한 달만 배워도 텐서플로 프로그래머 (평일반)
Out of Stock
기간 2017년 1월 16일 ~ 2월 24일
일정 [월, 수, 금] 오후 7시 30분 ~ 10시 30분 (3시간씩 총 48시간)
준비물 약간의 파이썬 기초지식
수강인원 20명 선착순
수강료 150만원(마지막 할인! 140만원)

품절

리뷰

아직 리뷰가 없습니다.

“한 달만 배워도 텐서플로 프로그래머 (평일반)” 를 처음으로 리뷰해주세요

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 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.

Scikit-learn으로 기계학습 기초 다지기


파이썬 언어와 기계학습의 기초를 잡아봅니다. 가장 단순한 선형 모델을 예로 들어, 최적화, 일반화, 교차 검증 등의 방법을 사용하여 데이터를 가장 잘 모델링 하는 방법에 대해서 알아봅니다.  최적화(Optimization) 관련된 수학적 내용도 알아보겠습니다. Day 01 _ 파이썬 기초 &선형 모델 Day 02 _ 최적화(이론) Day 03 _ 최적화(실습: 배치, 스토캐스틱, 미니-배치 경사 하강법) Day 04 _ 일반화(Regularization: 리지(Ridge), 라쏘(Lasso), 일래스틱(Elastic Net), Early Stopping) Day 05 _ 로지스틱 모델 Day 06 _ 교차 검증    
Part II.

Tensorflow 배우기


텐서를 특정 작업 또는 모델에 맞게 변형하는 방법과 텐서 입출력이 어떻게 이루어지는지 알아봅니다. 뉴럴 네트워크가 텐서플로우에서 어떻게 구현되는가에서 출발하여 최적화, 일반화 등의 방법 등을 사용하여 뉴럴 네트워크 학습을 효율적으로 진행하는 방법을 알아봅니다. 텐서플로우를 좀 더 손쉽게 사용할 수 있도록 만든 Keras 라이브러리에 대해서도 알아봅니다. Day 07 데이터 파이프라인-1 Day 08 데이터 파이프라인-2 Day 09 뉴럴 네트워크 트레이닝(Vanishing/exploding gradient) Day 10 또 다른 최적화 방법(Momentum, AdaGrad, RMSProp, Adam) Day 11 일반화(Regularization: Early stopping, Dropout) Day 12 Keras 라이브러리  
Part III.

Tensorflow 활용하기


앞에서 배운 이론적 배경과 텐서플로우 코딩 지식을 활용하여 몇 가지 딥 모델에 대해 알아보고 직접 구현해 보도록 합니다. 이 단계까지 왔다면 딥 모델을 활용하여 이미지, 자연어 분야 등의 문제에 대한 답을 찾아 낼 수 있는 기초체력을 갖출 수 있게 될 것 입니다. Day 13 컨볼루셔널 뉴럴 네트워크 Day 14 리커런트 뉴럴 네트워크(RNN, LSTM, GRU) Day 15 Word embedding Day 16 Toy Project - 챗봇 제작    

상세 커리큘럼

Day 01

파이썬 기초 & 선형모델


본 강의는 파이썬 프로그래밍 언어를 사용합니다. 파이썬을 처음 접하는 분이나 파이썬을 배운지 시간이 조금 지난 분을 위해 파이썬을 소개하고, 파이썬 기초를 배워보겠습니다. 선형 모델은 단순하지만, 기계학습의 개념을 잡는 데 중요한 역할을 합니다. 여러 가지 예제를 살펴보면서 선형모델을 어떻게 사용하는지 알아보겠습니다.    
Day 02

최적화(이론)


어떤 함수의 최솟값을 찾는 방법을 알아봅니다. 수학적인 이론도 살펴볼 예정이며, 이는 기계학습 관련 논문이나 API 문서 등을 이해하는 데 많은 도움이 될 것입니다.    
Day 03

최적화(실습: 배치, 스토캐스틱, 미니-배치 경사 하강법)


