책이 세상을 바꾼다

[함께 해봐요 3-34] 가장 높은 성능일 때의 모델에 대한 파라미터 조합 확인

[함께 해봐요 3-35] 모델 완성 및 영향력 높은 변수 확인

[함께 해봐요 3-36] job 통합 및 새로운 특징량 생성

[함께 해봐요 3-37] month 통합 및 새로운 특징량 생성

[함께 해봐요 3-38] day 통합 및 새로운 특징량 생성

[함께 해봐요 3-39] duration 통합 및 새로운 특징량 생성

함께 해봐요 3-40] previous 통합 및 새로운 특징량 생성

[함께 해봐요 3-41] 더미변수를 만들기 위한 목록 삽입

[함께 해봐요 3-42] get_dummies를 사용한 더미변수 생성

[함께 해봐요 3-43] CSV 파일 내용 변경

[함께 해봐요 3-44] feature_selection을 통한 변수 사용 유무 확인

4장 정형 데이터의 전처리 (2)

1 고객의 특성 이해

2 고객의 그룹화

3 잠재적인 요구 추출

[함께 해봐요 4-1] 분석 데이터를 읽기 위한 코드 작성

[함께 해봐요 4-2] 각 항목의 데이터형 재확인

[함께 해봐요 4-3] 범위변환 테스트

[함께 해봐요 4-4] Z변환 테스트

[함께 해봐요 4-5] 각 변수의 평균과 표준편차 값 확인

[함께 해봐요 4-6] 계층형 클러스터링을 이용한 그룹 분할

[함께 해봐요 4-7] 고객별 그룹 확인

[함께 해봐요 4-8] k-Means법을 이용한 그룹 분할

[함께 해봐요 4-9] 클러스터 ID별 데이터 분포 확인

[함께 해봐요 4-10] 클러스터 ID별 데이터 세트와의 결합

[함께 해봐요 4-11] 그룹별 데이터 건수 확인

[함께 해봐요 4-12] 각 그룹의 통계량 계산 및 성질 파악

[함께 해봐요 4-13] PCA를 이용한 신규변수 작성

[함께 해봐요 4-14] 목적변수별 분포 확인

[함께 해봐요 4-15] 목적변수별 산포도 확인

5장 이미지 데이터의 전처리

1 데이터 이해

2 기계학습을 위한 데이터 준비

3 딥러닝을 위한 데이터 준비

컬럼 | 보충지식 1 중간층의 추출

[함께 해봐요 5-1] OpenCV 설치

[함께 해봐요 5-2] swiss-army-ant.jpg 읽기

[함께 해봐요 5-3] 배열에 저장된 픽셀값 확인

[함께 해봐요 5-4] 배열 크기 확인

[함께 해봐요 5-5] 컬러 이미지의 픽셀값 확인

[함께 해봐요 5-6] 그레이스케일 이미지로 변환

[함께 해봐요 5-7] 그레이스케일 이미지의 픽셀값 확인

[함께 해봐요 5-8] 이진화 이미지로 변환

[함께 해봐요 5-9] 이진화 이미지의 픽셀값 확인

[함께 해봐요 5-10] 데이터 프레임 형식으로 확인하는 픽셀값

[함께 해봐요 5-11] 신규 노트북 작성

[함께 해봐요 5-12] 설명변수와 목적변수의 세트 작성 (1)

[함께 해봐요 5-13] 설명변수와 목적변수의 세트 작성 (2)

[함께 해봐요 5-14] 이진화 이미지의 침식 처리

[함께 해봐요 5-15] 이진화 이미지의 팽창 처리

[함께 해봐요 5-16] 이진화 이미지의 오프닝 처리

[함께 해봐요 5-17] 이진화 이미지의 클로징 처리

[함께 해봐요 5-18] 그레이스케일 이미지의 히스토그램 작성

[함께 해봐요 5-19] 그레이스케일 이미지의 pixels_df에 대한 t-SNE 적용

[함께 해봐요 5-20] 목적변수별 데이터 분포 확인

[함께 해봐요 5-21] 그레이스케일 이미지의 설명변수와 목적변수의 세트 작성

[함께 해봐요 5-22] 데이터 세트의 분할

[함께 해봐요 5-23] 이미지 반전을 통한 이미지 수 증가

[함께 해봐요 5-24] 블러 처리를 통한 이미지 수 증가

[함께 해봐요 5-25] 명도 변경을 통한 이미지 수 증가

[함께 해봐요 5-26] 중간층 추출 (1)

