ÄÁÅÙÃ÷»ó¼¼º¸±â

µö·¯´× ¸Ó½Å·¯´×À» À§ÇÑ ÆÄÀ̽㠳ÑÆÄÀÌ
µö·¯´× ¸Ó½Å·¯´×À» À§ÇÑ ÆÄÀ̽㠳ÑÆÄÀÌ
  • ÀúÀÚ¹®¿ëÁØ,¹®¼ºÇõ °øÀú
  • ÃâÆÇ»çÀÕÇÃITPLE
  • ÃâÆÇÀÏ2020-06-07
  • µî·ÏÀÏ2020-12-21
º¸À¯ 1, ´ëÃâ 0, ¿¹¾à 0, ´©Àû´ëÃâ 4, ´©Àû¿¹¾à 0

Ã¥¼Ò°³

³ÑÆÄÀÌ ¸ðµâÀº 4Â÷ »ê¾÷Çõ¸í¿¡¼­ ¸Å¿ì Áß¿äÇÑ À§Ä¡¸¦ Â÷ÁöÇÏ´Â ÀΰøÁö´ÉÀÇ ±âÃÊÀÔ´Ï´Ù.
³ÑÆÄÀÌ ¸ðµâÀ» ºÎºÐÀûÀ¸·Î ´Ù·ç´Â Ã¥Àº ¸¹Áö¸¸ ³ÑÆÄÀÌ ¸ðµâ ÇÑ °¡Áö¸¦ ÁÖÁ¦·Î Çؼ­ ´Ù·ç¾îÁø Ã¥Àº ¸¹Áö ¾Ê½À´Ï´Ù.
±¸±ÛÀÌ ¸¸µç ÅÙ¼­Ç÷οì(Tensorflow), ÆäÀ̽ººÏÀÌ ¸¸µç ÆÄÀÌÅäÄ¡(Pytorch) µî ¸¹Àº ¸Ó½Å·¯´×°ú µö·¯´×Àº ±âÇÏ¿Í º¤Å͸¦ ±âº»À¸·Î »ç¿ëÇÕ´Ï´Ù. º¸Åë ÀÌ·± ¼öÇÐÀº ´ëÇп¡ ÀÔÇÐÇÏ¸é ¼±Çü´ë¼ö·Î ¹è¿ì°í ÆÄÀ̽ãÀº º¹ÀâÇÑ ¼ö½ÄÀ» ½±°Ô »ç¿ëÇÒ ¼ö ÀÖµµ·Ï Numpy ¸ðµâÀ» Á¦°øÇÕ´Ï´Ù.
¼±Çü´ë¼ö´Â º¤ÅÍ¿Í Çà·ÄÀ» ÁÖ·Î »ç¿ëÇÏÁö¸¸ ¸Ó½Å·¯´×°ú µö·¯´×Àº À̸¦ È®ÀåÇÑ ÅÙ¼­(tensor)¸¦ ÁÖ·Î »ç¿ëÇÕ´Ï´Ù. ´ÙÂ÷¿ø µ¥ÀÌÅ͸¦ ºÐ¼®ÇÏ·Á¸é ¼ýÀÚ¸¦ °ü¸®ÇÏ´Â ¹è¿­ ÇüÅÂÀÇ ÀڷᱸÁ¶¸¦ ¾Ë¾Æ¾ß ÇÕ´Ï´Ù.
¿ì¸®´Â ³ÑÆÄÀÌ ¸ðµâÀÇ ¹è¿­ °³³äÀ» ÀÌÇØÇÏ°í, ¹è¿­ ³»ÀÇ ¿ø¼Ò¸¦ °è»êÇÏ´Â ¼±Çü´ë¼ö ó¸® ¹æ½Ä, ¼öÄ¡Çؼ®À» À§ÇÑ ¹ÌºÐ, ÀûºÐ µî ´Ù¾çÇÑ ¼öÇÐÀ» 󸮴 ¹æ½ÄÀ» ¾Ë¾Æ º¼ °ÍÀÔ´Ï´Ù.
ÀÌ·± ¹æ½ÄÀ» ÀÌÇØÇÏ·Á¸é ´Ù¾çÇÑ ÇÔ¼ö, Ŭ·¡½ºÀÇ »ç¿ë¹ýÀ» ¾Ë¾Æ¾ßÇÕ´Ï´Ù. ÀÌ Ã¥Àº ¸Ó½Å·¯´×°ú µö·¯´×¿¡¼­ »ç¿ëÇÒ ¼ö ÀÖ´Â °³³äÀ» ¼³¸íÇÕ´Ï´Ù. ¼öÇÐÃ¥°ú °°ÀÌ °øºÎÇϸé ÁÁ½À´Ï´Ù.

