인공지능 구조 원리 교과서 : 개발자와 프로젝트 매니저를 위한 AI 수업, 머신러닝·딥러닝·CNN·RNN·LLM 메커니즘 해설

목차 (Table of Contents)

• 목차
• 머리말 : 인공지능의 구조와 원리를 제대로 이해하는 길잡이 = 5
• Ⅰ 인공지능의 부상
• 컴퓨터가 그림을 읽다니 = 14
• 인공지능의 정의 = 16
• 인공지능 용어의 오용 = 18
• 인공지능 기술의 역사 = 20
• 인공지능 주요 사례 = 22
• Ⅱ 데이터와 인공지능
• 데이터의 유형별 구분 = 26
• 데이터를 분석하고 활용하는 법 = 29
• 손이 많이 가는 데이터 = 31
• 빅데이터와 인공지능 = 33
• 데이터 분석 모델이란? = 35
• 데이터 분석ㆍ활용의 주요 사례 = 37
• Ⅲ 머신러닝
• 머신러닝의 정의 = 42
• 일차함수의 등장 = 44
• 가설식의 의미 = 46
• 가중치 구하기의 어려움 = 48
• 선형회귀 = 50
• 손실 비용 산출 = 53
• 경사하강법 = 55
• 기계학습 실습해 보기 = 58
• 다항 선형회귀 = 61
• 이진분류 = 63
• 다중분류 = 65
• 그림을 읽는 컴퓨터 = 67
• MNIST 데이터세트 = 69
• 이미지 인식하기 = 71
• Ⅳ 딥러닝
• 뉴런 = 76
• 퍼셉트론 = 79
• 퍼셉트론 검증하기 ① = 82
• 퍼셉트론 검증하기 ② = 84
• 다층 퍼셉트론의 등장 = 86
• 다층 퍼셉트론의 의의 = 88
• DNN = 90
• 개발 패러다임의 변화 = 93
• CNN ① = 95
• CNN ② = 98
• CNN ③ = 101
• RNN = 104
• RNN의 활용 = 107
• Ⅴ 비지도학습
• 기계학습의 3대 유형 = 110
• 글자ㆍ단어 예측 모델의 지도학습 = 112
• 비지도학습의 개념 = 114
• K-means = 116
• GAN = 119
• Ⅵ 강화학습
• 강화학습의 원리 = 122
• 강화학습의 활용 사례 = 124
• 온실 속 강화학습? = 126
• Ⅶ 대규모 언어 모델
• ChatGPT의 등장 = 130
• 머신러닝의 이슈가 된 LLM = 132
• 자연어 처리 = 134
• 자연어 처리로 구현되는 주요 기능들 = 136
• 자연어 처리 기술의 도약 = 138
• 워드 임베딩의 기본 개념 = 141
• 워드 임베딩이 단어를 표현하는 방법 = 143
• 전이학습의 기본 개념 = 145
• 자연어 처리 분야에서의 전이학습 = 147
• 대규모 언어 모델의 전이학습 = 149
• 다양도로 전이학습되는 대규모 언어 모델 = 151
• 언어 모델의 기본 개념 = 154
• 언어 모델 개념의 확장 = 156
• 인코더-디코더 모델 = 158
• 컨텍스트 벡터 = 160
• 어텐션이 필요한 이유 = 163
• 어텐션 메커니즘 = 165
• 트랜스포머 = 167
• 트랜스포머의 어텐션 = 169
• 트랜스포머 메커니즘의 특징 = 172
• 대규모 언어 모델 - BERT와 GPT = 175
• BERT와 GPT의 출력 = 177
• 고성능 언어 모델의 비결 ① = 179
• 고성능 언어 모델의 비결 ② = 181
• 대규모 언어 모델의 한계 = 183
• 대규모 언어 모델 출현의 의의 = 185
• 결국 똑같은 기초 원리 = 187
• Ⅷ 고성능 기계, 그리고 사람
• AI 기술의 취약점 ① = 190
• AI 기술의 취약점 ② = 192
• AI 기술의 취약점 ③ = 194
• AI 기술의 극악한(?) 속성 = 197
• 인공지능은 결국, 데이터 = 200
• 데이터 정제와 레이블링 = 202
• 언어 모델을 위한 데이터 확보 = 204
• 인공지능은 지능을 갖췄는가 = 206
• 강인공지능과 약인공지능 = 208
• 강인공지능의 출현 가능성 = 210
• 범용 인공지능 = 212
• 행동 모델의 가능성 = 214
• 휴머노이드와 함께하는 세상 = 216
• AI 서비스의 개발 과정 = 219
• AI 전문가가 되려면 = 221
• 우리는 앞으로 어떻게 대응해야 할까? = 224
• 참고 문헌 = 226
• 그림 및 사진 출처 = 226
• 찾아보기 = 228