머신러닝 TENSORFLOW.JS JAVASCRIPT

자바스크립트와 TensorFlow.js 환경에서 머신러닝 구현

 이 책은 머신러닝 개념서가 아니다. 자바스크립트와 TensorFlow.js 환경에서 머신러닝 구현을 위한 책이다. 기초부터 하나씩 다져가면서 점진적으로 머신러닝을 구현하는 시나리오를 갖고 있다. 소스 코드 한 줄마다 목적과 기능이 상세하게 설명되어 있다. 책을 따라가면 어렵지 않게 머신러닝을 단계적으로 이해하게 된다. 어렵고 멀게만 느껴졌던 머신러닝을 내 것으로 만들 수 있다.

머신러닝에 필요한 수학식을 단계적으로 설명

 수학의 이해는 반드시 필요하지만, 머신러닝 구현에 필요한 범위가 있다. 이 책은 예제 코드를 통해 필요한 범위를 제시하며, 머신러닝 구현에 필요한 수학을 처음부터 단계적으로 다룬다. 머신러닝 구현에 필요한 수학 알고리즘을 TensorFlow.js에서 함수로 제공하므로 jQuery 함수를 호출하듯 TensorFlow.js 함수를 호출하면 된다. 이 범위의 수학 지식이 있으면 머신러닝을 구현할 수 있다.

책의 출판 시점에 관련된 분야(TensorFlow.js)의 도서가 없었다. 저자는 공부하면서 관련 도서가 없어 힘들었던 경험을 후배들에게도 물려주고 싶지 않아 최초의 TensorFlow.js 분야 책을 집필했다.

저자는 개발자로서, 개발자를 가르치는 선생님으로서 항상 개발 현장에 있었다. 개발과 강의 경험을 통해 개발자가 필요로 하는 핵심을 정리해 이 책에 담았다.
『머신러닝 TensorFlow.js JavaScript』는 머신러닝에 대한 단계적이고 자세한 설명을 통해 따라 하기만 하면 지식이 축적되도록 구성했다. 또한, 방대한 수학 지식 중 웹 개발자가 이해해야 하는 범위를 알려주는 등 많은 개발자의 고민을 쉽게 해결할 수 있는 길도 알려준다.

머신러닝을 배우려는 분,
자바스크립트, Node.js 개발자,
파이썬+TensorFlow 환경과 자바스크립트+TensorFlow.js 환경을 통합하려는 분 등
 누구든지 목표를 이루고자 하는 의지만 챙겨오라. 의지를 가지고 책이 이끄는 대로 따라가다 보면 어느새 머신러닝을 내 것으로 만든 당신을 발견할 수 있다.

『머신러닝 TensorFlow.js JavaScript』를 통해 새로운 기회를 선점하여 보다 더 많이 발전하시길 바란다.

1부 TensorFlow.js
 1. 개요
1.1. TensorFlow.js 개요
1.1.1. TensorFlow.js란?
1.1.2. TensorFlow.js 목적, 방향성
1.2. 머신러닝, 딥러닝
1.2.1. 머신러닝
1.2.2. 추론
1.2.3. 딥러닝
1.3. Tensor와 Flow
 1.4. 개발자 관점에서의 TensorFlow.js

2. Tensor 생성
2.1. 함수 작성 기준
2.2. Tensor 생성
2.3. Tensor 출력
2.4. 값 타입
2.5. TypedArray 오브젝트
2.6. scalar, rank, shape
 2.7. scalar Tensor 생성
2.8. 1차원 Tensor 생성
2.9. 다차원 Tensor 생성

3. 함수, 식, 행렬
3.1. 변수, 상수, 계수
3.2. 독립변수, 종속변수
3.3. 함수
3.4. 1차식, 2차식
3.4.1. 항, 차수
3.4.2. 1차식
3.4.3. 2차식
3.5. 벡터
3.5.1. 벡터 덧셈, 뺄셈
3.5.2. 벡터 브로드캐스팅
3.5.3. 내적
3.5.4. 외적
3.6. 행렬
3.6.1. 행렬 덧셈, 뺄셈
3.6.2. 행렬 브로드캐스팅
3.6.3. 행렬 곱셈

4. Tensor 연산
4.1. 산술연산
4.1.1. 산술연산 함수 목록
4.1.2. tf.Tensor 값 더하기
4.1.3. 다수의 tf.Tensor 값 더하기
4.1.4. 누적 합산
4.2. 논리연산
4.2.1. 논리연산 함수 목록
4.2.2. 상태에 따라 값 반환
4.2.3. true인 인덱스 반환
4.3. 수열
4.3.1. 수열 개념
4.3.2. 등차수열
4.3.3. 등비수열
4.3.4. 항수로 등차수열 생성
4.3.5. 차이로 등차수열 생성
4.3.6. 시그마, 파이
4.4. 초깃값 설정
4.4.1. 초깃값 설정 함수 목록
4.4.2. 초깃값 설정 함수
4.5. 수학식 함수
4.5.1. 수학식 함수 목록
4.5.2. 최솟값과 최댓값 사이의 값

5. Tensor Class
 5.1. 함수 목록
5.2. shape 변환
5.2.1. 벡터, 스칼라로 변환
5.2.2. 랭크 변환
5.2.3. 값 타입 변환
5.2.4. shape 변환
5.3. 동기, 비동기 처리
5.3.1. 동기 방법으로 텐서 값 추출
5.3.2. 비동기 방법으로 텐서 값 추출