ÀÌ Ã¥ÀÇ Æ¯Â¡Àº
¡á ¿¹Á¦°¡ dzºÎÇؼ­ ¼öÇÐÀÇ ÀÚ½ÅÀÌ ¾ø´õ¶óµµ ½±°Ô ÀÌÇØ ÇÒ ¼ö ÀÖ´Ù. ¶ÇÇÑ ³ÑÆÄÀ̸¦ ¿ÏÀü ºÐ¼®ÇÑ Ã¥À¸·Î½á ±âÃʺÎÅÍ °í±Þ±â´É±îÁö ¹è¿ï ¼ö ÀÖ´Ù.

¡á?¸Ó½Å·¯´× ÀÔ¹®À» À§ÇÑ ¼öÇаú Python¿¡ ´ëÇÑ ÇÙ½É ³ëÇÏ¿ì°¡ ³ì¾Æ Àִ åÀÌ´Ù. Ã¥À» º¸¸é¼­ Äڵ带 ÇÑ ÁÙ ÇÑ ÁÙ µû¶ó ÇÏ´Ùº¸¸é, ¾î´À»õ ¸Ó½Å·¯´×¿¡¼­ ÇÊ¿äÇÑ ±âÃʼöÇп¡ ´ëÇÑ Å« ƲÀ» Àâ¾Æ°¡´Âµ¥ µµ¿òÀÌ µÉ °ÍÀÌ´Ù.

¡á ¼öÄ¡Çؼ®, Åë°è¸¦ ÇØ¾ß ÇÑ´Ù¸é Çʼö°¡ µÈ ³ÑÆÄÀÌÀÇ Á¦´ë·Î µÈ »ç¿ë¹ýÀ» ÀÍÈ÷µµ·Ï µµ¿ÍÁØ´Ù.

¡á ÆÄÀ̽ãÀ¸·Î ºÐ¼® ¹× ¸Ó½Å·¯´×¿¡ »ç¿ëÇϱâ À§Çؼ­´Â ¹Ýµå½Ã ÇѹøÀº ÀÐ°í °¡¾ß Çϴ åÀÔ´Ï´Ù. ÀÌ Ã¥ÀÇ ÇÔ¼ö¸¦ ÇÑ ¹ø¾¿ ´Ù »ç¿ëÇØ ºÃ´Ù¸é, scikit-learn°ú tensorflowÀÇ ÄÚµå ÀбⰡ ¾î·ÆÁö ¾ÊÀ» °ÍÀÔ´Ï´Ù.

¡á ³ÑÆÄÀÌ Æ¯Â¡°ú ³ÑÆÄÀÌ¿¡¼­ ´Ù·ç¾î¾ß ÇÒ ³»¿ëÀ» ´ëºÎºÐ ¾ð±ÞÇÏ°í ÀÖ´Ù.
¡¤°­·ÂÇÑ N Â÷¿ø ¹è¿­ °´Ã¼ ¹× Á¤±³ÇÑ ºê·ÎµåÄɽºÆÃ(Broadcast) ±â´É
¡¤À¯¿ëÇÑ ¼±Çü ´ë¼öÇÐ, Ǫ¸®¿¡ º¯È¯ ¹× ³­¼ö ±â´É
¡¤´Ù¾çÇÑ ¼öÇÐÀû ¾Ë°í¸®Áò Á¦°ø ¹× µ¥ÀÌÅÍ Ã³¸®(pandas) , ½Ã°¢È­ ¶óÀ̺귯¸® ¿¬°è
¡¤¸Ó½Å·¯´×(scikit learn), µö·¯´×(tensorflow) µîÀÇ ¾Ë°í¸®Áò ¶óÀ̺귯¸® ¿¬°è

