12. Recurrent Neural Networks
순환 신경망의 구조와 수식, vanishing gradient 문제, 그리고 LSTM의 게이트 동작 원리.
이용학
11. Transfer Learning and Fine-tuning Convolutional Neural Networks
사전 학습된 ConvNet을 특징 추출기로 쓰거나 fine-tuning하는 전략과 실무 지침.
10. Understanding and Visualizing Convolutional Neural Networks
학습된 ConvNet의 활성화와 필터 시각화, 최근접 이웃과 t-SNE 임베딩으로 표현 이해하기.
09. Convolutional Neural Networks: Architectures, Convolution / Pooling Layers
CONV·POOL·FC 층의 동작 원리, 하이퍼파라미터 설정, 그리고 대표적인 ConvNet 구조 사례.
08. Putting it Together: Minimal Neural Network Case Study
2차원 나선형 데이터에 선형 분류기와 2층 신경망을 처음부터 구현해보는 전 과정.
07. Neural Networks Part 3: Learning and Evaluation
기울기 점검, 학습 과정 모니터링, 매개변수 갱신 방식, 하이퍼파라미터 최적화와 앙상블.
06. Neural Networks Part 2: Setting up the Data and the Loss
데이터 전처리, 가중치 초기화, batch normalization, 정규화와 손실 함수 설정.
05. Neural Networks Part 1: Setting up the Architecture
생물학적 뉴런에서 출발한 신경망 모델, 활성화 함수의 종류, 층 구조와 표현력.
04. Backpropagation, Intuitions
연쇄 법칙에 기반한 역전파의 직관적 이해, 계산 그래프와 게이트, 벡터화된 기울기 계산.
03. Optimization: Stochastic Gradient Descent
손실 함수 최적화, 수치적·해석적 기울기 계산, 경사 하강법과 mini-batch SGD.