우리 같이 입어요! 인프런 후드티 💛
Thumbnail
추석 앵콜 할인 20% 중(D-4)
BEST 데이터 사이언스 인공지능
딥러닝 CNN 완벽 가이드 - Fundamental 편
(5.0)
27개의 수강평 ∙ 519명의 수강생
20% 110,000원 88,000원

월 17,600원

5개월 할부 시
지식공유자 : 권 철민
총 130개 수업˙총 31시간 26분
평생 무제한 수강
수료증 발급 강의
입문 초급 대상 중급이상
폴더에 추가 478 공유
초급자를 위해 준비한
[인공지능] 강의입니다.

딥러닝·CNN 핵심 이론부터 다양한 CNN 모델 구현 방법, 실전 문제를 통한 실무 딥러닝 개발 노하우까지, 딥러닝 CNN 기술 전문가로 거듭나고 싶다면 이 강의와 함께하세요 :)

✍️
이런 걸
배워요!
딥러닝, CNN을 이루는 핵심 기술 요소
Tensorflow, Keras를 구성하는 중요 기반 Framework
CNN 분류 모델의 성능을 향상하는 튜닝 노하우
CNN을 활용한 이미지 분류 구현
다양한 이미지 Augmentation 기법과 이를 활용한 모델 성능 향상 기법
Keras ImageDataGenerator와 Sequence의 상세 메커니즘
딥러닝 CNN을 위한 이미지 데이터 전처리(Preprocessing) 기법
AlexNet, VGGNet, Inception, ResNet 등 핵심 CNN 모델
Xception과 EfficientNet 등의 최신 모델 적용
Pretrained 모델의 미세 조정(Fine Tuning) 학습 이해와 적용
다양한 Learning Rate Scheduler 기법을 활용한 모델 성능 향상 방안
이미지 전처리, 데이터 가공, 모델 생성, 최적 성능 개선, 성능 평가 등 실무 딥러닝 개발 방법

제가 이 강의를 만든 이유 😚

가장 빠르게 발전하는 딥러닝 분야, CNN

딥러닝의 활용 분야중 딥러닝 CNN 기반의 컴퓨터 비전 영역은 가장 급격히 성장하고 있으며, 또한 가장 빠르게 변화하고 있는 분야입니다. 따라서 딥러닝 기반 컴퓨터 비전 분야에서 전문가로 성장하기 위해선 CNN에 대한 실전 구현 능력과 핵심 역량을 갖추는 것이 필수가 되었습니다. 이를 위해 '딥러닝 CNN 완벽 가이드 - Fundamental 편"' 강의를 출시하게 되었습니다. 그리고 보다 Advance한 주제를 담아 '딥러닝 CNN 완벽 가이드 - Advance 편' 을 추후에 출시할 예정입니다.

이번 강의에서 배우는 것

이번에 출시한 '딥러닝 CNN 완벽 가이드 - Fundamental' 편은 딥러닝과 CNN의 핵심 기술 요소에 대한 깊이 있는 이론과 실습부터 CNN 이미지 분류 모델 구축을 위한 다양한 구현 기술과 모델 성능 최적화 방법을 제공해 드립니다. 그리고 많은 실습 예제들을 따라해 보면서 이미지 전처리, 데이터 로딩, tf.keras 프레임웍의 이해, 최신 CNN 모델의 내부 아키텍처 그리고 실전에서 활용될 수 있는 모델 성능 튜닝법등을 체득할 수 있게 도와드려 여러분을 딥러닝 CNN 기술 전문가로 성장시켜 드릴 것입니다.

딥러닝 CNN 강의, 이 강의로 종결.

130강, 30시간의 강의를 통해 CNN 이해에 필요한 모든 내용을 심도 깊게 담았습니다.
아래 배우는 내용과 강의자료 일부를 확인해 보세요.

권 철민, 딥러닝 CNN 완벽 가이드

강의자료를 미리 확인해 보세요 🙂

이 강의의 특징

1. 딥러닝과 CNN을 이루는 핵심 기술 요소에 대한 깊이 있는 이론과 실습

딥러닝과 CNN의 핵심 기반 지식을 깊이 있는 이론과 실습을 통해 여러분의 머리 속에 인스톨시켜 드립니다.

2. Tensorflow.Keras를 구성하는 핵심 Framework 이해

Tensorflow.Keras를 구성하는 핵심 Framework에 대한 상세한 설명과 실습을 통해 보다 유연하고 확장성 높은 강력한 Keras기반 CNN 애플리케이션을 구현할 수 있도록 도와드립니다.