[함께 해봐요 5-27] 중간층 추출 (2)

6장 시계열 데이터의 전처리

1 데이터 이해

2 데이터 준비

3 훈련 데이터 작성

[함께 해봐요 6-1] 분석 데이터 세트 로드

[함께 해봐요 6-2] 데이터의 행수와 열수 확인

[함께 해봐요 6-3] 데이터형 확인

[함께 해봐요 6-4] datetime형으로 데이터 변환

[함께 해봐요 6-5] 한 행 전과의 시간차(분) 계산

[함께 해봐요 6-6] 경과시간(분) 계산 (1)

[함께 해봐요 6-7] 결손값 개수 확인

[함께 해봐요 6-8] 각 항목의 통계량 계산

[함께 해봐요 6-9] Matplotlib을 사용한 데이터 시각화

[함께 해봐요 6-10] 전처리 대상의 데이터 읽기

[함께 해봐요 6-11] 결손값 표시

[함께 해봐요 6-12] NaN을 통한 결손값 보완

[함께 해봐요 6-13] 전후의 값 평균치로 보완하는 결손값

[함께 해봐요 6-14] 경과시간(분) 계산 (2)

[함께 해봐요 6-15] 6시간 단위로 만들기 위한 평균치 계산

[함께 해봐요 6-16] 두 개의 데이터 세트 결합

[함께 해봐요 6-17] event.csv 파일 읽기

[함께 해봐요 6-18] 데이터 집약 및 시간 축 작성 (1)

[함께 해봐요 6-19] 데이터 집약 및 시간 축 작성 (2)

[함께 해봐요 6-20] 특징량과 목적변수 결합

[함께 해봐요 6-21] 슬라이드 창을 사용한 특징량 추출

[함께 해봐요 6-22] 기계학습의 알고리즘 형태로 특징량 변형

[함께 해봐요 6-23] 특징량 세트와 목적변수 결합

[함께 해봐요 6-24] 새로운 노트북 작성 및 코드 입력

[함께 해봐요 6-25] 데이터 시각화

[함께 해봐요 6-26] 데이터 분할

[함께 해봐요 6-27] 데이터 정규화

[함께 해봐요 6-28] 훈련 데이터의 부분시계열 작성

[함께 해봐요 6-29] 부분시계열의 파형 거리(유사도) 측정

[함께 해봐요 6-30] 케라스 실행

[함께 해봐요 6-31] 오토 인코더 네트워크 작성

[함께 해봐요 6-32] 학습 조건 설정 및 학습 실행

[함께 해봐요 6-33] 오차의 수렴 상태 확인

[함께 해봐요 6-34] 출력값 추이 비교

[함께 해봐요 6-35] 이상 스코어 계산

7장 자연어 데이터의 전처리

1 데이터 이해

2 기계학습을 위한 데이터 준비

3 딥러닝을 위한 데이터 준비

4 주제 추출을 위한 데이터 준비

컬럼 | 보충지식 1 한글 형태소 분석 환경의 설정

컬럼 | 보충지식 2 2-gram 에지 리스트

[함께 해봐요 7-1] 업로드한 기사를 대상으로 하는 형태소 분석

[함께 해봐요 7-2] konlpy 설치 (1)

[함께 해봐요 7-3] Okt를 통한 형태소 분석

[함께 해봐요 7-4] 정규표현식을 사용한 URL 제거

[함께 해봐요 7-5] 명사인 단어 추출

[함께 해봐요 7-6] konlpy 설치 (2)

