여기를 클릭하면, 샘플강의가 재생됩니다.
강좌코드 : la_P050440
이성용 강사
- - 조선대학교 컴퓨터공학과 졸업
- - 롯데캐논 컴퓨터사업부
- - 에이스정보기술
- - 디지털미디어솔루션
- - 코리아네트웍
- - 아이티고 이러닝 강사
딥러닝 전문가 과정 (Pytorch 초급) Part.3
담당강사 : 이성용
| 강의구성 | 총 9강좌 (강의시간 : 총 ) | 권장 수강기간 | 30일 |
|---|---|---|---|
| 강의형식 | 동영상 | 증빙서류 |
이 강좌의 80% 이상 수강 시 출력이 가능합니다. |
- 과정소개
- -. 파이토치로 선형 모델에서 심층 신경망으로 구조를 확장하는 과정을 다룹니다 -. 이미지 분류 실습을 통해 완전 연결 신경망의 한계와 CNN의 필요성을 학습합니다
- 학습목표
- -. 파이토치 심층 신경망 구축 및 학습 원리를 익힙니다 -. 데이터 전처리와 활성화 함수를 이해하고, 과적합 및 한계를 분석해 최적의 딥러닝 구조를 판별하는 능력을 기릅니다.
- 교육대상
- -. 기초 선형 모델을 넘어 파이토치 심층 신경망을 배우려는 분에게 적합합니다 -. 단순 암기를 지양하고 딥러닝의 핵심 원리와 한계를 깊이 이해하고 싶은 학습자를 위한 과정입니다.
차시별 학습목표
- 01. 단순한 선형 모델의 한계를 벗어나 다층 신경망을 구성하고 활성화 함수의 필요성을 파악한다.
- 02. 파이토치의 표준 모듈인 nn.Module의 역할을 이해하고 파라미터 및 옵티마이저를 연결한다.
- 03. 은닉층과 활성화 함수를 추가하여 복잡한 함수를 표현할 수 있는 신경망 모델을 설계한다.
- 04. 이미지 분류를 위해 CIFAR-10 데이터를 다운로드하고, 신경망이 학습할 수 있는 텐서로 변환한다.
- 05. RGB 채널별 평균 및 표준편차로 정규화하고, 이진 분류를 위한 라벨 변경과 소프트맥스를 구축한다.
- 06. 묶음 단위 배치를 제공하는 데이터 로더를 구성하고, 분류에 적합한 NLLLoss 손실 함수를 설정한다.
- 07. 반복 학습 루프와 검증 절차를 완성하고, GPU 연산을 통해 모델 학습 속도의 향상을 직접 확인한다.
- 08. 신경망을 깊게 쌓을 때 생기는 과적합 현상을 이해하고, 모델 파라미터 수와 GPU 메모리 요구량을 계산한다.
- 09. 이미지를 1차원으로 펴서 학습하는 방식의 한계를 인지하고, CNN(합성곱 신경망)으로 전환해야 하는 이유를 파악한다.
- 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.