한 달만 배워도 텐서플로우 프로그래머 (3기 평일반)
Out of Stock
기간 2017년 4월 11일 ~ 5월 12일
일정 [화, 수, 목] 오후 7시 30분 ~ 10시 30분 (3시간씩 총 36시간)
5월 2일, 3일, 4일, 9일 휴강
준비물 약간의 파이썬 기초지식
장소 위키아카데미 2강의실(강남역 12번출구)
수강인원 20명 선착순
수강료 150만원

품절

상품평

아직 상품평이 없습니다.

“한 달만 배워도 텐서플로우 프로그래머 (3기 평일반)”의 첫 상품평을 남겨주세요

이메일은 공개되지 않습니다. 필수 입력창은 * 로 표시되어 있습니다.

Need Help? Contact Us Leave Feedback

Category: .

Share

강사소개

김종영 강사님

한양대학교 컴퓨터공학과 박사(수료)
강의 경력 위키아카데미 한 달만 배워도 텐서플로우 프로그래머 강의(2016)
인하공업전문대학/컴퓨터정보학과 빅데이터 강의(2016)
동의대학교/지능시스템 강의(2015)
AppCenter/사물인터넷 기반의 모바일 앱 플랫폼 프로그래밍 강의(2014)
수행 프로젝트 (재)부산정보산업진흥원/3D 입체영상제작연구개발 분석 업무 수행(2012-2015)
(주)포스인/미래부 과제 “지능형 진단 서비스 기반 개인 맞춤형 우울증 치료 콘텐츠 및 기기 개발” 수행(2015-2016)
저서 위키북스/시작하세요! 텐서플로우 프로그래밍(2017년 출간예정)

강의소개

구글 텐서플로우의 등장으로 기계학습이 다양한 분야의 문제와 결합하여 적용되고 있습니다. 이러한 문제를 해결하는 첨병에 있는 프로그래머들은 기계학습 분야에 존재하는 진입장벽을 어떻게 뛰어넘을지 고민하고 있을 것으로 생각합니다. 수학, 다양한 라이브러리, 기계학습의 문제 접근 방식 등 여러 가지 생소한 내용이 있을 수 있습니다. 이 강의가 지향하는 첫번째 목표는 초보자가 느끼는 진입장벽을 무너뜨리는 것입니다. 따라서 본강의는 초보자를 대상으로 하는 강의라고 할 수 있습니다만 16일(48시간) 동안의 다양한 주제 및심도 있는 강의를 통해 완성도를 높이고자 합니다. 이론과 실습의 적절한 조합을 통해 여러분이 기계학습의 전문가로 향하는 밑거름을 제공하고자 합니다.

텐서플로로 배우는 머신 러닝 기초의 특징

Tensorflow 데이타 흐름을 알아봅니다

Tensorflow를 데이터의 관점에서 바라봅니다. 이미지, 문장 등의 데이터가 텐서로 어떻게 표현되는지 알아보고 생산자, 소비자는 데이터 큐를 어떻게 활용하여 텐서를 주고받는지도 학습합니다.

Tensorflow 데이타 처리 방법을 알아봅니다

간단한 사칙연산부터 Convolution에 이르기까지 Tensorflow에서 텐서를 어떻게 요리하는지 알아봅니다. 연결하기, 쌓아올리기 등 딥러닝에서 텐서를 사용하는 방법에 대해서도 학습합니다.필요하다면 해당 주제와 연결되어 있는 수학적 내용도 최대한 쉽게 설명을 해 드리겠습니다.

실전에서 사용하는 데이타를 분석해 봅니다

다양한 예제 분석을 통해 다른 사람들은 무엇을 어떻게 했는지 가능하면 많은 사례를 살펴보도록 하겠습니다. 모방은 창조의 어머니라고들 합니다.