[함께 해봐요 7-7] 모든 기사에 대한 형태소 분석 작업 진행

[함께 해봐요 7-8] docterm에 저장한 단어 확인

[함께 해봐요 7-9] 첫 번째 기사의 단어 추출

[함께 해봐요 7-10] label에 저장된 기사 인덱스 확인

[함께 해봐요 7-11] 단어 문서 행렬 작성

[함께 해봐요 7-12] 작성한 단어 문서 행렬의 크기 확인

[함께 해봐요 7-13] 고빈도어와 저빈도어 삭제

[함께 해봐요 7-14] TF-IDF치를 계산한 단어 문서 행렬 작성

[함께 해봐요 7-15] 단어 문서 행렬의 크기 확인

[함께 해봐요 7-16] konlpy 설치 (3)

[함께 해봐요 7-17] 전체 기사에 대한 처리 실행

[함께 해봐요 7-18] 작성한 데이터 세트 크기와 값 확인

[함께 해봐요 7-19] 내림순으로 단어 정렬

[함께 해봐요 7-20] 일련번호를 부여한 사전 작성

[함께 해봐요 7-21] 리스트 길이 정리

[함께 해봐요 7-22] 부족한 패키지 설치

[함께 해봐요 7-23] 부족한 패키지 실행 (1)

[함께 해봐요 7-24] 부족한 패키지 실행 (2)

[함께 해봐요 7-25] 단어 문서 행렬과 label열 결합

[함께 해봐요 7-26] label이 0인 문서의 유사도 계산

[함께 해봐요 7-27] 행렬 형식에서 리스트 형식으로 변환

[함께 해봐요 7-28] 동시 출현어 에지 리스트 작성

[함께 해봐요 7-29] 문장에서 2-gram 모델 작성

[함께 해봐요 7-30] 기사 데이터에서 2-gram 모델 작성

[함께 해봐요 7-31] 단어에 ID 부여 (1)

[함께 해봐요 7-32] 단어에 ID 부여 (2)

[함께 해봐요 7-33] 띄어쓰기한 단어에 ID 부여

[함께 해봐요 7-34] 2-gram 모델 작성

[함께 해봐요 7-35] 리스트 bigram에 저장

부록

1 주피터랩 로컬 환경 구축

2 이미지 인식 모델 작성

3 기사 분류 모델 작성

4 기사 주제 추출

5 다양한 시각화 툴

[함께 해봐요 A1-1] 주피터랩의 홈 디렉토리 변경

[함께 해봐요 A1-2] 변경 전 소스코드

[함께 해봐요 A1-3] 변경 후 소스코드

[함께 해봐요 A2-1] 학습에 사용하는 네트워크 작성

[함께 해봐요 A2-2] 학습 조건 설정 및 학습 실행

[함께 해봐요 A2-3] 오차 이력 그래프 작성 (1)

[함께 해봐요 A2-4] 정확도 이력 그래프 작성 (1)

[함께 해봐요 A2-5] 학습에 사용하는 네트워크 작성

[함께 해봐요 A2-6] 학습 조건 설정 및 학습 실행

[함께 해봐요 A2-7] 오차 이력 그래프 작성 (2)

[함께 해봐요 A2-8] 정확도 이력 그래프 작성 (2)

[함께 해봐요 A3-1] 명사인 단어만 추출한 데이터 세트 작성

[함께 해봐요 A3-2] [함께 해봐요 7-21] 수정 및 추가 (1)

[함께 해봐요 A3-3] [함께 해봐요 7-21] 수정 및 추가 (2)

[함께 해봐요 A3-4] 학습 조건 설정 및 실행

[함께 해봐요 A3-5] 오차 이력 그래프 작성 (3)

[함께 해봐요 A3-6] 정확도 이력 그래프 작성 (3)

[함께 해봐요 A4-1] 코드 추가 및 실행

[함께 해봐요 A4-2] 네트워크 그래프 작성

[함께 해봐요 A4-3] 작성한 네트워크에 대한 클러스트 계수와 매개 중심성 계산

[함께 해봐요 A4-4] 커뮤니티 추출

[함께 해봐요 A5-1] 워드 클라우드 설치

[함께 해봐요 A5-2] [함께 해봐요 A3-1] 수정 및 실행

[함께 해봐요 A5-3] 5회 이상 출현 단어 추출

3장_연습문제 해답 289

5장_연습문제 해답 298

6장_연습문제 해답 306

7장_연습문제 해답 313

찾아보기

[함께 해봐요] 텐서의 차원과 기본 연산 (basic_calc.ipynb)

