과정상세
파이썬과 오픈소스를 활용한 딥러닝(심화)
교재제공 고급
파이썬과 오픈소스를 활용한 딥러닝(심화)
과정요약
| 학습시간 | 34시간 | 난이도 | 고급 |
|---|---|---|---|
| 교육비 지원 | 고용보험 비환급 | 평가항목 | 출석률 100% |
| 수료기준 | 총점 80점 이상시 수료 | 정원 | 24 명 |
| 교재정보 | |||
과정소개
특히 주요 딥러닝 모델을 좀 더 깊이 알고 연습해 봄이 필요합니다.
※ 2024년부터 과정 커리큘럼이 일부 변경되었으니, 하단 과정목차를 참고해 주세요.
인공지능, 머신러닝, 딥러닝....많이 들어보고 자료도 많이 봐왔지만,
이론 혹은 수학적 개념으로만 알고 있는 부분이 더 많을 것입니다.
탄탄한 개념 정립과 이해는 추후 응용력을 높게 해 줄 것입니다!
본 과정에서는 이러한 기본기를 바탕으로 Tensorflow와 Keras로 딥러닝 모델을 구현해 보도록 합니다.
📝 CNN: CNN의 개념/특징/구조에 대해 어렴풋이 알고 있었다면, 본 과정을 통해서 딥러닝 모형을 활용하여 전이 학습을 통해 다양한 응용 목표를 달성하는 방법을 살펴봅니다.
📝 RNN: RNN을 이해하기 위해 LSTM의 개념에 대해 알고 있었다면, 본 과정을 통해서는 시계열 데이터 예측과 같은 응용 목표를 달성하는 법을 살펴봅니다.
📝 트랜스포머: 어탠션(Attention) 기반 트랜스포머 (Transformer) 신경망의 구성 원리를 살펴보고, 트랜스포머 기반의 BERT와 같은 모형을 활용하여 텍스트 및 영상 데이터에 적용하는 방법을 알아봅니다.
📝 그래프신경망: 소셜 미디어의 관계성 분석 등을 위한 최신의 그래프 신경망을 알아보고 구현합니다.
💻 권장
: 멀티캠퍼스 교육과정 중 『파이썬을 활용한 머신러닝』 『파이썬과 오픈소스를 활용한 딥러닝』
을 수강한 적이 있다.
💻 아래 요소 중 3개 이상을 충족한다.
. Tensorflow, Keras를 경험해 본 적이 있다.
. NumPy 등을 활용한 수치 연산의 기본적인 방법을 이해한다.
. 신경망의 기본 이론을 이해한다.
. 중고등학교 수준의 선형대수, 미적분을 이해한다.
멀티캠퍼스 AI 분야 스테디셀러 총 누적 수강생 2000명 이상! 🎉
『파이썬을 활용한 머신러닝』 『파이썬과 오픈소스를 활용한 딥러닝』의 담당강사가 강의합니다.
💍 이성주 강사
- 現) 코드베이직 대표
- 대기업, 공공기관, 대학교 등 다수의 고객사 대상 인공지능/데이터사이언스 분야 강의
- 연세대학교 컴퓨터과학 박사 수료
- 『임베디드 안드로이드』, 『Android Developer Tools 필수 가이드, 기본편/심화편』, 『SciPy와 NumPy: 데이터/수치 분석을 위한 파이썬 라이브러리』 등 도서 출판
학습목표
- 주요 딥러닝 알고리즘의 확장 과정 및 현재 완성된 모델에 이르기까지 모델의 구현방법 및 특장점들을 알 수 있다.
- 이미지, 텍스트 등 데이터의 형태에 따른 최적의 모델을 구현할 수 있다.
- 최신 논문 및 연구에서 거론되고 있는 이론들을 이해하고 모델 응용방안에 대해 고민할 수 있다.
학습대상
- 딥러닝 성능향상을 위한 모델 활용이 필요한 분
- 딥러닝 개념을 이론적으로만 알고 있어 모델을 직접 구현하고 싶은 분
- 다양한 방법(도서, 교육, 동영상 자료 등)으로 딥러닝 모델을 학습했지만, 여전히 활용방법에 대해 어려움이 있는 분
과정목차 34
-
1 일차
-
환경 설정
- 딥러닝 환경 설정 (GPU 활용)
-
환경 설정
-
딥러닝 프레임워크
- Tensorflow API
- PyTorch API
- Keras
- 순차적 모형
- Keras 함수형 API
- Keras 함수형 API
-
컴퓨터 비전을 위한 딥러닝
- 완전연결과 합성곱 계층 비교
- 합성곱 신경망
- 합성곱 신경망
- 사전 훈련과 전이 학습
- 사전 훈련과 전이 학습
- 사전 훈련 미세조정 (Fine tuning)
- 사전 훈련 미세조정 (Fine tuning)
-
고급 합성곱 설계 패턴
- 이미지 분할
- 이미지 분할
- 잔차 연결 (Residual connection)
- 배치 정규화 (Batch Normalization)
- 깊이별 분리 합성곱 (Separable Convolution)
- 합성곱 시각화
- 합성곱 시각화
-
시계열을 위한 딥러닝
- 시계열 데이터 전처리
- 시계열 데이터 전처리
- 시계열 데이터 전처리
- Recurrent Neural Network
- LSTM 계층
- 고급 RNN 패턴
- BoW 인코딩
-
텍스트를 위한 딥러닝
- N-Gram
- RNN과 트랜스포머
- RNN과 트랜스포머
- 그래프 데이터 시각화 및 분석
-
그래프 표현 학습 이론
그래프 신경망 (GNN; Graph Neural Network)
기본 신경망 구성 및 훈련
그래프 신경망 구성 및 훈련
-
그래프 어텐션 신경망 (GAT;Graph Attention Network) 이론
예시) 데이터셋 적재 및 전처리
멀티헤드 그래프 어탠션 계층
학습 구현
모델 학습과 평가
수강후기 51
-
5김*민
2025.03.14
강사님이 천천히 잘 알려주셔서 좋았습니다. -
5김*진
2025.03.14
강사님이 실습위주로 강의를 진행해 주셔서 딥러닝의 구현방법을 이해하는데 큰 도움이 되었습니다. -
5이*훈
2025.03.14
좋은 교육이고, 다음에 한번더 듣고 싶다. -
5박*호
2025.03.14
딥러닝을 위한 파이썬 활용 방법에 대한 큰 틀을 이해하는 데에 도움이 되었고 실제 활용 예정입니다. -
5하*수
2025.03.14
전반적인 흐름 설명과 이에 해당하는 예시를 통해 많은 도움이 되엇습니다.
파이썬과 오픈소스를 활용한 딥러닝(심화) 관련과정
교재제공
교재제공