수강생을 위한 특전

알고리즘으로 배우는 인공지능, 머신러닝, 딥러닝 입문

시작하세요! 텐서플로 프로그래밍: 단계별로 배우는 머신러닝 기초

커리큘럼

Part I.

기본 수학 지식 및 선형모델을 활용한 기계학습 기초 다지기


Part I 강의를 수강하고 나면 기계학습이 무엇인지 확실히 이해할 수 있을 것입니다. 이를 위해 Part I 강의에서는 지도학습(supervised learning)에서 공통으로 등장하는 핵심 개념인 파라미터 추정, 경사하강법에 의한 손실(Loss) 최소화, 일반화(Regularization), 교차 검증을 비교적 단순한 선형모델에 적용하여 알아봅니다.
Day 01

파이썬 기초, 선형대수 기초, 미분 기초


본 강의는 파이썬 프로그래밍 언어를 사용합니다. 파이썬을 처음 접하는 분이나 파이썬을 배운지 시간이 조금 지난 분을 위해 파이썬을 소개하고, 파이썬 기초를 배워봅니다. 크기(norm), 내적(inner product), 투사(projection) 등 벡터 및 매트릭스 관련 연산에 대해 알아보겠습니다. 배운지 제법 오래된 미분 공식도 다시 살펴봅니다.
기초적인 선형대수 지식은 기계학습 분야에서 필수적입니다. 벡터와 매트릭스의 정의부터 기본적인 선형대수 개념 및 미분/편미분에 대해 알아봅니다. 또한, 많이 사용하거나 중요한 파이썬 언어의 기능에 대해서도 알아봅니다.
Day 02

선형모델, 경사 하강법(Gradient Descent)


Gradient는 무엇이며 왜 중요한지 알아봅니다. 복잡해 보이는 수식이지만 수식은 약속에 불과합니다. Gradient를 이해하면 쉬워지는 개념들이 많습니다. 그만큼 중요한 개념입니다.
선형모델은 단순하지만, 기계학습의 개념을 잡는 데 중요한 역할을 합니다. 여러 가지 예제를 살펴보면서 선형모델을 어떻게 사용하는지 알아보겠습니다. 그래디언트 개념을 확실하게 잡는 것이 기계학습에서 아주 중요합니다. 이를 바탕으로 경사하강법 이론을 배우고, 실습을 진행하겠습니다.
Day 03

경사하강법(배치, 스토캐스틱, 모멘텀, 미니 배치 경사 하강법)


Overfitting(Underfitting) 개념을 배우고 Bias-Variance trade-off와 어떤 연관이 있는지 학습합니다. 또한, 다양한 경사하강법의 적용 방법에 대해 알아봅니다.
쥬피터 환경에서 여러 경사하강법을 실제로 실행해보고 그 차이점에 대해서 알아보겠습니다.
Day 04

일반화(리지(Ridge), 라쏘(Lasso), 일래스틱넷(Elastic Net))


많은 변수를 동원하고 복잡한 함수를 이용한 모델은 주어진 데이터를 잘 표현하는 것 같지만, 과적합(Over-fitting) 문제를 일으킬 수 있습니다. 일반화는 이러한 복잡함에 대해 일종의 규제(Penalty)를 적용하는 방법입니다. 선형모델을 예로 들어 일반화를 적용하는 방법을 알아봅니다. 리지, 라쏘, 일래스틱넷 식을 유도하는 방법에 대해서도 학습합니다.
일반화(regularization) 방법들이 어떻게 유도되는지 알아봅니다. 어떤 개념을 수식으로 이해하면 모델 성능을 개선시키는데 도움이 됩니다. 최대한 이해하기 쉽게 알려드리겠습니다.
Day 05

