AI

주제

과정명(과정명우측 마우스 가져다두고 열기 클릭)

교육시간

커리큘럼

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

딥러닝 생성 모델의 이해와 구현

Open

24시간

가. Generative Models 개요 나. AE(AutoEncoder) 구조의 이해와 기능 구현 다. VAE(Variational AutoEncoder) 구조의 이해와 기능 구현 라. GAN 알고리즘의 이해와 기능 구현 마. CycleGAN 알고리즘 이해와 기능 구현 바. Sketch-RNN 구조와 알고리즘의 이해

Python을 활용한 머신러닝 입문

Open

32시간

가. 머신러닝 기법 개요 - 머신러닝 도구 및 모델의 종류 - 환경 설정 방법 및 도구 활용 방법 소개 - 머신러닝 모델 개요 - Numpy crash - Scikit-learn 주요 기능 - Pandas crash - 시각화 도구 (Matplotli) crash - data normalization 방법 나. 데이터 준비 및 모델 적용 - 머신러닝을 위한 데이터 준비 및 모델 적용 후 성능 검증 - train/test dataset 분할 및 normalization - Linear Regression - 교차검증과 과적합 방지 기법 - Logistic Regression - k-nearest neighbor 모델 구현 - Decision Tree 모델 구현 - 연습문제 및 실습 다. 지도학습 모델 구현 - Scikit-Learn 의 다양한 모델 활용 - SVM 모델 구현 - Ensemble Model 의 원리 설명 - Random Forest 구현 - Confusion Matrix, Precision/Recall 설명 - 모델 성능 시각화 - K-Means Clustering 모델 구현 - PCA 및 차원 감소 시각화 라. 비지도학습 모델 적용 - 언어특성 및 기본 문법 익히기 - Deep Learning 개념 설명 - CNN model overview - 전이학습 개념 - RNN model overview - 단어의 vector 표현 - 언어 모델 개념 - NLP 최신 경향 소개

CNN Best Model 활용과 Transfer Learning

Open

15시간

가. CNN 기본 아키텍처와 핵심 기술 이해 나. CNN Best Model 아키텍처 분석과 활용 다. Transfer Learning & Fine Tuning 기법 이해와 구현

머신러닝&딥러닝 구현 심화 Hands-On with Tensorflow2

Open

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

JavaScript와 Tensorflow.js로 배우는 머신러닝

Open

24시간

가. 딥러닝 개요 - 딥러닝 도구 및 모델의 종류 이해 - 환경 설정 방법 및 도구 활용 방법 소개 - Neural Network 작동 원리 및 딥러닝 모델 개요 - 경사하강법 및 역전파 알고리즘 이해 - 딥러닝 라이브러리 소개 (tensorflow.js, ml5.js) - ensorflow.js core API 설명 - ensorflow.js core API 설명 - 연습문제 및 실습 나. 데이터 준비 및 모델 적용 - 딥러닝을 위한 데이터 준비 및 모델 적용 후 성능 검증 - Activation Function 및 Hyper Parameter 설정 이해 - Neural Network Regression Model 구현 - 신경망 구축을 위한 tensorflow.js layers API 설명 - 딥러닝 Classification Model 구현 - MNIST Dataset을 통한 손글씨 인식 실습 - Hyper-parameter 조정을 통한 모델 성능 개선 - 연습 문제 및 실습 다. 지도학습 모델 구현 - tensorflow.js 의 다양한 모델 활용 - Convolutional N.N 알고리즘 이해 - Image 특성 추출 kernel 작동 원리 이해 - pre-trained model 설명 - Transfer-learning 개념 - MobileNet을 이용한 이미지 분류 실습 - ml5.js를 이용한 전이학습 모델 활용 - 연습문제 및 실습

Python과 Tensorflow를 이용한 강화학습의 이해와 활용

Open

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

자연어처리 기법의 이해와 실습

Open

21시간

가. 개요 - AI시대와 자연어처리 동향 - chatGPT란 무엇인가? - 자연어처리 기초 (형태소분석, 규칙기반 자연어처리) 나. 텍스트의 표현과 유사성 - 문서의 표현, 문서 분류 - 단어의 표현, 워드 임베딩 (Word Embedding) 다. 딥러닝 기반 자연어처리 - CNN(Convolutional Neural Network)과 문서분류 - RNN(Recurrent Neural Network)과 언어모델 라. Pre-trained Language Models - Transformer - BERT (Bidirectional Encoder Representations from Transformers) 마. Large Language Models - GPT - 언어생성 모델의 한계 (Hallucination)