딥러닝의 기본 원리부터 생성형 AI까지
단 한 권의 딥러닝 책을 선택한다면 바로 이 책이다!

전 세계 개발자와 연구자가 선택한 『케라스 창시자에게 배우는 딥러닝』이 최신 기술과 실전 예제를 대폭 보강한 개정 3판으로 돌아왔다. 케라스 창시자인 프랑소와 숄레와 핵심 관리자인 매튜 왓슨이 딥러닝의 기본 원리부터 최신 생성형 AI까지 명쾌하게 설명한다. 케라스 3를 중심으로 텐서플로, 파이토치, JAX를 활용해 이미지 분류·분할, 객체 탐지, 시계열 예측, 자연어 처리와 트랜스포머를 알아본다. 그리고 미니 GPT와 디퓨전 모델을 직접 구축하고, LoRA, RLHF, RAG 등 최신 LLM 기술도 살펴본다. 여기에 다중 GPU와 TPU를 활용한 분산 훈련, 혼합 정밀도, 양자화 등 실무 기법은 물론 딥러닝의 한계와 AI의 미래까지 폭넓게 다룬다. 딥러닝의 원리부터 최신 생성형 AI와 실전 모델링까지 한 권으로 익히고 싶은 독자를 위한 완벽한 지침서다.

* 박해선 역자의 동영상 강의: https://bit.ly/kerasdl3
[추천사]

“업계의 거장에게 직접 배우고 싶은 모든 분께 안성맞춤인 책입니다.”
- 안소니 골드블럼(Anthony Goldbloom), Kaggle 창립자

“기본 원리부터 시작해 실제로 작동하는 모델을 구축하는 사고 방식을 알려 주는 통찰력 있고 실용적인 안내서입니다.”
- 산티아고 발다라마(Santiago Valdarrama), ml.school 창립자

“현재 만나볼 수 있는 딥러닝 책 가운데 가장 최신 내용을 담은 완벽한 가이드입니다!”
- 아란 코마츠자키(Aran Komatsuzaki), EleutherAI 연구원

“신경망의 진정한 본질을 탁월하게 전달합니다. 최근 몇 년간 보기 드문 뛰어난 기술서입니다.”
- 살바토레 산필리포(Salvatore Sanfilippo), Redis 창시자

“숄레는 훌륭한 교육자입니다. 복잡한 개념을 명료하게 설명하며, 수학 대신 실용적인 코드를 활용합니다. 또한 숙련된 머신러닝 연구자이기도 합니다. 다양한 모델 구조와 훈련 팁에 대한 그의 통찰을 읽을 수 있어 기쁩니다.”
- 마틴 거너(Martin Gorner), 구글(Google)

“딥러닝 분야의 많은 실전 예제가 포함된 흥미로운 이 입문서에 빠져 보세요. 모든 딥러닝 기술자가 읽어야 할 필독서입니다.”
- 사약 폴(Sayak Paul), 카디드(Carted)

“현대적 고전이 더 좋아졌습니다.”
- 에드먼 비골리(Edmon Begoli), 오크리지 국립 연구소(Oak Ridge National Laboratory)

”진정한 딥러닝의 바이블입니다.“
- 야니스 파라스케보풀로스(Yiannis Paraskevopoulos), 서아티키 대학교(University of West Attica)

”파이썬을 활용한 딥러닝 책 중에서 최고입니다.“
- 라우션 자(Raushan Jha), 마이크로소프트(Microsoft)

”통찰력으로 가득한 책입니다. 입문자와 숙련된 머신러닝 전문가 모두에게 유용합니다.“
- 비톤 비타니스(Viton Vitanis), 비세카 페이먼트 서비스(Viseca Payment Services)

”딥러닝의 A부터 Z까지 완벽하게 설명합니다.“
- 토드 쿡(Todd Cook), 아펜(Appen)

