티스토리 뷰
http://www.deeplearningbook.org/contents/intro.html
1.1 Who Should Read This Book?
This book can be useful for a variety of readers, but we wrote it with two target audiences in mind.
이 책은 다양한 독자들에게 유용할 수 있지만, 우리는 두 청자를 타겟으로 잡고 기술하였습니다.
One of these target audiences is university students (undergraduate or graduate) learning about machine learning, including those who are beginning a career in deep learning and artificial intelligence research.
한 종류는 인공지능과 심층 학습(딥러닝) 연구 분야에 경력을 시작하는 사람들을 포함하는 기계 학습에 대해 공부하는 대학생들입니다.
The other target audience is software engineers who do not have a machine learning or statistics background but want to rapidly acquire one and begin using deep learning in their product or platform.
다른 타겟은 기계 학습이나 통계 지식을 가지고 있지 않지만 그들의 제품이나 플랫폼에 빠르게 심층 학습을 적용해야 하는 소프트웨어 엔지니어들입니다.
Deep learning has already proved useful in many software disciplines, including computer vision, speech and audio processing, natural language processing, robotics, bioinformatics and chemistry, video games, search engines, online advertising and finance.
심층 학습은 컴퓨터 비전, 음성 그리고 오디오 처리, 자연어 처리, 로봇, 생물학 정보 그리고 화학, 비디오 게임, 검색엔진, 온라인 광고 그리고 경제를 포함하는 많은 소프트웨어 분야에 이미 유용한 것으로 밝혀져 왔습니다.
This book has been organized into three parts to best accommodate a variety of readers.
이 책은 여러 독자들에게 가장 추천할만한 3개의 파트로 구성되어 있습니다.
Part I introduces basic mathematical tools and machine learning concepts.
첫 번째 파트에서는 기본적인 수학 도구(개념)들과 기계 학습의 개념을 소개합니다.
Part II describes the most established deep learning algorithms, which are essentially solved technologies.
두 번째 파트에서는 가장 좋은 것으로 평가 받는 심층 학습 알고리즘들을 소개합니다.
Part III describes more speculative ideas that are widely believed to be important for future research in deep learning.
세 번째 파트는 심층 학습에서 미래 연구를 위해 중요한 것으로 널리 믿어지는 추측에 근거한 아이디어들을 소개합니다.
Reader should feel free to skip parts that are not relevant given their interests or background.
독자는 지식 배경이나 흥미가 없는 부분들은 넘어가도 괜찮습니다.
Readers familiar with linear algebra, probability, and fundamental machine learning concepts can skip part I, for example, while those who just want to implement a working system need not read beyond part II.
선형 대수, 확률 그리고 근본적인 기계 학습 개념에 대해 잘 알고 있는 독자들은 part1을 생략해도 괜찮습니다. 반면에 기계 학습이 되도록 하기만을 원하는 독자(빨리 적용해야하는 사람들)들은 part II를 읽지 않아도 됩니다.
To help choose which chapters to read, figure 1.6 provides a flowchart showing the high-level organization of the book.
읽을 챕터를 선택하는데 돕기 위해서 그림 1.6은 이 책의 구조를 보여줍니다.
Figure 1.6: The high-level organization of the book. An arrow from one chapter to another indicates that the former chapter is prerequisite material for understanding the latter.
이 책의 조직도. 한 챕터로부터 다른 챕터로의 화살포는 이전 챕터가 다음 챕터를 위해하기 위해 필수라는 것을 말합니다.
We do assume that all readers come from a computer science background.
모든 독자들이 컴퓨터과학에 대한 배경 지식이 있을 것이라고 가정합니다.
We assume familiarity with programming, a basic understanding of computational performance issues, complexity theory, introductory level calculus and some of the terminology of graph theory.
그리고 모두가 컴퓨터 성능 이슈에 대한 이해 프로그래밍에 대한 친숙함, 복잡성 이론, 그래프 이론의 몇 가지 전문 용어들, 초보 수준의 미적분학에 대해 알 것이라고 가정합니다.