AI
Search
주제
과정명 및 교육내용
교육시간
커리큘럼
AI
3일 21시간
가. Object Detection & Segmentation 개요
나. RCNN 계열 Object Detection 알고리즘의 이해와 활용
다. SSD/YOLO Object Detection 알고리즘의 이해와 활용
라. RetinaNet 과 EfficientDet 알고리즘의 이해와 활용
마. Object Segmentation 알고리즘의 이해와 활용
바. 고성능 Vision Framework 활용 Detection & Segmentation 기능 구현
AI
3일 24시간
가. Generative Models 개요
나. AE/VAE 구조의 이해와 기능 구현
다. GAN 알고리즘의 이해와 기능 구현
라. DCGAN & CGAN 알고리즘 이해와 기능 구현
마. GAN 모델 구현 실전 팁
바. 고성능 GAN 모델 알고리즘 이해와 기능 구현(SGAN,ProGAN,Pix2Pix,CycleGAN,StyleGAN 등)
AI
2일 15시간
가. CNN 기본 아키텍처와 핵심 기술 이해
나. CNN Best Model 아키텍처 분석과 활용
- AlexNet, VGG, GoogLenet(Inception)
- ResNet, SENet, EfficientNet 등
다. Transfer Learning & Fine Tuning
- CNN Best 모델 활용 Transfer Learning 구현사례 분석
- CNN Best 모델 활용 Fine Tuning 실습
AI
3일 21시간
1일차
가. 비지도 학습 모델 구현
- 군집을 사용한 이미지 분할 구현
- 군집을 사용한 준지도 학습 구현
- 비지도학습 모델을 사용한 이상치 탐지
2일차
나. 심층 신경망 성능 향상을 위한 훈련 기법
- Gradient Vanishing & Exploding 문제 해결하기
- 사전 훈련된 층 사용하기
- 고속 Optimizer 사용하기
- 규제를 사용한 Overfitting 피하기
다. Tensorflow2를 사용한 사용자 정의 모델 구현
- 사용자 정의 Loss Function
- 사용자 정의 요소를 가진 모델 저장 및 로드
- 활성화 함수, 초기화, 규제, 제한 커스터마이징
- 사용자 정의 Metrics, Layers, Models, Trainings
3일차
라. Tensorflow2에서 고급 API 사용
- Sequential API를 이용한 CNN 모델
- Functional API를 이용한 비선형 토폴로지, 공유 레이어 모델
- Subclassing API를 이용한 전문가용 훈련 Loop 작성
마. CNN & RNN 응용 딥러닝 모델 구현
- 전이학습을 활용한 deep CNN 모델 작성
- Autoencoder 모델 작성
- RNN과 autoencoder 모델을 이용한 이상치 탐지
AI
3일 21시간
1일차
가. 강화학습 기초
- 실습 환경 구축하기
- 강화학습 개념 이해하기
- MDP (Markov Decision Process) 이해하기
- 벨만(Bellman) 방정식 이해하기
나. Dynamic 프로그래밍과 강화 학습
- Grid World와 Dynamic Programming 구현하기
- Dynamic Programming 1 - 정책 이터레이션 구현하기
- Dynamic Programming 2 - 가치 이터레이션 구현하기
2일차
다. 강화학습 알고리즘 살사와 큐러닝
- 몬테 카를로 예측과 시간차 예측 이해 및 구현하기
- 강화 학습 알고리즘 살사 (SARSA) 이해 및 구현하기
- 강화 학습 알고리즘 큐러닝 (Q-Laerning) 이해 및 구현하기
라. 인공신경망을 결합한 딥강화학습 구현
- Value Function Approximation 이해하기
- 인공신경망을 결합한 강화학습 Deep Q-Networks 구현하기
- 인공신경망을 결합한 강화학습 Policy Gradient 구현하기
3일차
마. 딥강화학습 DQN 구현
- 딥강화학습 DQN 구현 1 - 카트폴 구현하기
- 딥강화학습 DQN 구현 2 - 아타리 게임 구현하기
바. 딥강화학습 Actor-Critic 구
- 딥강화학습 Actor-Critic(A2C) 구현 1 - 카트폴 구현하기
- 딥강화학습 Actor-Critic(A3C) 구현 2 - 아타리 게임 구현하기
AI
3일 21시간
1일차
가. 머신러닝과 딥러닝의 동작 원리
- AI 문제 해결 기술
- 머신 러닝 개요와 프로젝트 프로세스 파악하기
- Linear Regression 학습 모델의 동작 이해하기
- Optimization과 경사하강법의 원리 이해하기
- Logistic Regression 학습 모델의 동작 이해
- 소프트맥스(Softmax)의 동작 이해하기
나. 머신러닝 학습 모델의 이해와 활용
- 머신러닝 지도 학습 모델의 이해와 활용
- 머신러닝 고성능&앙상블 모델의 이해와 활용
- 머신러닝 비지도 학습 모델이해와 응용구현
- 머신러닝 모델 성능 평가지표의 이해와 활용
2일차
나. 머신러닝 학습 모델의 이해와 활용
- 머신러닝 비지도 학습 모델이해와 응용구현
- 머신러닝 모델 성능 평가지표의 이해와 활용
다. 딥러닝 구현 방법과 활용
- 딥러닝 프레임워크의 종류 파악하기
- Tensorflow를 이용한 머신러닝/딥러닝 구현하기
- 딥 러닝 개요와 구현 방법의 이해하기
- 딥러닝 핵심 모델(CNN, RNN, GAN) 이해하기
3일차
라. 딥러닝 Back Propagation의 동작 이해
- 계산 그래프와 연쇄 법칙 (Chain Rule) 이해하기
- 역전파 (Back Propagation)의 동작 원리 파악하기
마. 딥러닝(신경망) 학습의 핵심 요소
- 데이터 전처리 (Data Preprocessing) 방법 이해와 코드 분석
- 가중치 초기화 (Weight Initialization) 알고리즘 이해와 코드 분석
- 활성화 함수 (Activation Functions) 기능 이해와 코드 분석
- 최적화 알고리즘 (Optimization Algorithms) 이해와 코드 분석
- Generalization & Regularization 방법 이해와 코드 분석
- Hyperparameter 최적화 (Optimization) 방법 이해와 코드 분석
AI
3일 21시간
가. 주식 시장 분석
나. 시계열 데이터 처리 방법
다. 선물, 옵션 개념 및 시각화
라. RISK 측정 및 시각화
마. 포트폴리오 최적화
AI
3일 21시간
가. 이상 거래 검출 접근 방법
나. 편향된 데이터 sampling 방법
다. 이상 거래 검출 기법
다. Deep Learning을 활용한 이상 거래 검출
AI
4일 28시간
가. 전통적 자연어 처리 접근 방법
나. 딥러닝을 활용한 자연어 처리 방법
다. 단어 임베딩
라. Transformers 모델 이해
마. GPT-3등 초거대 생성 모델 이해
AI
3일 21시간
가. Content based filtering
나. Collaborative filtering
다. Deep Learning을 이용한 Matrix Factorization
라. 현대적 Hybrid 추천 시스템 소개
AI
1일 8시간
1. 이상탐지 개념 및 필요성
2. 이상탐지 연구 동향
3. AI 모델 기반 이상탐지 적용 사례
4. 머신러닝 모델 기반 이상탐지 개념 및 실습
5. 딥러닝 모델 기반 이상탐지 개념 및 실습
COUNT16