”‘모두를 위한 AI’라는 AI의 민주화를 진정으로 실현하는 책입니다.“
- 키엘 얀손(Kjell Jansson), 구보IT(GubboIT)

[책 속으로]
이 책은 딥러닝을 처음부터 배우거나 이해의 폭을 넓히고자 하는 모든 사람을 위해 썼습니다. 머신러닝 기술자나 소프트웨어 엔지니어, 대학생에 상관없이 이 책에서 배울 점이 있을 것입니다.
처음에는 간단하게 시작해서 나중에 최신 기술까지 배우는 식으로 딥러닝을 탐구해 보겠습니다. 이 책은 직관, 이론, 실습 사이에 균형을 잡고 있습니다. 수학 표기를 피하고 그 대신 딥러닝의 핵심 아이디어를 기본 원리에 대한 해설과 실제 코드로 설명합니다. 다양한 도메인의 문제를 위해 밑바닥부터 머신러닝 모델을 훈련하고, 딥러닝 모델을 만들고 실전에 배치하기 위한 실용적인 권장 사항을 배우겠습니다.
이 책을 읽고 나면 딥러닝이 무엇인지, 언제 적용하는지, 한계는 무엇인지에 대한 개념을 확실히 이해할 수 있습니다. 머신러닝 문제를 구성하고 해결하기 위한 표준적인 작업 흐름에 익숙해지고 자주 마주치는 이슈들을 다루는 방법을 배웁니다.

대상 독자
이 책은 머신러닝과 딥러닝을 시작하려는 파이썬 프로그래밍 경험자를 위한 책입니다. 다른 독자들에게도 꽤 유용할 것입니다.

? 머신러닝에 친숙한 데이터 과학자라면 가장 빠르게 성장할 수 있으며, 가장 뛰어난 머신러닝의 하위 분야인 딥러닝을 확실하고 실용적으로 접할 수 있습니다.
? 케라스 프레임워크를 배우기 시작하려는 딥러닝 연구자나 기술자라면 이 책이 이상적인 케라스 단기 특강이 될 것입니다.
? 이론적 배경을 가지고 딥러닝을 공부하는 대학원생이라면 실용적인 측면을 배우고, 심층 신경망에 대한 직관을 키우고, 핵심 모범 사례와 친숙해질 것입니다.

코딩을 하지 않더라도 기술에 대해 이해하고 있는 사람이라면 딥러닝에 대한 기초와 고급 개념을 배우는 데 도움이 될 것입니다.
코드 예제를 이해하려면 파이썬에 익숙해야 합니다. 머신러닝이나 딥러닝을 경험한 적이 없어도 괜찮습니다. 이 책에서 필요한 기초를 모두 다룹니다. 수학에 대한 지식도 필요 없습니다. 고등학교 수준의 수학이면 책을 읽는 데 충분합니다.

이 책의 구성: 로드맵
이 책에는 20개의 장이 있으며 다음과 같이 구성되어 있습니다.

