1.기계 학습의 A부터 Z까지 폭넓게 다루고, 특히 딥러닝을 깊이 있게 설명한다. 2.어렵고 방대한 주제이지만 친절하고 자세하게 설명해서 입문자를 배려한다. 3.다양한 그림과 예제, 알고리즘을 함께 제시해서 독자의 이해력을 높인다. 4.컴퓨터공학 전공자와 비전공자 모두 이 책을 활용할 수 있다.

Chapter 01 소개 1.1 기계 학습이란 1.2 특징 공간에 대한 이해 1.3 데이터에 대한 이해 1.4 간단한 기계 학습의 예 1.5 모델 선택 1.6 규제 1.7 기계 학습 유형 1.8 기계 학습의 과거와 현재, 미래 연습문제 Chapter 02 기계 학습과 수학 2.1 선형대수 2.2 확률과 통계 2.3 최적화 연습문제 Chapter 03 다층 퍼셉트론 3.1 신경망 기초 3.2 퍼셉트론 3.3 다층 퍼셉트론 3.4 오류 역전파 알고리즘 3.5 미니배치 스토캐스틱 경사 하강법 3.6 다층 퍼셉트론에 의한 인식 3.7 다층 퍼셉트론의 특성 연습문제 Chapter 04 딥러닝 기초 4.1 딥러닝의 등장 4.2 깊은 다층 퍼셉트론 4.3 컨볼루션 신경망 4.4 컨볼루션 신경망 사례연구 4.5 생성 모델 4.6 딥러닝은 왜 강력한가? 연습문제 Chapter 05 딥러닝 최적화 5.1 목적함수: 교차 엔트로피와 로그우도 5.2 성능 향상을 위한 요령 5.3 규제의 필요성과 원리 5.4 규제 기법 5.5 하이퍼 매개변수 최적화 5.6 2차 미분을 이용한 최적화 연습문제 Chapter 06 비지도 학습 6.1 지도 학습과 비지도 학습, 준지도 학습 6.2 비지도 학습 6.3 군집화 6.4 밀도 추정 6.5 공간 변환의 이해 6.6 선형 인자 모델 6.7 오토인코더 6.8 매니폴드 학습 연습문제 Chapter 07 준지도 학습과 전이 학습 7.1 표현 학습의 중요성 7.2 내부 표현의 이해 7.3 준지도 학습 7.4 전이 학습 연습문제 Chapter 08 순환 신경망 8.1 순차 데이터 8.2 순환 신경망 8.3 장기 문맥 의존성 8.4 LSTM 8.5 응용 사례 연습문제 Chapter 09 강화 학습 9.1 강화 학습의 원리와 성질 9.2 정책과 가치함수 9.3 동적 프로그래밍 9.4 몬테카를로 방법 9.5 시간차 학습 9.6 근사 방법 9.7 응용 사례 연습문제 Chapter 10 확률 그래피컬 모델 10.1 확률과 그래프의 만남 10.2 베이지안 네트워크 10.3 마르코프 랜덤필드 10.4 RBM과 DBN 연습문제 Chapter 11 커널 기법 11.1 커널 트릭 11.2 커널 리지 회귀 11.3 커널 PCA 11.4 SVM 분류 11.5 SVM 회귀 연습문제 Chapter 12 앙상블 방법 12.1 동기와 원리 12.2 재샘플링 기법 12.3 결정 트리와 랜덤 포리스트 12.4 앙상블 결합 12.5 딥러닝과 앙상블 연습문제