아이티고

여기를 클릭하면, 샘플강의가 재생됩니다.

강좌코드 : la_P040120

이성용 강사

Python(파이썬)으로 배우는 Deep Learning(딥러닝) 중급 Part.2
담당강사 : 이성용

강의구성	총 12강좌 (강의시간 : 총 )	권장 수강기간	30일
강의형식	동영상	증빙서류	이 강좌의 80% 이상 수강 시 출력이 가능합니다.

과정소개: 오차역전파법의 원리부터 최적화, 과적합 방지까지 딥러닝 핵심 기술을 파이썬으로 밑바닥부터 직접 구현하며 신경망의 동작 원리를 깊이 있게 이해하는 중급 2차 과정입니다.

학습목표: 계산 그래프와 역전파를 숙지하고 레이어와 최적화 기법을 코드로 구현하여, 과적합 방지 및 하이퍼파라미터 튜닝을 통해 완성된 딥러닝 모델을 설계하는 역량을 기릅니다.

교육대상: 딥러닝 기초를 숙지하고 역전파를 이해하고 싶은 분, 프레임워크에 의존하지 않고 딥러닝 엔진을 밑바닥부터 구축하며 실전 실험 설계와 최적화 기법을 적용해보고 싶은 학습자입니다.

차시별 학습목표

01. 수치 미분의 속도 한계를 극복하는 오차역전파법과 계산 그래프, 연쇄 법칙의 개념을 파악한다.

02. 역전파를 파이썬 코드로 구현하고, 기존 수치 미분과 역전파의 계산 속도 및 정확도를 비교한다.

03. 덧셈과 곱셈 연산의 역전파 원리를 파악하고 이를 파이썬 클래스의 단일 레이어로 직접 구현한다.

04. 실제 신경망에 적용되는 ReLU, Sigmoid 함수와 아핀 변환의 역전파 과정을 코드로 구현한다.

05. 신경망의 마지막 출력 단계인 소프트맥스 함수와 교차 엔트로피 오차를 결합하여 역전파를 단순화한다.

06. 개별적으로 구현한 레이어 부품들을 조립하여 모듈화된 2층 신경망 클래스를 완성하고 흐름을 제어한다.

07. 수치 미분과 역전파의 기울기를 상호 비교하여 코드를 검증하고, MNIST 데이터셋으로 실전 학습을 진행한다.

08. 손실 함수의 최솟값을 효율적이고 빠르게 찾기 위해 매개변수(가중치)를 갱신하는 최적화 기법을 학습한다.

09. 가중치 초기값을 무작위나 0으로 설정할 때의 한계를 파악하고, 활성화 값의 고른 분포가 가지는 중요성을 배운다.

10. 활성화 함수 특성에 맞춘 최적의 가중치 초기화 기법과 학습의 안정성을 크게 높이는 배치 정규화를 적용한다.

11. 훈련 데이터에만 과도하게 맞춰지는 과적합 현상을 명확히 이해하고, 이를 방지하기 위한 정규화 기술을 학습한다.

12. 학습률 등 사용자가 직접 설정해야 하는 하이퍼파라미터의 최적값을 도출하기 위한 올바른 실험 환경과 검증 방법을 설계한다.

참고사항: - 수강 기간 중 언제든지 반복 수강이 가능합니다.; - 수강 여부 : 해당 차시의 80%를 수강하면 (회색) 배경으로 표시됩니다.; - 수강 신청 완료 후 수강할 수 있습니다.; - 즐겨찾기 한 강좌는 MY Class에서 확인할 수 있습니다.