? 1~7장 딥러닝 기초: 딥러닝을 확실히 이해할 수 있는 기초를 제공합니다. 이 분야의 역사를 소개하고, 오늘날 주요 딥러닝 프레임워크(JAX, 파이토치, 텐서플로)의 사용법을 소개합니다. 실전 문제에 머신러닝을 적용하는 실용적인 가이드를 제시합니다. 머신러닝 모델을 훈련하기 위해 케라스 라이브러리를 자세히 살펴봅니다.
? 8~12장 컴퓨터 비전: 이미지 데이터에 대한 머신러닝을 다룹니다. 이미지 전체를 분류하거나 이미지 안에 있는 개별 객체를 인식하고 구분하는 모델을 훈련합니다. 딥러닝 시대에서 첫 번째 성공을 거두었으며 이미지 데이터에 잘 맞는 모델 구조인 컨브넷에 대해 자세히 살펴봅니다.
? 13장 시계열 예측: 시계열 데이터를 다룹니다. 날씨나 판매 데이터처럼 시간 흐름에 따라 측정된 데이터에서 과거 패턴을 사용하여 미래 트렌드를 예측합니다.
? 14~15장 자연어 처리: 텍스트에 딥러닝을 적용합니다. 긍정적인 텍스트인지 부정적인 텍스트인지 예측하는 감성 분류기를 만듭니다. 영어-스페인어 번역 모델을 구축합니다. 특히 텍스트 모델링에 잘 맞는 유명한 모델 구조인 트랜스포머에 초점을 맞춥니다.
? 16~17장 생성 모델링: 새로운 콘텐츠, 즉 새로운 이미지와 텍스트를 생성할 수 있는 모델을 다룹니다. 챗GPT 같은 챗봇과 이미지 생성 시스템에 대해 논의합니다. 밑바닥부터 생성 모델을 훈련하고 대규모 데이터에서 몇 주 또는 몇 달 동안 훈련된 사전 훈련된 모델을 사용합니다.
? 18~20장 결론: 이 책의 마지막 파트로 지금까지 배운 것을 결합합니다. 딥러닝 시스템에 있는 실용적인 엔지니어링 문제를 탐구합니다. 한 개의 장을 할애하여 이 분야의 미래 가능성을 탐구하고 새로운 연구 방향을 살펴봅니다. 그다음 이 책 전반에 걸쳐 제시한 개념을 리뷰합니다.



-들어가며 중에서-

1장. 딥러닝이란 무엇인가-
1.1 인공 지능과 머신러닝, 딥러닝
1.2 인공 지능
1.3 머신러닝
1.4 데이터에서 표현을 학습하기
1.5 딥러닝에서 ‘딥’이란 무엇일까-
1.6 그림 3개로 딥러닝의 작동 원리 이해하기
1.7 딥러닝의 특별한 점
1.8 생성형 AI의 시대
1.9 지금까지 딥러닝의 성과
1.10 단기적 과대 선전에 주의하세요
1.11 여름은 겨울로 바뀔 수 있습니다
1.12 AI에 대한 전망

2장. 신경망의 수학적 구성 요소
2.1 신경망과의 첫 만남
2.2 신경망을 위한 데이터 표현
__2.2.1 스칼라(랭크- 0 텐서)
__2.2.2 벡터(랭크-1 텐서)
__2.2.3 행렬(랭크-2 텐서)
__2.2.4 랭크-3 이상의 텐서
__2.2.5 핵심 속성
__2.2.6 넘파이로 텐서 조작하기
__2.2.7 배치 데이터
__2.2.8 텐서의 실제 사례
2.3 신경망의 톱니바퀴: 텐서 연산
__2.3.1 원소별 연산
__2.3.2 브로드캐스팅
__2.3.3 텐서 곱셈
__2.3.4 텐서 크기 변환
__2.3.5 텐서 연산의 기하학적 해석
__2.3.6 딥러닝의 기하학적 해석
2.4 신경망의 엔진: 그레이디언트 기반 최적화
__2.4.1 도함수란
__2.4.2 텐서 연산의 도함수: 그레이디언트
__2.4.3 확률적 경사 하강법
__2.4.4 도함수 연결: 역전파 알고리즘
2.5 첫 번째 예제 다시 살펴보기
__2.5.1 첫 번째 예제를 밑바닥부터 다시 구현하기
__2.5.2 훈련 스텝 실행하기
__2.5.3 전체 훈련 루프
__2.5.4 모델 평가하기
2.6 요약

