제1부 파이토치 1.x와 심층 학습 구성 요소
 제1장 파이토치로 심층 학습 시작하기
  인공 지능 탐구 
  인공 지능의 역사 
  실제의 기계 학습 
  그래서, 왜 심층 학습(DL) 인가? 
  심층 학습의 응용 
  이미지의 텍스트 자동 번역 
  자율주행 자동차의 물체 감지 
  심층 학습 프레임워크 
  왜 파이토치인가? 
  파이토치 v1.x의 새로운 점은 무엇인가? 
  CPU 대 GPU 
  CUDA란 무엇인가? 
  어떤 GPU를 사용해야 하는가? 
  GPU가 없다면 어떻게 해야 하는가? 
  파이토치 v1.x 구축하기 
  파이토치 설치하기 
  요약 
 제2장 신경망의 구성 요소
  무엇이 신경망 인가? 
  신경망의 구조 이해하기 
  파이토치에서 신경망 구축하기 
  파이토치 순차형 신경망 
  nn.Module을 이용한 파이토치 신경망 구축하기 
  파이토치 텐서 이해하기 
  텐서의 모양 및 변형 이해하기 
  텐서 연산 이해하기 
  파이토치에서 텐서 유형 이해하기 
  파이토치 텐서로 데이터셋 가져오기 
  파이토치에서 신경망 학습하기 
  요약 

제2부 심층 학습으로 나아가기
 제3장 신경망 더 깊이 알아보기
  신경망 구성 요소에 관해 깊이 있게 알아보기 
  레이어-신경망의 기본 블록 
  비선형 활성화 
  Sigmoid 
  Tanh 
  ReLU 
  Leaky ReLU 
  파이토치 비선형 활성화 
  심층 학습 알고리즘을 구축하는 파이토치 방법 
  여러가지 심층 학습 문제를 위한 모델 아키텍처 
  손실 함수 
  네트워크 아키텍처 최적화하기 
  심층 학습을 이용한 이미지 분류 
  파이토치 텐서로 데이터 로딩하기 
  네트워크 아키텍처 구축하기 
  모델 학습하기 
  요약 
 제4장 컴퓨터 비전을 위한 심층 학습
  신경망 소개 
  MNIST-데이터 가져오기 
  CNN 모델 처음부터 구축하기 
  Conv2d 
  Pooling 
  비선형 활성화-ReLU 
  View 
  모델 학습하기 
  개와 고양이 분류하기-처음부터 CNN 
  전이 학습을 이용하여 개와 고양이 분류하기 
  VGG16 모델을 생성하고 알아보기 
  레이어 고정하기 
  VGG16 파인튜닝 하기 
  VGG16 모델 학습하기 
  특징에 미리 합성곱 계산하기 
  CNN 모델의 학습 내용 이해하기 
  중간 레이어의 출력 시각화하기 
  CNN 레이어의 가중치 시각화 하기 
  요약 
 제5장 순차 데이터를 이용한 자연어 처리
  텍스트 데이터로 작업하기 
  토큰화 
  N-gram 표현 
  벡터화 
  감성 분류기를 구축하면서 단어 임베딩 학습하기 
  IMDb 데이터 다운로드 및 텍스트 토큰화 수행하기 
  Vocabulary 구축하기 
  벡터의 배치 생성하기 
  임베딩으로 네트워크 모델 생성하기 
  모델 학습하기 
  사전 학습된 단어 임베딩 사용하기 
  임베딩 다운로드하기 
  모델에 임베딩 불러오기 
  임베딩 레이어 가중치 고정하기 
  순환 신경망 
  예제로 RNN이 작동하는 방법 이해하기 
  LSTM을 이용하여 텍스트 분류 문제 해결하기 
  장기 의존성(Long-term dependency) 
  LSTM 네트워크 
  순차 데이터에 대한 합성곱 네트워크 
  순차 데이터에 대한 일차원 합성곱 이해하기 
  언어 모델링 
  사전 학습된 모델 
  Embeddings from language models 
  Bidirectional Encoder Representations from Transformers 
  Generative Pretrained Transformer 2 
  파이토치 구현 
  요약 

제3부 심층 학습의 최신 아키텍처 이해하기
 제6장 오토인코더(Autoencoders) 구현하기
  오토인코더의 어플리케이션 
  보틀넥과 손실 함수 
  합성곱 오토인코더 
  노이즈제거(denoising) 오토인코더 
  Variational autoencoders 
  VAE 학습하기 
  제한된 볼츠만 머신(Restricted Boltzmann machines) 
  RBM 학습하기 
  이론적인 예제-RBM 추천 시스템 
  DBN 아키텍처 
  미세조정 
  요약 
 제7장 생성적 적대 신경망
  Neural style transfer 
  데이터 로딩하기 
  VGG 모델 생성하기 
  콘텐츠 손실 
  스타일 손실 
  손실 추출하기 
  각 레이어의 손실 함수 생성하기 
  최적화기 생성하기 
  모델 학습하기 
  GAN에 대한 소개 
  DCGAN 
  생성자 네트워크 정의하기 
  판별자 네트워크 정의하기 
  손실 및 최적화기 정의하기 
  판별자 훈련하기 
  생성자 네트워크 훈련하기 
  전체 네트워크 훈련하기 
  생성된 이미지 검사 
  요약 
 제8장 최신 아키텍처로 전이 학습 수행하기
  최신 네트워크 아키텍처들 
  ResNet 
  인셉션(Inception) 
  조밀하게 연결된 합성곱 네트워크 - 덴스넷(DenseNet) 
  _DenseBlock 객체 
  _DenseLayer 객체 
  덴스넷 모델 생성하기 
  덴스넷 특징 추출하기 
  데이터셋과 로더 생성하기 
  완전 연결 모델 생성하기 및 훈련하기 
  모델 앙상블 
  모델 생성하기 
  이미지 특징 추출하기 
  데이터 로더와 함께 커스텀 데이터셋 생성하기 
  앙상블 모델 생성하기 
  모델 훈련하기 및 검증하기 
  인코더-디코더 아키텍처 
  인코더 
  디코더 
  어텐션(attention)을 갖는 인코더-디코더 
  요약 
 제9장 심층 강화 학습
  RL에 대한 소개 
  모델 기반(Model-based) RL 
  모델 프리(Model-free) RL 
  온-폴리시(on-policy)와 오프-폴리시(off-policy) 비교하기 
  Q-learning 
  가치를 이용한 방법 
  가치 반복 
  코드 예제-가치 반복 
  정책을 이용한 방법 
  정책 반복 
  가치 반복 VS 정책 반복 
  정책 경사(Policy gradient) 알고리즘 
  Deep Q-networks 
  DQN 손실 함수 
  경험 재생(Experience replay) 
  코드 예제-DQN 
  Double deep Q-learning 
  Actor-critic 방법 
  코드 예제-actor-critic 모델 
  Asynchronous actor-critic 알고리즘 
  실용 어플리케이션들 
  요약 
 제10장 그 다음은?
  그 다음은? 
  이 책의 개요 
  연구 논문을 읽고 구현하기 
  더 알아볼 만한 내용들 
  객체 감지 
  이미지 분할 
  파이토치의 OpenNMT 
  Allen NLP 
  fast.ai-다시 신경망이 어렵게 느껴진다면 
  Open neural network exchange 
  최신 정보를 유지할 수 있는 방법 
  요약