¸ñÂ÷

Chapter 1 ÆÄÀ̽ã°ú ³ÑÆÄÀÌ ¸ðµâ Â÷ÀÌÁ¡ ¾Ë¾Æº¸±â
¹è¿­(Array) ±¸Á¶ ÀÌÇØÇÏ±â  10
³ÑÆÄÀÌ ¸ðµâÀÇ ÇÔ¼ö Æ¯Â¡ 40
¹è¿­ ÇÒ´ç°ú °Ë»ö 57
Chapter 2 ¼±Çü´ë¼ö ±âº» ¾Ë¾Æº¸±â
½ºÄ®¶ó¿Í º¤ÅÍ ¾Ë¾Æº¸±â 68
Çà·Ä(Matrix)¾Ë¾Æº¸±â 83
Çà·Ä(Matrix)Á¾·ù ¾Ë¾Æº¸±â 100
Chapter 3 ´ÙÂ÷¿ø ¹è¿­ÀÇ °Ë»ö
¹è¿­ÀÇ ÀϹݠ°Ë»ö  124
³í¸®½Ä °Ë»ö(logical indexing) 132
Æҽð˻ö(fancy indexing) 139
¸Þ¼Òµå³ª ÇÔ¼ö·Î °Ë»öÇϱâ 155
Chapter 4 ´ÙÂ÷¿ø ¹è¿­ÀÇ ¿¬»ê
»ê¼ú ¿¬»ê 164
ºê·Îµåij½ºÆàÀÌÇØÇϱâ 177
Çà·ÄÀÇ ¿¬»ê 193
Çà·Ä½Ä(determinant), ¿ªÇà·Ä(Inverse Matrix) Ã³¸®ÇÏ±â  209
Tensordot ¿¬»ê È®ÀÎÇϱâ 223
einsum ¿¬»ê È®ÀÎÇϱâ 233
Chapter 5 ´ÙÂ÷¿ø ¹è¿­ÀÇ ±¸Á¶ º¯°æÇϱâ
º¯°æ ¹× °áÇÕ ÁÖ¿ä ÇÔ¼ö 248
³»ºÎ Á¶ÀÛ ÇÔ¼ö 281
¹è¿­ÀÇ padding Ã³¸® 296
Chapter 6 ³ÑÆÄÀÌ ¸ðµâÀÇ ÀÚ·áÇü ÀÌÇØÇϱâ
dtypeÀ¸·Î ÀÚ·áÇü °´Ã¼ »ý¼ºÇϱâ 306
³¯Â¥ ÀÚ·áÇü 316
¹®ÀÚ ÀÚ·áÇü 326
Chapter 7 ½Ã°¢È­¿Í ¼öÇРÇÔ¼ö ¾Ë¾Æº¸±â
½Ã°¢È­ ¾Ë¾Æº¸±â 334
±×·¡ÇÁ Á¦¸ñ/·¹À̺í/¹ü·Ê Ã³¸® 346
È°¼ºÈ­ ÇÔ¼ö¸¦ ±×·¡ÇÁ·Î ±×·Á º¸±â 355
Chapter 8 ¼öÇРÇÔ¼ö ¾Ë¾Æº¸±â
»ê¼ú ÇÔ¼ö 368
³í¸® ¹× ºñ±³ ¿¬»ê 375
Áö¼ö¿Í ·Î±× ÇÔ¼ö ÀÌÇØÇϱâ 386
ÁýÇÕ ÀÌÇØÇÏ±â  397
»ï°¢ÇÔ¼ö ÀÌÇØÇϱâ 402
Chapter 9 È®·ü, Åë°è ÇÔ¼ö ¾Ë¾Æº¸±â
È®·üºÐÆ÷ ÇÔ¼ö 412
Åë°è ÇÔ¼ö 421
Chapter 10 ¹æÁ¤½Ä, ¹ÌÀûºÐ, ÇÕ¼º°ö ¾Ë¾Æº¸±â
¹æÁ¤½Ä ¾Ë¾Æº¸±â 434
Â÷ºÐ, ¹ÌºÐ°ú ÀûºÐ 445
ÇÕ¼º°ö ¹× ÇÊÅ͸µ ¾Ë¾Æº¸±â 465
Chapter 11 ³ÑÆÄÀ̠Ưȭ ÇÔ¼ö ¾Ë¾Æº¸±â
ÀϹÝÇÔ¼ö¿Í ¶÷´ÙÇÔ¼ö »ç¿ëÇϱâ 484
ÆÄÀϠó¸® 495
Chapter 12 ¼±Çü´ë¼ö ºÐÇØ ¾Ë¾Æº¸±â
LU, QR ºÐÇØ 504
°íÀ¯°ª, Æ¯ÀÌ°ª ºÐÇØ 511
Chapter 13 Èñ¼ÒÇà·Ä(Sparse Matrix) ¾Ë¾Æº¸±â
±×·¡ÇÁ ÀÌ·Ð 522
Èñ¼ÒÇà·Ä(Sparse matrices) 538

ÇÑÁÙ ¼­Æò