3장. 텐서플로, 파이토치, JAX 그리고 케라스에 대한 소개
3.1 딥러닝 프레임워크의 간략한 역사
3.2 프레임워크 사이의 관계
3.3 텐서플로 소개
__3.3.1 텐서플로 첫걸음
__3.3.2 엔드-투-엔드 예제: 순수 텐서플로로 구현하는 선형 분류기
__3.3.3 텐서플로 방식의 차별점
3.4 파이토치 소개
__3.4.1 파이토치 첫걸음
__3.4.2 엔드-투-엔드 예제: 순수 파이토치로 구현하는 선형 분류기
__3.4.3 파이토치 방식의 차별점
3.5 JAX 소개
__3.5.1 JAX 첫걸음
__3.5.2 JAX의 텐서
__3.5.3 JAX의 난수 생성
__3.5.4 엔드-투-엔드 예제: 순수 JAX로 구현하는 선형 분류기
__3.5.5 JAX 방식의 차별점
3.6 케라스 소개
__3.6.1 케라스 첫걸음
__3.6.2 층: 딥러닝의 구성 요소
__3.6.3 층에서 모델로
__3.6.4 ‘컴파일’ 단계: 학습 과정 설정
__3.6.5 손실 함수 선택하기
__3.6.6 fit( ) 메서드 이해하기
__3.6.7 검증 데이터에서 손실과 평가 지표 모니터링하기
__3.6.8 추론: 훈련한 모델 사용하기
3.7 요약

4장. 분류와 회귀
4.1 영화 리뷰 분류: 이진 분류 문제
__4.1.1 IMDB 데이터셋
__4.1.2 데이터 준비
__4.1.3 모델 만들기
__4.1.4 훈련 및 검증
__4.1.5 훈련된 모델로 새로운 데이터에 대해 예측하기
__4.1.6 추가 실험
__4.1.7 정리
4.2 뉴스 기사 분류: 다중 분류 문제
__4.2.1 로이터 데이터셋
__4.2.2 데이터 준비
__4.2.3 모델 만들기
__4.2.4 훈련 및 검증
__4.2.5 새로운 데이터에 대해 예측하기
__4.2.6 레이블과 손실을 다루는 다른 방법
__4.2.7 중간층을 충분히 크게 만들어야 하는 이유
__4.2.8 추가 실험
__4.2.9 정리
4.3 주택 가격 예측: 회귀 문제
__4.3.1 캘리포니아 주택 가격 데이터셋
__4.3.2 데이터 준비
__4.3.3 모델 만들기
__4.3.4 훈련 및 K-겹 교차 검증
__4.3.5 새로운 데이터에 대해 예측하기
__4.3.6 정리
4.4 요약

5장. 머신러닝의 기본 요소
5.1 일반화: 머신러닝의 목표
__5.1.1 과소적합과 과대적합
__5.1.2 딥러닝에서 일반화의 본질
5.2 머신러닝 모델 평가
__5.2.1 훈련, 검증, 테스트 세트
__5.2.2 상식 수준의 기준점 넘기
__5.2.3 모델 평가에 대해 유념해야 할 점
5.3 훈련 성능 향상하기
__5.3.1 경사 하강법의 핵심 파라미터 튜닝하기
__5.3.2 더 나은 구조 가정하기
__5.3.3 모델 용량 늘리기
5.4 일반화 성능 향상하기
__5.4.1 데이터셋 큐레이션
__5.4.2 특성 공학
__5.4.3 조기 종료 사용하기
__5.4.4 모델 규제하기
5.5 요약

6장. 일반적인 머신러닝 워크플로
6.1 작업 정의
__6.1.1 문제 정의
__6.1.2 데이터 수집
__6.1.3 데이터 이해
__6.1.4 성공 지표 선택
6.2 모델 개발
__6.2.1 데이터 준비
__6.2.2 평가 방법 선택
__6.2.3 기준 모델 뛰어넘기
__6.2.4 모델 용량 키우기: 과대적합 모델 만들기
__6.2.5 모델 규제와 하이퍼파라미터 튜닝
6.3 모델 배포
__6.3.1 고객에게 작업을 설명하고 기대치 설정하기
__6.3.2 추론 모델 배치하기
__6.3.3 작동 중 모델 모니터링하기
__6.3.4 모델 유지 관리
6.4 요약