교차검증(Cross-validation), 로지스틱, 소프트맥스 함수


좋은 모델은 훈련(Training) 데이터 및 테스트 데이터 양쪽에 걸쳐 좋은 결과를 보여줍니다. 교차 검증은 전체 데이터를 나누어 훈련과 테스트를 반복적으로 수행하는 기법으로, 과적합 문제를 해결하고 일반화(Regularization) 과정에서 등장하는 파라미터 값을 추적하는 등의 목적으로 사용합니다. 전체 데이터를 어떻게 나누어서 훈련과 테스트를 수행하는지 알아봅니다. 또한 로지스틱, 소프트맥스 함수 특징, 분류에 사용하는 근거, 우도(likelihood)에 기반을 둔 비용 함수 유도에 대해서도 학습합니다.
다양한 Cross-validation 방법에 대해서 알아봅니다. Scikit-Learn 라이브러리에서 제공하는 함수 사용법을 쥬피터 환경에서 실행해 보겠습니다.
Part II.

예제를 통한 텐서플로우 배우기


일반 프로그래밍 언어를 사용한 코딩과 텐서플로우 코딩의 다른 점 중 하나는 shape이란 개념이 텐서플로우 코딩에 등장한다는 것입니다. 기존 코딩에서 타입을 맞추는 작업이 중요했다면 shape을 맞추는 작업이 의미가 있게 되었고 텐서의 차원이 높은 경우 실수를 일으키는 이유가 되곤 합니다. Part II에서는 텐서를 주제로 텐서플로우 코딩 방법에 대해서 알아봅니다. 또한 Part I에서 배웠던 내용을 뉴럴 네트워크에 적용시키는 과정을 통해 기계학습에 대한 지평선은 더욱 넓어질 것입니다.

Day 06

텐서플로우 기초


계산(computation) 그래프, 변수, 상수, placeholder, 세션, 쓰레드 처리 등의 기본적인 텐서플로우 사용법을 알아봅니다.
텐서플로우 기초 내용에 대해서 알아봅니다. 선형모델에서 배웠던 경사하강법이 텐서플로우에서 어떻게 구현되는지 알아봅니다.
Day 07

텐서 관련 함수


텐서플로우는 다양한 데이터를 다룹니다. 이미지, 소리, 텍스트 등 다양한 형태의 데이터가 어떻게 텐서로 표현되는지 알아봅니다. 또한, 텐서플로우가 제공하는 함수를 사용하여 텐서를 특정한 목적이나 상황에 맞게 변형하는 방법에 대해서도 알아봅니다.
텐서 변형(transformation) 관련 API에 대해 자세히 알아봅니다. 대부분의 코딩 에러는 텐서의 모양을 제대로 지정하지 않았기 때문에 발생합니다.
Day 08

뉴럴네트워크 트레이닝


뉴런을 소개하고 뉴럴네트워크 구조에 대해 알아보며 역전파 알고리즘을 유도해 보겠습니다. 활성화(activatiom) 함수의 특징 및 장단점에 대해서 알아봅니다. 각 노드별 초기화 방법, 많이 사용되는 경사 하강법인 ADAM의 이론적인 내용에 대해서도 알아봅니다. 마지막으로 정규화를 포함한 데이터 전처리 방법에 대해서도 학습합니다.
선형모델에서 배웠던 경사하강법 및 모멘텀 기법이 딥러닝 환경에 맞게 어떻게 발전해 왔는지 알아봅니다. 가장 많이 쓰이는 ADAM 최적화 방법에 대해 자세히 알아보겠습니다.
Day 09

