설명
| 개강 | 2023년 2월28일(화) 오후 8시 |
| 일정 | 2023/02/28~2023/03/28 매주 화요일 20:00-22:00 (2시간씩 5회) |
| 장소 | Online Live(ZOOM 화상 강의)
강의 시작 전에 이메일로 강의노트 및 연결 URL 전송 |
| 강사 | 한창호, 콴트글로벌 대표 / 경제학박사 |
| 문의 | crm@quantglobal.co.kr, 02.761.8090 |
| 기타 | 실습을 위한 노트북 컴퓨터 지참 필수 |
| 특징 | 수료증 발급, 소스코드 제공
오프라인 과정 핵심을 추려 시간과 비용 절약 |
| 사전교육 1 | Machine Learning 입문 동영상 강의 |
| 사전교육 2 | ANN 입문 동영상 강의(실습부분은 건너뛰고 보세요) |
| 사후교육 | 강의 녹화 동영상 3개월간 제공. 강의 후 2일내 업로드됨 |
수강신청
수강 신청을 먼저 하시고 결제는 개강 확정 이후에 하시면 됩니다.
| 주차 | 내용 |
| 사전강의 | 머신러닝/인공신경두뇌망 동영상강의(각 5시간) 제공 |
| WEEK 1 | ANN(Artificial Neural Networks)/DNN(Deep Neural Networks) 모형 |
| 1) 딥러닝 모형 주요 구성 요소
– Layers , Neurons – Activation function – Optimizer – Error-back propagation 2) 주요 용어들 – Batch, Epoch, Overfitting, Normalization, Dropout, Learning rate, Regularization, Validation 3) 딥러닝 모형의 기본적 용도 – Regression – Classification 4) 실습 예제 1: 차량 종류별 연비 예측 5) 실습 예제 2: 필기체 인식 |
|
| WEEK 2 | CNN(Convolutional Neural Networks) 모형 |
| 1) CNN 모형 주요 구성 요소
– filter, – stride, – pooling 2) CNN모형의 특징과 차별성 – Dense 구조 포기 – Weight sharing 3) 실습 예제: DCNN을 이용한 이미지 식별 |
| WEEK 3 | RNN(Recurrent Neural Networks) 모형 |
| 1) RNN 모형의 주요 구성 요소
– 피드백 구조: Elman Form, Jordan Form – Backpropagation through time(BPTT) 2) RNN 모형의 특징과 차별성 – Vanishing/Exploding gradients – Weight sharing 3) RNN 모형의 약점 개선 – Long short-term memory (LSTM) – Gated recurrent unit (GRU) – Peephole LSTM 4) 변형 구조 – Bidirectional RNNs – Stateful RNNs 5) 실습 예제: Sentiment analysis |
|
| WEEK 4 | Auto Encoder 모형 |
| 1) Auto Encoder 모형 아이디어
2) AE 모형 유형별 특징과 예제 – Vanilla AE: 필기체 복원 – Sparse AE – Denoising AE: 흐린 이미지 복원 – Stacked AE: 잡음 제거 – Variational AE |
|
| WEEK 5 | GANs(Generative Adversarial Networks) 모형 |
| 1) GANs 모형의 아이디어
2) Deep convolutional GANs(DCGAN) 3) 변형 GANs 모형 – SRGAN – CycleGAN – InfoGAN 4) 실습 예제: CycleGAN을 이용하여 동일 사진에 계절 변화 추가 |
|
| 사후강의 | 강의 녹화 동영상 제공 |
<실습 데이터 설명>
- 1주차:
– 실습 1: The UCI repository of machine learning databases (http://www.ics.uci.edu/~mlearn/MLRepository.html)
– 실습 2: MNIST(Modified National Institute of Standard and Technology) dataset
- 2주차: CIFAR-10 dataset (https://www.cs.toronto. edu/~kriz/cifar.html) s
- 3주차: Amazon, IMDB, Yelp에서 추출한 3000 건의 리뷰 자료. 0은 불만족, 1은 만족표시
- 4주차: MNIST (Modified National Institute of Standard and Technology) dataset
- 5주차: https:// tensorflow.org/datasets/catalog/cycle_gan.F
<수업 대상>
- 딥러닝 모형을 실무에 적극 활용하시고 싶은 분: 딥러닝 모형을 업무에 활용하는 과정에서 발생하는 다양한 문제점에 대한 조언 제공
- 딥러닝 관련 학위 논문 작성 중이신 분: 딥러닝 모형 전반에 걸친 조언을 수업시간과 휴식시간을 통해서 해드리고 개인적으로도 적극 도와드리겠습니다.
- 전직 및 이직을 준비 중이신 분: 인공지능, 데이터 사이언스 및 관련 분야에 대한 각종 정보와 전직 및 이직에 대한 조언을 해드리겠습니다.
<ZOOM 설치 안내>
설치 파일 다운로드: 아래 URL에서 회의용 Zoom 클라이언트 다운로드 후 설치
- https://zoom.us/download
<용어 설명>
ANN(Artificial Neural Networks):
인공신경망. 인간의 신경세포 작동 기제를 모방한 머신러닝 모형의 일종. 딥러닝 모형은 ANN 모형에 사용되는 각종 개념들을 빌려와 사용하므로 딥러닝 모형의 시발점으로 인식됨
DNN(Deep Neural Networks):
심층인공신경망. ANN에 다수의 은닉층을 집어넣어 만든 가장 초보적인 딥러닝 모형
CNN(Convolutional Neural Networks)
합성곱신경망. ANN 모형의 Dense 구조를 포기하고 서로 깊은 연관을 지닌 뉴런들만 연결시켜 만든 모형. 이미지 데이터 처리에 뛰어난 성능을 보임
*Dense 구조: 한 층의 뉴런들이 상위층에 존재하는 각각의 뉴런들에게 모두 다 연결되는 구조
RNN(Recurrent Neural Networks)
순환신경망. ANN의 Feed-forward 구조를 포기하고 출력층 또는 은닉층에서 입력층으로 신호를 피드백 시키는 구조. 기억능력을 지녀 언어 데이터 처리에 탁월한 성능을 보임.
*Feed-forward: 입력신호를 은닉층을 거쳐 출력증으로 한 방향으로만 전달하는 구조
Auto Encoder
자동 부호변환 모형. 차원 축소 기법을 이용하여 데이터 간결하게 표현할 수 있는 방법을 찾아내는 모형. 입력데이터 자체가 타켓데이터 역할을 하는 준지도학습 알고리즘을 사용하여 모형을 훈련시킴.
GANs(Generative Adversarial Networks)
적대적 생성 모형. CNN 및 RNN은 모형 훈련에 지도학습 알고리즘인 변형된 오류역전사 알고리즘을 이용하지만 GANs는 비지도학습 알고리즘을 사용함. 서로 다른 두 모형이 경쟁을 통해 데이터 처리 성능을 향상시켜 나감.
상품평
아직 상품평이 없습니다.