[함께 해봐요] 즉시 실행 모드를 통한 연산 (basic_calc.ipynb)

[함께 해봐요] 텐서에서 넘파이로, 넘파이에서 텐서로 (basic_calc.ipynb)

[함께 해봐요] @tf.function (basic_calc.ipynb)

[함께 해봐요] OR 게이트 구현해보기 (perceptron.ipynb)

[함께 해봐요] 벡터의 내적 (perceptron.ipynb)

[함께 해봐요] XOR 게이트 구현해보기 + 다층 퍼셉트론 (perceptron.ipynb)

[함께 해봐요] 여러 가지 활성화 함수 (perceptron.ipynb)

[함께 해봐요] 경사하강법 실험해보기 (perceptron.ipynb)

4장 신경망 적용해보기

4.1 MNIST와 Fashion-MNIST

4.2 보스턴 주택 가격 예측

4.3 빙산인가? 선박인가?-1

‘나의 이해도를 측정하자’ 3번 문제

4.4 무슨 옷과 무슨 색?-1

정리해봅시다

실습해봅시다

번외_캐글을 통해 능력 향상시키기

[함께 해봐요] MNIST 데이터셋 다운받기 (mnist.ipynb)

[함께 해봐요] 데이터의 형태 확인하기 (mnist.ipynb)

[함께 해봐요] 데이터 그려보기 (mnist.ipynb)

[함께 해봐요] 검증 데이터 만들기 (mnist.ipynb)

[함께 해봐요] 모델 입력을 위한 데이터 전처리 (mnist.ipynb)

[함께 해봐요] 모델 입력을 위한 레이블 전처리 (mnist.ipynb)

[함께 해봐요] 모델 구성하기 (mnist.ipynb)

[함께 해봐요] 소프트맥스와 시그모이드 값의 비교 (mnist.ipynb)

[함께 해봐요] 학습과정 설정하기 (mnist.pynb)

[함께 해봐요] 모델 학습하기 (mnist.ipynb)

[함께 해봐요] history를 통해 확인해볼 수 있는 값 출력하기 (mnist.ipynb)

[함께 해봐요] 학습 결과 그려보기 (mnist.ipynb)

[함께 해봐요] 모델 평가하기 (mnist.ipynb)

[함께 해봐요] 학습된 모델을 통해 값 예측하기 (mnist.ipynb)

[함께 해봐요] 예측값 그려서 확인해보기 (mnist.ipynb)

[함께 해봐요] 모델 평가 방법 1?혼동행렬 (mnist.ipynb)

[함께 해봐요] 모델 평가 방법?2 분류 보고서 (mnist.ipynb)

[함께 해봐요] MNIST 데이터셋 다루기: 전체 코드 (mnist.ipynb)

[함께 해봐요] Fashion-MNIST 데이터셋 다운받기 (fashion-mnist.ipynb)

[함께 해봐요] 데이터 그려보기 (fashion-mnist.ipynb)

[함께 해봐요] 전처리 및 검증 데이터셋 만들기 (fashion-mnist.ipynb)

[함께 해봐요] 첫 번째 모델 구성하기 (fashion-mnist.ipynb)

[함께 해봐요] 학습 과정 설정 및 학습하기 (fashion-mnist.ipynb)

[함께 해봐요] 두 번째 모델 구성하기 (fashion-mnist.ipynb)

[함께 해봐요] 두 모델의 학습 과정 그려보기 (fashion-mnist.ipynb)

[함께 해봐요] 보스턴 주택 가격 데이터셋 다운받기 (boston.ipynb)

[함께 해봐요] 데이터 형태 확인하기 (boston.ipynb)

[함께 해봐요] 데이터 전처리 및 검증 데이터셋 만들기 (boston.ipynb)

[함께 해봐요] 모델 구성하기 (boston.ipynb)

[함께 해봐요] 학습하고 평가하기 (boston.ipynb)

[함께 해봐요] K-폴드 사용하기 (boston.ipynb)

[함께 해봐요] K-폴드 결과 확인하기 (boston.ipynb)

[함께 해봐요] 데이터 불러오기 (clothes1.ipynb)