컨볼루셔널 뉴럴 네트워크


컨볼루션 레이어, 풀링(pooling) 레이어 등에 대해 알아보며 전체적인 구조에 대해 알아봅니다. 역전파 알고리즘 유도를 통해 컨볼루션 뉴럴 네트워크의 특징에 대해 알아보겠습니다. AlexNet을 예로 들어 컨볼루션 네트워크를 실제로 텐서플로우로 구현해 보도록 하겠습니다. 디컨볼루션을 이용해 생성모델(generative model)을 이미지 분야에 적용한 DCGAN(Deep Convolutional Generative Adversarial Networks)를 텐서플로우로 구현해 보도록 하겠습니다.
MNIST는 사람이 쓴 0부터 9까지의 숫자를 이미지로 저장해 놓은 데이터베이스입니다. 사람은 거의 100%에 가까운 정확도로 다른 사람이 쓴 숫자를 알아볼 수 있지만, 컴퓨터에게는 그리 쉽지 않은 문제이며, 더욱이 정확도를 99%까지 올리기는 쉽지 않습니다. 컨볼루션 뉴럴 네트워크를 사용해 MNIST 문제를 어느 정도까지 해결할 수 있는지 알아봅니다.
Part III.

텐서플로우를 활용한 딥러닝 방식 문제 해결


앞에서 배운 이론적 배경과 텐서플로우 코딩 지식을 활용하여 몇 가지 딥 모델에 대해 알아보고 직접 구현해 보겠습니다. 이 단계까지 왔다면 딥 모델을 활용하여 각자 보유한 이미지, 텍스트 등의 데이터를 활용한 서비스 개발, 데이터 분석 등을 할 수 있는 기초 체력을 갖추게 될 것입니다. Part III 수강을 마무리하고 나면 기계학습이라는 고기를 스스로 잡을 수 있는 기술을 획득하게 될 것입니다.

Day 10

리커런트 뉴럴 네트워크(RNN, LSTM, GRU)


우리가 매일 접하는 정보나 데이터에는 순서가 있는 것들이 많습니다. 글이나 말이 대표적인 사례입니다. 리커런트 뉴럴 네트워크는 이런 순서가 있는 데이터(=시퀀스)를 대상으로 하는 학습 기법입니다. 딥 뉴럴 네트워크의 고급 활용과 응용은 대부분이 리커런트 뉴럴 네트워크에서 출발한다고 보면 될 정도로 중요한 주제입니다. 전체 강의 중 비중 있게 다룰 내용입니다. 다양한 입력 데이터 종류별로 리커런트 뉴럴 네트워크를 텐서플로우로 어떻게 구현하는지 알아봅니다.
기본 RNN, 동적(dynamic) RNN, 다층(multi-layer) RNN이 텐서플로우에서 어떻게 구현되는지 알아봅니다. 시계열(Time Series) 예측, 시퀀스 생성(generation) MultiRNNCell을 이용한 Deep RNN, Dropout 기법 적용, LSTM에 대해 알아봅니다.
Day 11

Word embedding


우리가 매일 사용하는 단어의 뜻과 문맥을 어떻게 숫자로 표현할 수 있을까? 나아가 단어와 단어의 관계를 수치화할 수 있을까?라는 질문에 대한 답이 단어를 벡터로 표현하는 Word embedding입니다. 뉴럴 네트워크로 구현되는 Word embedding에 대해 자세히 알아보겠습니다. 이 기법이 단어 외의 데이터에 적용된 사례도 살펴보겠습니다.
특정 텍스트 코퍼스(corpus)를 바탕으로 사전 생성, 모델 생성, 모델 트레이닝을 통해 word embedding 실습을 수행합니다. TSNE(t-Distributed Stochastic Neighbor Embedding)이 이론적인 내용에 대해 알아보며 이를 통해 word embedding 모델의 결과를 시각화하는 방법을 알아봅니다. 간단한 기계번역(machine translation)에 대해서도 알아봅니다.
Day 12

Toy Project - 챗봇 제작


이제까지 배운 내용을 종합하여 챗봇을 제작해봅니다.
챗봇을 만드는데 필요한 배경지식 전달을 목적으로 뉴럴 언어모델, RNN encoder+decoder, Attention 모델, 챗봇 제작에 도입되기 시작한 강화학습(Deep Q network),  파이썬 한글처리, 한글 코퍼스 등에 대해 알아보겠습니다.  이를 통해 간단한 챗봇 소스 코드 분석을 수행합니다.

4주, 36시간 과정 150만원