여기를 클릭하면, 샘플강의가 재생됩니다.
강좌코드 : la_P040121
이성용 강사
- - 조선대학교 컴퓨터공학과 졸업
- - 롯데캐논 컴퓨터사업부
- - 에이스정보기술
- - 디지털미디어솔루션
- - 코리아네트웍
- - 아이티고 이러닝 강사
Python(파이썬)으로 배우는 Deep Learning(딥러닝) 중급 Part.3 (完)
담당강사 : 이성용
| 강의구성 | 총 10강좌 (강의시간 : 총 ) | 권장 수강기간 | 30일 |
|---|---|---|---|
| 강의형식 | 동영상 | 증빙서류 |
이 강좌의 80% 이상 수강 시 출력이 가능합니다. |
- 과정소개
- 이미지 인식에 특화된 CNN(합성곱 신경망)의 작동 원리를 파악하고, 파이썬과 넘파이를 활용해 CNN을 밑바닥부터 직접 코드로 구현해보는 딥러닝 중급 과정입니다 .
- 학습목표
- 합성곱, 패딩, 풀링 연산과 im2col 알고리즘을 이해하고, 직접 CNN 모델과 역전파를 구현하여 실제 이미지 판독 네트워크를 완성하는 것입니다 .
- 교육대상
- 파이썬 활용이 가능하며, 완전 연결 신경망과 역전파 등 딥러닝 기초 지식을 숙지하고 있어 CNN의 내부 동작 원리를 깊이 있게 탐구하고 싶은 학습자입니다 .
차시별 학습목표
- 01. CNN의 전체 구조를 파악하고, 공간 정보를 유지하는 합성곱 연산의 기본 원리를 이해한다.
- 02. 패딩과 스트라이드의 개념을 이해하고, 출력 크기 공식을 통해 계층 간 데이터 형상을 계산한다.
- 03. 다채널 데이터 합성곱, 다중 필터 및 배치 사이즈가 포함된 4차원 데이터 구조를 파악한다.
- 04. 맥스 풀링의 공간 압축 원리를 이해하고, 데이터의 미세한 변화에 대응하는 강건성(불변성)을 학습한다.
- 05. 다중 포문 연산의 속도 한계를 극복하기 위해 im2col 함수를 활용한 넘파이 고속 연산 원리를 익힌다.
- 06. 합성곱(Convolution)과 풀링(Pooling) 레이어를 파이썬 클래스로 구현하고 연산을 검증한다.
- 07. 전체 CNN 계층을 결합한 모델을 구축하고, 피클(pickle)을 활용하여 학습 가중치를 저장하는 방법을 배운다.
- 08. CNN 모델로 MNIST 이미지를 직접 학습시키고, 필터 시각화로 이미지 특징 추출의 작동 원리를 확인한다.
- 09. 심층 CNN인 VGGNet의 특징을 파악하고, 케라스 활용 및 이미지 데이터 증식 기법을 적용해본다.
- 10. 파이토치(PyTorch)를 통한 GPU 고속화 원리를 이해하고, 자율주행, GAN 등 최신 AI 응용 사례를 살펴본다.
- 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.