[함께 해봐요] 이미지 제네레이터 정의 및 모델 구성하기 (clothes1.ipynb)

[함께 해봐요] 데이터 제네레이터 정의하기 (clothes1.ipynb)

[함께 해봐요] 제네레이터를 통해 모델 학습시키기 (clothes1.ipynb)

[함께 해봐요] 테스트 데이터 예측하기 (clothes1.ipynb)

5장 컨볼루션 신경망

5.1 일단 사용해보기

5.2 컨볼루션층과 풀링층

5.3 CIFAR-10 살펴보기

5.4 빙산인가? 선박인가?-2

‘나의 이해도를 측정하자’ 3번 문제

5.5 전이 학습

정리해봅시다

실습해봅시다

[함께 해봐요] 데이터 살펴보기 (fashion_mnist_cnn.ipynb)

[함께 해봐요] 모델 구성하기 (fashion_mnist_cnn.ipynb)

[함께 해봐요] 모델 학습시키기 (fashion_mnist_cnn.ipynb)

[함께 해봐요] 이미지 필터 사용해보기 (use_image_filter.ipynb)

[함께 해봐요] 이미지 필터 정의하기 (use_image_filter.ipynb)

[함께 해봐요] 이미지 필터 적용하기 (use_image_filter.ipynb)

[함께 해봐요] 이미지 필터를 적용한 최종 결과 (use_image_filter.ipynb)

[함께 해봐요] 풀링 연산 구현하기 (use_image_filter.ipynb)

[함께 해봐요] model.summary( ) 함수 사용하기

[함께 해봐요] plot_model( ) 함수 사용하기

[함께 해봐요] CIFAR-10 데이터셋 다운받기 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 데이터 그려보기 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 데이터셋 전처리 과정 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 모델 구성하기 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 모델 학습하기 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 학습 과정 그려보기 (cifar10_cnn.ipynb)

[함께 해봐요] 신경망 시각화해보기 (cifar10_cnn.ipynb)

[함께 해봐요] CIFAR-10 규제화 함수 사용해보기 (drop_the_overfitting_regularizer.ipynb)

[함께 해봐요] CIFAR-10 드롭아웃 사용해보기 (drop_the_overfitting_dropout.ipynb)

[함께 해봐요] CIFAR-10 배치 정규화 사용해보기 (drop_the_overfitting_BN.ipynb)

[함께 해봐요] 이미지 제네레이터를 사용하여 이미지 그려보기 (basic_image_generator.ipynb)

[함께 해봐요] 이미지 제네레이터를 사용하여 모델 학습하기 (basic_image_generator.ipynb)

[함께 해봐요] 전이 학습 사용해보기 (basic_transfer_learning.ipynb)

[함께 해봐요] 모델 동결 해제하기

[함께 해봐요] 전이 학습을 통해 학습하기 (basic_transfer_learning.ipynb)

6장 순환 신경망

6.1 Embedding

6.2 RNN

6.3 LSTM

6.4 Conv1D

6.5 BERT 가볍게 알아보기

정리해봅시다

실습해봅시다

[함께 해봐요] 토큰화 작업 수행하기 (use_embedding_layer.ipynb)

[함께 해봐요] 데이터셋 다운받기 (use_embedding_layer.ipynb)

[함께 해봐요] 데이터 형태 확인하기 (use_embedding_layer.ipynb)

[함께 해봐요] 첫 번째 데이터 확인하기 (use_embedding_layer.ipynb)

[함께 해봐요] IMDB 데이터셋에서 가장 빈번하게 사용되는 세 개의 단어

[함께 해봐요] 데이터를 동일한 길이로 맞추기 (use_embedding_layer.ipynb)

[함께 해봐요] Embedding층을 사용하여 모델 구성하기 (use_embedding_layer.ipynb)

[함께 해봐요] 모델 학습시키기 (use_embedding_layer.ipynb)

[함께 해봐요] 모델 평가하기 (use_embedding_layer.ipynb)

[함께 해봐요] 학습 과정 확인하기 (use_embedding_layer.ipynb)