6. Tensor 추출, 변환
6.1. 함수 목록
6.2. 추출
6.2.1. 인덱스로 추출
6.2.2. 범위로 추출
6.3. 결합
6.3.1. Tensor 연결
6.3.2. Tensor 스택
6.3.3. 반복 복제
6.3.4. 순서 변경
6.4. 분할
6.4.1. 1차원 낮추어 분할
6.4.2. 지정한 수로 분할
6.5. 변환
6.5.1. 값 타입 변환
6.5.2. rank 확장, 압축
6.5.3. 앞뒤에 엘리먼트 삽입
6.5.4. shape 변환
6.6. 논리 AND, OR 비교
6.7. 최댓값, 최솟값
6.7.1. 최댓값, 최솟값
6.7.2. 최댓값, 최솟값 인덱스
6.8. 평균, 합계, 곱하기
6.8.1. 평균, 합계
6.8.2. 행, 열 곱하기
6.9. 난수 생성
6.9.1. 균등 분포 난수
6.9.2. 정규분포 난수 127
 6.10. 변수 생성, 값 변경

7. 메모리 관리
7.1. 함수 목록
7.2. 메모리 정보
7.3. 메모리 해제
7.4. 스코프 메모리 해제
7.5. 메모리 해제 방지

8. TensorFlow.js 모델링
8.1. 모델, 트레이닝
8.2. 데이터 세트
8.3. 지도 학습
8.4. TensorFlow.js 모델
8.4.1. 모델 학습 단계
8.4.2. 모델에서 사용할 데이터 정의
8.4.3. 모델의 변수 정의
8.4.4. 모델 정의
8.4.5. 모델 학습
8.4.6. 모델 테스트
8.4.7. 모델 평가, 튜닝, 테스트

2부 선형 회귀
9. 선형 회귀
9.1. 개요
9.1.1. 선형
9.1.2. 회귀
9.1.3. 분류
9.1.4. 선형 회귀 모델
9.2. 선형 회귀 모델 구성
9.2.1. 선형 회귀 모델 데이터
9.2.2. 선형 회귀 모델 가설
9.2.3. 학습 측정 기준
9.3. 두 점 사이 거리
9.3.1. L1 Norm
 9.3.2. L2 Norm
 9.3.3. norm() 함수
9.3.4. 잔차
9.3.5. 최소제곱법
9.4. 손실함수
9.4.1. 손실함수 목적
9.4.2. 평균 제곱 오차
9.4.3. 모델 코드 분석

10. 경사 하강법 Ⅰ
10.1. 개요
10.2. 미분 개요
10.2.1. 수렴, 극한
10.2.2. 기울기, 평균변화율
10.2.3. 미분계수, 순간변화율
10.2.4. 미분과 모델 학습
10.3. 경사 하강법 알고리즘 분석
10.3.1. 알고리즘 분석 시나리오
10.3.2. 손실함수 값 계산
10.3.3. 역전파
10.3.4. 기울기 계산
10.3.5. 가중치와 바이어스 계산
10.4. 학습률
10.4.1. 수렴
10.4.2. 발산

11. 경사 하강법 Ⅱ
11.1. 배치 경사 하강법
11.2. 배치 사이즈
11.3. 확률적 경사 하강법
11.4. 미니배치 경사 하강법
11.5. Iris 데이터 세트
11.5.1. 붓꽃 데이터 세트 형태
11.5.2. 배치 사이즈와 학습률
11.6. 선형 회귀 손실함수
11.6.1. L1 손실함수
11.6.2. L2 손실함수
11.6.3. Huber 손실함수
11.6.4. Pseudo-Huber 손실함수

12. 옵티마이저
12.1. 지역, 전역 최솟값
12.2. 옵티마이저 목적
12.3. 옵티마이저 식
12.4. Momentum
 12.5. Nesterov
 12.6. AdaGrad
 12.7. AdaDelta
 12.8. RMSProp
 12.9. Adam
 12.10. AdaMax

13. 다중·다항 회귀 모델
13.1. 보스턴 하우징 데이터 세트
13.2. 다중 회귀
13.2.1. 다중 회귀 특징
13.2.2. 다중 회귀 가설
13.2.3. 다중 회귀 손실함수
13.2.4. 다중 회귀 행렬 형태
13.2.5. 다중 회귀 모델
13.2.6. 다변량 선형 회귀
13.3. 다항 회귀
13.3.1. 다항 회귀 형태
13.3.2. 다항 회귀 모델
13.4. 오버피팅
13.5. 노이즈

14. 선형 회귀 정규화
14.1. 정규화 개요
14.2. Lasso 회귀
14.3. Ridge 회귀
14.4. Elastic Net

3부 분류
15. 로지스틱 회귀
15.1. 개요
15.2. sigmoid 함수
15.3. log 함수
15.4. 로지스틱 회귀 가설
15.5. 로지스틱 회귀 손실함수
15.6. 로지스틱 회귀 모델

16. 활성화 함수
16.1. 개요
16.2. hardSigmoid 함수
16.3. step 함수
16.4. ReLU 함수
16.5. LeakyReLU 함수
16.6. ReLU6 함수
16.7. softplus 함수
16.8. tanh 함수
16.9. softsign 함수
16.10. ELU 함수
16.11. SELU 함수

17. 소프트맥스 회귀
17.1. 개요
17.2. softmax 함수
17.3. One-Hot 인코딩
17.4. 소프트맥스 회귀 손실함수
17.5. 소프트맥스 예측 결과 분석

4부 이미지 인식
18. 이미지 인식
18.1. Node.js 환경 설정
18.2. MNIST 데이터 세트
18.3. MNIST 모델
18.4. MNIST 모델 코드 분석

 부록
1. TensorFlow.js 설치
2. 그래프 작성 방법
Index