7장. 케라스 완전 정복
7.1 다양한 워크플로
7.2 케라스 모델을 만드는 여러 방법
__7.2.1 Sequential 모델
__7.2.2 함수형 API
__7.2.3 Model 서브클래싱
__7.2.4 여러 방식을 혼합하여 사용하기
__7.2.5 작업에 적합한 도구 사용하기
7.3 내장 훈련 루프와 평가 루프 사용하기
__7.3.1 사용자 정의 지표 만들기
__7.3.2 콜백 사용하기
__7.3.3 사용자 정의 콜백 만들기
__7.3.4 텐서보드를 사용한 모니터링과 시각화
7.4 사용자 정의 훈련, 평가 루프 만들기
__7.4.1 훈련 vs 추론
__7.4.2 사용자 정의 훈련 스텝 함수 작성하기
__7.4.3 평가 지표의 저수준 사용법
__7.4.4 fit( ) 메서드를 사용자 정의 루프로 활용하기
__7.4.5 사용자 정의 train_step( ) 함수에서 평가 지표 처리하기
7.5 요약

8장. 이미지 분류
8.1 합성곱 신경망 소개
__8.1.1 합성곱 연산
__8.1.2 최대 풀링 연산
8.2 소규모 데이터셋에서 밑바닥부터 컨브넷 훈련하기
__8.2.1 작은 데이터셋 문제에서 딥러닝의 타당성
__8.2.2 데이터 내려받기
__8.2.3 모델 만들기
__8.2.4 데이터 전처리
__8.2.5 데이터 증강 사용하기
8.3 사전 훈련된 모델 활용하기
__8.3.1 사전 훈련된 모델을 사용한 특성 추출
__8.3.2 사전 훈련된 모델 미세 튜닝하기
8.4 요약

9장. 컨브넷 아키텍처 패턴
9.1 모듈화, 계층화 그리고 재사용
9.2 잔차 연결
9.3 배치 정규화
9.4 깊이별 분리 합성곱
9.5 Xception 유사 모델에 모두 적용하기
9.6 합성곱을 넘어서: 비전 트랜스포머
9.7 요약

10장. 컨브넷이 학습한 것 해석하기
10.1 중간 활성화 시각화
10.2 컨브넷 필터 시각화하기
__10.2.1 텐서플로로 경사 상승법 수행하기
__10.2.2 파이토치로 경사 상승법 수행하기
__10.2.3 JAX로 경사 상승법 수행하기
__10.2.4 필터 시각화 루프
10.3 클래스 활성화의 히트맵 시각화하기
__10.3.1 최상위 클래스에 대한 그레이디언트 계산하기: 텐서플로
__10.3.2 최상위 클래스에 대한 그레이디언트 계산하기: 파이토치
__10.3.3 최상위 클래스에 대한 그레이디언트 계산하기: JAX
__10.3.4 클래스 활성화 히트맵 그리기
10.4 컨브넷의 잠재 공간 시각화하기
10.5 요약

11장. 이미지 분할
11.1 컴퓨터 비전 작업
__11.1.1 이미지 분할 유형
11.2 밑바닥부터 분할 모델 훈련하기
__11.2.1 분할 데이터셋 내려받기
__11.2.2 분할 모델 만들고 훈련하기
11.3 사전 훈련된 분할 모델 사용하기
__11.3.1 SAM 내려받기
__11.3.2 SAM의 작동 방식
__11.3.3 테스트 이미지 준비하기
__11.3.4 포인트로 모델에 프롬프트 주입하기
__11.3.5 박스로 모델에 프롬프트 주입하기
11.4 요약

