에 대한 설명과 예를 분리하지 않고 독자가 읽는 흐름 그대로 배치)

3. 거의 모든 개념들을 그림 혹은 예로 설명

4. 수식을 피하기 보다는 작은 기호 하나까지 다 설명하는 방식을 채택

5. 201 페이지 분량에 딥러닝의 핵심요소를 모두 담음

# PDF 전자책 페이지 수

201 페이지

# 대상 독자

1. 딥러닝을 배우고자 하는 누구나.

2. 딥러닝 공부의 1차 문턱인 backpropagation 또는 2차 문턱인 variational autoencoder(VAE)을 넘지 못하고 포기하신 분.

3. MSE, cross-entropy 등 딥러닝 기본 지식의 수학적 배경이 궁금하신 분(무엇이든지 대충 넘어갈 수 없는 분).

4. 최근 큰 주목을 받고 있는 graph neural networks(GNN)을 처음부터 제대로 배우고 싶으신 분

*배경지식이 전혀 없어도 좋습니다(딥러닝학습에 꼭 필요한 수학지식도 "딥러닝노트"에 이미 포함되어 있습니다).

# 학습 방법

순서대로 차례대로 읽으시면 됩니다.

이해가 안되는 부분이 나오면 당황하지 마시고 일단 체크한 뒤 한 권을 다 읽고 다시 반복해서 보시면 됩니다(놀랍게도 다시 보면 이해가 됩니다!)

# 기대 효과

딥러닝의 개념과 작동원리를 알기 쉽게 배울 수 있습니다.

이해를 바탕으로 향후 코드작성(Tensorflow or PyTorch 등)의 어려움을 덜어드립니다.

다른 딥러닝 응용 알고리즘 공부를 위한 튼튼한 기반이 됩니다.

# 목차

0. 서문

1. Deep Learning으로 무엇을 하고자 하는가?

2. Deep Learning에서 사용하는 data 형식

3. Linear Regression 및 Gradient Descent Algorithm

4. 미분

5. Matrix 연산

6. Linear and Nonlinear

7. Binary Logistic Regression

8. Multinomial Logistic Regression(Softmax Regression)

9. Multi-Label Classification

10. Perceptron

11. Loss function

12. Model에 따라 hypothesis와 loss function은 다르다

13. Binary classification model에서 loss function을 MSE로 사용하면 안되나 hoxy?

14. Representation

15. Categorical Input Handling

16. Embedding

17. Backpropagation Algorithm

18. Gradient Descent Algorithm 적용방식

19. 학습과정 한 눈에 살펴보기(regression model)

20. Weight Initialization

21. Matrix Multiplication(normal distribution 곱하기 normal distribution)

22. Zero-gradient 발생원인 분석

23. Overfitting

24. Regularization 작동원리

25. Batch Normalization

26. Layer Normalization

27. Covariate Shift

28. Feature별 scale(distribution) 차이가 크게 나면 learning speed가 느려지는 이유

29. Coefficient of Determination

30. Classification Model Evaluation Metric(평가지표)

31. Convolutional Neural Networks(CNN)

32. Recurrent Neural Networks(RNN)

33. Transfer Learning

34. Deep Residual Learning

35. Similarity, Correlation, and Covariance

36. Image Style Transfer

37. Information Theory

38. Machine learning 과정 한 눈에 살펴보기

39. Set

40. Probability

41. Bayes" Theorem

42. Maximum Likelihood Estimation(MLE)

43. Autoencoder

44. Variational Autoencoder(VAE)

45. Generative Adversarial Networks(GAN)

46. Graph Neural Networks(GNN)

*영어가 많아서 어려워 보일 수 있습니다. 그러나 이를 다 한국어로 설명합니다. 이런 종류의 공부를 할 때에는 영어단어 그대로 사용것이 오히려 더 좋습니다.

# PDF 전자책 전달 과정

"딥러닝노트"를 구매하시면 구매와 동시에 안내문이 발송됩니다.

안내문안에 기재된 다운로드 주소로 접속하셔서 쉽게 다운로드 하실 수 있습니다.