[함께 해봐요] cos 함수를 이용하여 데이터 만들기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] 전처리 과정 수행하기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] 데이터 형태 확인하기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] SimpleRNN을 사용하여 모델 구성하기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] 모델 학습시키기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] 예측 결과 그려보기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] IMDB 데이터셋 사용하기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] SimpleRNN층의 출력값 변화 확인하기 (use_SimpleRNN_layer.ipynb)

[함께 해봐요] reuters 데이터셋 다뤄보기 (use_LSTM_layer.ipynb)

[함께 해봐요] 데이터셋 전처리 과정

[함께 해봐요] LSTM 층을 사용하여 모델 구성하기 (use_LSTM_layer.ipynb)

[함께 해봐요] 모델 학습시키기 (use_LSTM_layer.ipynb)

[함께 해봐요] Conv1D 층을 사용하여 모델 구성하기 (use_Conv1D_layer.ipynb)

[함께 해봐요] 모델 학습시키기 (use_Conv1D_layer.ipynb)

[함께 해봐요] 데이터 생성하기 (use_Conv1D_layer.ipynb)

[함께 해봐요] 모델 구성 및 결과 확인하기 (use_Conv1D_layer.ipynb)

7장 초급을 향해서-1

7.1 케라스의 모델 구성 방법

7.2 함수형 API

7.3 빙산인가? 선박인가?-3

‘나의 이해도를 측정하자’ 1번 문제

7.4 무슨 옷과 무슨 색?-2

7.5 케라스 콜백

정리해봅시다

실습해봅시다

[함께 해봐요] Sequential( ) 모델 구성 (make_model_three_ways.ipynb)

[함께 해봐요] 서브클래싱 모델 구성 (make_model_three_ways.ipynb)

[함께 해봐요] 함수형 API 모델 구성하기 (make_model_three_ways.ipynb)

[함께 해봐요] MNIST 데이터셋 불러오기 및 전처리 (functional_api_MNIST.ipynb)

[함께 해봐요] 함수형 API를 활용한 모델 구성 및 학습 (functional_api_MNIST.ipynb)

[함께 해봐요] 다중 입출력을 위한 데이터 생성하기 (functional_api_multi_io.ipynb)

[함께 해봐요] 다중 입출력 모델 구성하기 (functional_api_multi_io.ipynb)

[함께 해봐요] 모델 구조 그려보기 (functional_api_multi_io.ipynb)

[함께 해봐요] 모델 구조 확인하기 (functional_api_multi_io.ipynb)

[함께 해봐요] 다중 입출력 모델에서 학습 과정 설정하기 (functional_api_multi_io.ipynb)

[함께 해봐요] 다중 입출력 모델 학습하기 (functional_api_multi_io.ipynb)

[함께 해봐요] 잔차 연결을 사용하여 모델 구성하기 (residual_and_inception_module.ipynb)

[함께 해봐요] 인셉션 모듈을 사용하여 모델 구성하기 (residual_and_inception_module.ipynb)

[함께 해봐요] ResNet을 활용하여 모델 구성하기 (resnet_transfer.ipynb)

[함께 해봐요] 텐서플로우 허브 설치하기

[함께 해봐요] CIFAR-10 데이터셋 불러오기 (use_tensorflow_hub.ipynb)

[함께 해봐요] 전체 모델 구성하기 (use_tensorflow_hub.ipynb)

[함께 해봐요] 모델 학습시키기 (use_tensorflow_hub.ipynb)

[함께 해봐요] (clothes_classification/clothes3.csv)

[함께 해봐요] (clothes_classification/clothes3.csv)

[함께 해봐요] (clothes_classification/clothes3.csv)

[함께 해봐요] 케라스 콜백 사용 준비하기 (use_keras_callbacks.ipynb)

[함께 해봐요] ModelCheckpoint 콜백 사용하기 (use_keras_callbacks.ipynb)

[함께 해봐요] EarlyStopping 콜백 사용하기 (use_keras_callbacks.ipynb)

[함께 해봐요] ReduceLROnPlateau 콜백 사용하기 (use_keras_callbacks.ipynb)

[함께 해봐요] TensorBoard 콜백 사용하기 (use_keras_callbacks.ipynb)