12장. 객체 탐지
12.1 1단계 vs 2단계 객체 탐지기
__12.1.1 2단계 R-CNN 탐지기
__12.1.2 1단계 탐지기
12.2 밑바닥부터 YOLO 모델 훈련하기
__12.2.1 COCO 데이터셋 내려받기
__12.2.2 YOLO 모델 만들기
__12.2.3 YOLO 모델을 위한 COCO 데이터 준비하기
__12.2.4 YOLO 모델 훈련하기
12.3 사전 훈련된 RetinaNet 탐지기 사용하기
12.4 요약

13장. 시계열 예측
13.1 다양한 종류의 시계열 작업
13.2 온도 예측 문제
__13.2.1 데이터 준비
__13.2.2 상식 수준의 기준점
__13.2.3 기본적인 머신러닝 모델 시도해 보기
__13.2.4 1D 합성곱 모델 시도해 보기
13.3 순환 신경망
__13.3.1 순환 신경망 이해하기
__13.3.2 케라스의 순환 층
__13.3.3 순환 신경망을 최대한 활용하기
__13.3.4 과대적합을 감소하기 위해 순환 드롭아웃 사용하기
__13.3.5 스태킹 순환 층
__13.3.6 양방향 RNN 사용하기
13.4 더 나아가서
13.5 요약

14장. 텍스트 분류
14.1 간략한 자연어 처리의 역사
14.2 텍스트 데이터 준비하기
__14.2.1 문자 토큰화와 단어 토큰화
__14.2.2 부분 단어 토큰화
14.3 집합과 시퀀스
__14.3.1 IMDB 분류 데이터셋 로드하기
14.4 집합 모델
__14.4.1 BoW 모델 훈련
__14.4.2 바이그램 모델 훈련
14.5 시퀀스 모델
__14.5.1 순환 모델 훈련하기
__14.5.2 단어 임베딩 이해하기
__14.5.3 단어 임베딩 사용하기
__14.5.4 단어 임베딩 사전 훈련
__14.5.5 분류를 위해 사전 훈련된 임베딩 사용하기
14.6 요약

15장. 언어 모델과 트랜스포머
15.1 언어 모델
__15.1.1 셰익스피어 언어 모델 훈련하기
__15.1.2 셰익스피어 생성하기
15.2 시퀀스-투-시퀀스 학습
__15.2.1 영어-스페인어 번역
__15.2.2 RNN을 사용한 시퀀스-투-시퀀스 학습
15.3 트랜스포머 아키텍처
__15.3.1 점곱 어텐션
__15.3.2 트랜스포머 인코더 블록
__15.3.3 트랜스포머 디코더 블록
__15.3.4 트랜스포머를 사용한 시퀀스-투-시퀀스 학습
__15.3.5 위치 정보 임베딩하기
15.4 사전 훈련된 트랜스포머를 사용한 분류
__15.4.1 트랜스포머 인코더 사전 훈련하기
__15.4.2 사전 훈련된 트랜스포머 로드하기
__15.4.3 IMDB 영화 리뷰 전처리
__15.4.4 사전 훈련된 트랜스포머 미세 튜닝하기
15.5 트랜스포머가 효과적인 이유는 무엇일까요-
15.6 요약

16장. 텍스트 생성
16.1 시퀀스 생성의 간략한 역사
16.2 미니 GPT 훈련하기
__16.2.1 모델 만들기
__16.2.2 모델 사전 훈련하기
__16.2.3 생성 디코딩
__16.2.4 샘플링 전략
16.3 사전 훈련된 LLM 사용하기
__16.3.1 젬마 모델로 텍스트 생성하기
__16.3.2 지시 미세 튜닝
__16.3.3 LoRA
16.4 LLM 심화 주제
__16.4.1 RLHF
__16.4.2 멀티모달 LLM
__16.4.3 검색 증강 생성
__16.4.4 ‘추론’ 모델
16.5 LLM은 어디로 향하고 있나요-
16.6 요약

