통합검색

검색

  • IT 자격증 수험서
    • 워드프로세서
    • 컴퓨터활용능력
    • 정보처리/사무자동화/정보기기
    • ITQ
    • GTQ
    • 컴퓨터그래픽스
    • 웹디자인
  • 실용 자격증 수험서
    • 한국사
    • 조리/제과/운전면허
    • 기타
  • IT 도서
    • 컴퓨터 일반/활용
    • 사무자동화(OA)
    • 웹/홈페이지
    • 그래픽/멀티미디어
    • 프로그래밍
    • 컴퓨터공학
    • 어린이 교재
  • 단행본 도서
    • 가정과 생활
    • 유아/아동
    • 기타
  • 시리즈
    • 더 쉽게 배우기
    • 환상의 콤비
    • 눈이 편한
    • 속전속결
    • 비주얼(Visual)
    • 학교에서 통하는
    • 이게 진짜

프로그래밍 일반

HOME 도서정보 IT 도서

New 처음 만나는 AI 수학 with 파이썬 저자 아즈마 유키나가 | 페이지 308
ISBN 9788931463378 | 정가 20,000 | 출판일 2021-01-30
판매처

부록CD

도서소개

인공지능을 공부하는데 필요한 기초 수학개념을 한 권에 모았다!

<처음 만나는 AI 수학 with Python>은 인공지능을 공부하는데 기본이 되는 수학 개념을 소개하는 도서로 독자가 수학을 잘 하도록 만드는 것이 아니라 필요한 개념을 이해하도록 돕는데 목적을 두고 있다.

이 책에서는 AI의 기본이 되는 선형대수, 미분, 확률과 통계 등 고등학교 수학과 대학 수학의 기초적인 내용으로 구성되어 중학교 수준의 지식만 있다면 이해할 수 있다. 각 단원은 쉬운 설명과 결과를 직접 눈으로 확인할 수 있는 간단한 파이썬 코딩으로 구성되어 있어 복잡한 계산 과정 없이 수학 개념을 이해할 수 있다. 또한 마지막 장에서는 지금까지 배운 수학을 바탕으로 이 개념들이 어떻게 인공지능에 응용되는지 배울 수 있어 기초적인 인공지능의 개념 또한 이해할 수 있다.

인공지능을 처음 공부하려는 청소년, 인공지능을 이해하고 싶지만 수학에 자신이 없어 포기했던 사람들이 이 책을 통해 쉽게 AI에 첫걸음을 내딛을 수 있게 될 것이다.

저자소개

아즈마 유키나가

인간과 AI의 공생이 미션인 회사 SAI-Lab 주식회사의 대표이사로 AI 관련 교육과 연구개발에 종사하고 있다. 토호쿠대학 대학원 이학 연구과 수료. 이학 박사(물리학)이며, 관심 분야는 인공지능(AI), 복잡계, 뇌과학, 싱귤러리티 등이다. 현재 세계 최대의 교육 동영상 플랫폼 Udemy에서 다양한 AI 관련 강좌를 전개해 약 3만명을 지도하는 인기 강사이며, 엔지니어로서 VR, 게임, SNS 등 장르를 불문하고 여러 가지 앱을 개발했다.

목차

0장 도입
0.1 이 책의 특징
0.2 이 책을 통해 할 수 있는 것
0.3 이 책의 대상
0.4 인공지능(AI)
0.5 인공지능용 수학
0.6 이 책의 사용법

1장 학습 준비를 하자
1.1 Anaconda 설치
1.2 Jupyter Notebook의 사용 방법

2장 Python의 기초
2.1 Python의 기초
2.2 NumPy의 기초
2.3 matplotlib의 기초

3장 수학의 기초
3.1 변수, 상수
3.2 함수
3.3 거듭제곱과 제곱근
3.4 다항식 함수
3.5 삼각함수
3.6 총합과 총곱
3.7 난수
3.8 LaTeX의 기초
3.9 절댓값
COLUMN 딥러닝이 약진하는 이유

4장 선형대수
4.1 스칼라, 벡터, 행렬, 텐서
4.2 벡터의 내적과 놈
4.3 행렬의 곱
4.4 전치
4.5 행렬식과 역행렬
4.6 선형변환
4.7 고윳값과 고유벡터
4.8 코사인 유사도

5장 미분
5.1 극한과 미분
5.2 연쇄 법칙
5.3 편미분
5.4 전미분
5.5 다변수 합성함수의 연쇄 법칙
5.6 네이피어수와 자연대수
5.7 최급강하법
COLUMN 싱귤래리티와 지수함수

6장 확률·통계
6.1 확률의 개념
6.2 평균값과 기댓값
6.3 분산과 표준편차
6.4 정규분포와 거듭제곱 법칙
6.5 공분산
6.6 상관계수
6.7 조건부 확률과 베이스 정리
6.8 우도(가능도)
6.9 정보량
COLUMN 자연언어처리

7장 수학을 기계학습에 응용
7.1 회귀와 과학습
7.2 분류와 로지스틱 회귀
7.3 뉴럴 네트워크의 개요
7.4 학습의 메커니즘
7.5 단일 뉴런에 의한 학습의 구현
7.6 딥러닝으로

마치며

목록