기계학습에서 전반적으로 많이 사용하는 경사 하강법(Gradient descent)을 중심으로 알아보겠습니다. 경사 하강법은 어두운 밤에 산길을 걷고 있고, 산을 빨리 내려가고 싶을 때에 비유할 수 있습니다. 내리막길을 걷다가 평지나 나와서 산을 다 내려왔다고 생각할 수도 있고, 왔던 길을 여러 번 왔다 갔다 할 수도 있습니다. 선형모델에서 경사 하강법이 비용 함수의 최솟값을 어떻게 찾는지 알아보겠습니다.    
Day 04

일반화(Regularization: 리지(Ridge), 라쏘(Lasso), 일래스틱(Elastic Net), Early Stopping)


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. 선형 모델을 예로 들어 일반화를 적용하는 방법을 알아보겠습니다.    
Day 05

로지스틱/소프트맥스 함수


선형 모델을 통해 기계학습의 기본 개념을 잡았다면, 분류 목적으로 많이 사용하는 로지스틱/소프트맥스 함수에 대해 알아보도록 합니다. 정보이론(Information Theory)에 대한 강의를 통해 크로스 엔트로피(Cross-Entropy) 비용함수에 대해서도 알아봅니다.    
Day 06

교차 검증


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 알아보겠습니다.    
Day 07, 08

데이터 파이프라인-1, 2


텐서플로우는 다양한 데이터를 다루게 됩니다. 이미지, 소리, 텍스트 등 다양한 형태의 데이터가 어떻게 텐서로 표현되는지 알아봅니다. 또한, 텐서플로우가 제공하는 함수를 사용하여 텐서를 어떤 목적이나 상황에 맞게 변형하는 방법에 대해서도 알아봅니다.    
Day 09

뉴럴 네트워크 트레이닝(Vanishing/exploding gradient)


일반적인 뉴럴 네트워크를 소개하고, 복잡한 뉴럴 네트워크에서 생기는 문제를 해결하는 방법을 알아봅니다. 초기화 방법(Xavier & He), 활성화 함수(ReLU, Leaky ReLU, ELU), 배치 정규화 등에 대해 알아보고 이를 텐서플로우로 구현해봅니다.    
Day 10

또 다른 최적화 방법(Momentum, AdaGrad, RMSProp, Adam)


선형모델에서 배운 최적화 방법을 뉴럴 네트워크에서 어떻게 적용하는지 알아봅니다.    
Day 11

일반화(Regularization: Early stopping, Dropout)


선형모델에서 배운 일반화 방법을 뉴럴 네트워크에서 어떻게 적용하는지 알아봅니다.    
Day 12

Keras 라이브러리


텐서플로우의 래퍼 클래스(Wrapper-class)에 해당하는 Keras에 관해 알아봅니다. 텐서플로우의 기능을 조금 더 직관적으로 사용할 수 있다는 장점과 더불어 텐서플로우에는 없는 기능이 추가돼 있습니다.    
Day 13

컨볼루셔널 뉴럴 네트워크


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.    
Day 14

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.    
Day 15

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. Word embedding은 뉴럴 네트워크로 구현되는데 이에 대해 자세히 알아보겠습니다.    
Day 16

프로젝트 - 이미지 질의/응답(Visual Question Answering)


두 사람이 길을 걷고 있는 그림이 있습니다. 컴퓨터에 이 사진에 몇 명의 사람이 있는지 물어봤을 때 2라는 대답을 하게끔 하는 것이 이미지 질의/응답입니다. 강의 13일차와 14일차에서 배운 내용을 바탕으로 컨볼루션 뉴럴 네트워크와 리커런트 뉴럴 네트워크를 조합해 이미지 질의/응답 시스템을 구현하고, 강의 15일차에 배운 기법으로 이미지 질의를 변환한 다음 강의 10일차와 11일차에서 배운 내용을 바탕으로 최종 모델이 어떻게 다듬어지는지 알아보겠습니다.    

150만원 > 마지막 할인! 140만원(2017년 1월 13일까지)