17장. 이미지 생성
17.1 이미지 생성을 위한 딥러닝
__17.1.1 이미지의 잠재 공간에서 샘플링하기
__17.1.2 변분 오토인코더
__17.1.3 케라스로 VAE 구현하기
17.2 디퓨전 모델
__17.2.1 Oxford Flowers 데이터셋
__17.2.2 U-Net 잡음 제거 오토인코더
__17.2.3 디퓨전 시간과 디퓨전 스케줄
__17.2.4 훈련 과정
__17.2.5 생성 과정
__17.2.6 사용자 정의 콜백으로 결과 시각화하기
__17.2.7 이제 쇼타임입니다!
17.3 텍스트-투-이미지 모델
__17.3.1 텍스트-투-이미지 모델의 잠재 공간 탐색하기
17.4 요약

18장. 실전 문제 해결을 위한 모범 사례
18.1 모델의 최대 성능을 끌어내기
__18.1.1 하이퍼파라미터 최적화
__18.1.2 모델 앙상블
18.2 다중 장치를 사용한 대규모 모델 훈련
__18.2.1 다중 GPU 훈련
__18.2.2 분산 훈련 구현
__18.2.3 TPU 훈련
18.3 낮은 정밀도로 GPU에서 훈련 및 추론 속도 높이기
__18.3.1 부동 소수점 정밀도 이해하기
__18.3.2 float16 추론
__18.3.3 혼합 정밀도 훈련
__18.3.4 혼합 정밀도에서 손실 스케일링 사용하기
__18.3.5 혼합 정밀도를 넘어서: float8 훈련
__18.3.6 양자화를 사용한 빠른 추론
18.4 요약

19장. AI의 미래
19.1 딥러닝의 한계
__19.1.1 딥러닝 모델은 새로운 것에 적응하는 데 어려움을 겪습니다
__19.1.2 딥러닝 모델은 표현 방식과 잡음에 매우 민감합니다
__19.1.3 딥러닝 모델은 일반화 가능한 프로그램을 학습하기 어렵습니다
__19.1.4 머신러닝 모델의 의인화 위험
19.2 스케일이 필요한 전부는 아닙니다
__19.2.1 자동 기계 vs 지능 에이전트
__19.2.2 지역 일반화 vs 궁극 일반화
__19.2.3 지능의 목적
__19.2.4 일반화의 스펙트럼
19.3 지능을 구축하는 방법
__19.3.1 만화경 가설
__19.3.2 지능의 본질: 추상의 획득과 재조합
__19.3.3 올바른 목표 설정의 중요성
__19.3.4 새로운 목표: 즉각적인 적응
__19.3.5 ARC 프라이즈
__19.3.6 테스트 시점 적응의 시대
__19.3.7 ARC-AGI-2
19.4 누락된 구성 요소: 탐색과 기호
__19.4.1 두 종류의 추상화
__19.4.2 두 종류의 추상화를 조합한 인지
__19.4.3 딥러닝이 추상화 생성에 대한 완전한 솔루션이 아닌 이유
__19.4.4 AI에 대한 다른 접근 방식: 프로그램 합성
__19.4.5 딥러닝과 프로그램 합성을 혼합하기
__19.4.6 모듈식 구성 요소 재조합과 영구 학습
__19.4.7 장기 비전

20장. 결론
20.1 핵심 개념 리뷰
__20.1.1 인공 지능을 위한 다양한 접근 방식
__20.1.2 머신러닝 분야에서 딥러닝이 특별한 이유
__20.1.3 딥러닝에 대해
__20.1.4 핵심 기술
__20.1.5 일반적인 머신러닝 워크플로
__20.1.6 주요 네트워크 구조
20.2 딥러닝의 한계
20.3 앞으로 무엇이 나올까요-
20.4 빠른 변화에 뒤처지지 않기
__20.4.1 캐글의 실전 문제로 연습하기
__20.4.2 아카이브(arXiv)를 통해 최신 논문 읽기
__20.4.3 케라스 생태계 탐험하기
20.5 맺음말