[함께 해봐요] 텐서보드 실행하기 - 1

[함께 해봐요] 텐서보드 실행하기- 2

8장 초급을 향해서-2

8.1 커스터마이제이션

8.2 1×1 컨볼루션

8.3 초급 단계를 위해 한걸음 더

정리해봅시다

실습해봅시다

[함께 해봐요] Lambda 층 사용하기 (custom_keras_layer.ipynb)

[함께 해봐요] 커스텀 케라스층 사용하기 (custom_keras_layer.ipynb)

[함께 해봐요] Activation 함수에 직접 전달하는 방법 (custom_activation.ipynb)

[함께 해봐요] 커스텀 객체 목록을 사용하는 방법 - 1 (custom_activation.ipynb)

[함께 해봐요] 커스텀 객체 목록을 사용하는 방법 ? 2 (custom_activation.ipynb)

[함께 해봐요] RAdam 설치하기

[함께 해봐요] RAdam의 존재 알기 (custom_activation.ipynb)

[함께 해봐요] 커스텀 손실 함수 정의하기 (custom_loss.ipynb)

[함께 해봐요] 커스텀 손실 함수?MNIST 학습 (custom_loss.ipynb)

[함께 해봐요] 커스텀 평가지표 정의하여 사용하기 (custom_metrics.ipynb)

[함께 해봐요] 특정 시점에 학습률을 조정하는 커스텀 케라스 콜백 (custom_callback.ipynb)

[함께 해봐요] 커스텀 케라스 콜백을 사용하여 모델 학습시키기 (custom_callback.ipynb)

[함께 해봐요] 컨볼루션층만으로 구성한 모델 - 1 (MNIST_1×1_convolution.ipynb)

[함께 해봐요] 컨볼루션층만으로 구성한 모델 - 2 (MNIST_1×1_convolution.ipynb)

9장 케라스 튜너

9.1 탐색해야 할 하이퍼파라미터

9.2 케라스튜너 사용하기

9.3 케라스튜너 더 쉽게 사용하기

정리해봅시다

실습해봅시다

부록 A: 오토케라스(AutoKeras)

부록 B: tf.data

부록 C: 이렇게도 학습할 수 있어요!

[함께 해봐요] 간단한 구조의 CNN 모델 살펴보기 (keras_tuner_example.ipynb)

[함께 해봐요] 케라스 튜너 설치하기

[함께 해봐요] 케라스 튜너 모델 정의하기 (keras_tuner_example.ipynb)

[함께 해봐요] MNIST 데이터셋 준비하기 (keras_tuner_example.ipynb)

[함께 해봐요] RandomSearch 클래스 사용하기 (keras_tuner_example.ipynb)

[함께 해봐요] 탐색할 하이퍼파라미터 살펴보기 (keras_tuner_example.ipynb)

[함께 해봐요] 하이퍼파라미터 탐색하기 (keras_tuner_example.ipynb)

[함께 해봐요] 실험 결과 요약해보기 (keras_tuner_example.ipynb)

[함께 해봐요] 가장 좋은 성능의 모델 불러오기 (keras_tuner_example.ipynb)

[함께 해봐요] 모델 하이퍼파라미터 확인하기 (keras_tuner_example.ipynb)

[함께 해봐요] HyperResNet 사용하기 (keras_tuner_example.ipynb)

[함께 해봐요] (clothes_classification/tf_data_example.py)

[함께 해봐요] 데이터셋 불러오기 ()appendix/training_with_tensorflow2.0.ipynb

[함께 해봐요] 데이터셋 객체 정의하기 ()appendix/training_with_tensorflow2.0.ipynb

[함께 해봐요] 모델 구성하기 (appendix/training_with_tensorflow2.0.ipynb)

[함께 해봐요] 객체 정의하기 (appendix/training_with_tensorflow2.0.ipynb)

[함께 해봐요] 계산 발생 지정하기 (appendix/training_with_tensorflow2.0.ipynb)

[함께 해봐요] 학습 및 검증 스텝 정의하기 (appendix/training_with_tensorflow2.0.ipynb)

[함께 해봐요] 학습 진행하기 (appendix/training_with_tensorflow2.0.ipynb)

찾아보기