3. 이미지 전처리 부터 CNN 모델 최적 성능 튜닝까지!
이미지 분류 모델 구현의 A-Z를 다양한 실습 예제를 통해 익히며 실전 능력 극대화

딥러닝 기반 컴퓨터 비전 전문가로 성장하기 위해서는 이미지 처리를 위한 기반 기술을 함께 갖추어야 합니다. 이미지 전처리 방법, 이미지 배열과 특성, 이미지 라이브러리 활용법, Albumentations와 같은 전용 툴을 활용한 Augmentation 기법등 딥러닝 이미지 판별 모델 구현을 위한 이미지 처리 기반 기술을 상세하게 설명 드립니다.

다양한 데이터 세트와 난이도 있는 실전 문제를 통해서 자유자재로 CNN 이미지 분류 모델 구현할 수 있는 능력은 물론이고 Augmentation과 Learning Rate 최적화, 그리고 EfficientNet등의 최신 모델을 활용한 이미지 분류 모델의 최적 성능 튜닝 기법을 익힐 수 있습니다. 

4. Modern CNN의 발전에 중요한 기틀이 된 핵심 CNN 모델을 소스 코드 레벨로 상세하게 설명합니다.

CNN을 이미지 분류 모델을 넘어 더욱 확장된 Application에 사용하려면 Modern CNN 모델이 어떻게 발전되어 왔고, 이들을 이루는 핵심 기술이 무엇인지 이해하는 것이 중요합니다. 이를 위해 AlexNet, VGGNet, GoogLeNet(Inception), ResNet등 중요 핵심 CNN 모델의 아키텍처와 특성, 그리고 이들 모델들의 구현을 소스 코드 레벨로 상세히 설명 드립니다.

실습 환경 안내

실습 환경은 Kaggle에서 제공하는 notebook 커널로 수행합니다. Kaggle에 가입 하신 후 Code 메뉴를 선택하시면 Colab과 유사한 Jupyter Notebook 환경을 이용 하실 수 있습니다.


Kaggle Notebook 커널은 GPU P-100 VM을 무료로 제공합니다. 또한 수려한 UI환경과 Kaggle 의 다양한 데이터와도 쉽게 연동되어 매우 편리하게 실습을 진행할 수 있습니다. 실습 코드는 Tensorflow 2.4의 tf.keras 기반으로 작성되었습니다. 보다 자세한 실습 환경 설명은 세션0 의 실습 환경 소개 동영상을 참조해 주세요.

강의 자료와 실습 코드는 '섹션 0: 강의 소개' 와 실습환경 소개의 강의자료와 실습코드 다운로드 받기에서 받으실 수 있습니다.

여러분의 노력이 얼마나 소중한지 알기에.

어떤 분야든 노력 없이는 전문가가 될 수 없습니다. 아니, 노력 없이 전문가가 되었다면 그건 전문가가 아닙니다. 여러분이 딥러닝 분야의 전문가가 되고 싶은 열망을 잘 알기에, 그리고 거기에 쏟는 노력의 소중함을 잘 알기에, 여러분이 딥러닝 공부에 투자하는 조금의 시간이라도 헛된 시간이 되지 않도록 심혈을 기울여 딥러닝 CNN 완벽 가이드 강의를 만들었습니다.

본 강의는 여러분이 딥러닝 전문가로 성장할 수 있는 소중한 디딤돌이 되어 드릴 것입니다. 

 

미리 배우면 도움이 되는 강의 ✨

권철민 지식공유자님의, '머신러닝' 강의 시리즈

인프런이 만난 사람

권철민님의 인터뷰를 만나보세요! | 보러 가기

지식공유자가 알려주는
강의 수강 꿀팁!
🎓
이런 분들께
추천드려요!
딥러닝과 CNN에 대한 기본 역량을 크게 향상시키고 싶은 분
CNN에 대한 확실한 이해가 필요한 분
컴퓨터 비전 분야에서 딥러닝 이미지 분류 모델을 활용하고자 하시는 분
Kaggle이나 데이콘의 이미지 분류 경진대회를 준비하시는 분
기타 딥러닝 학습에 관심이 있으신 분
📚
선수 지식,
필요한가요?
Python 기본 구현 능력과 Numpy, Pandas에 대한 기초 이해가 필요합니다.
머신 러닝에 대한 기초적인 이해도가 있으셔야 합니다. (오버 피팅이나 왜 학습/검증/테스트 데이터 세트가 필요한지 등)

안녕하세요
권 철민 입니다.
권 철민의 썸네일

(전) 엔코아 컨설팅

(전) 한국 오라클

AI 프리랜서 컨설턴트

파이썬 머신러닝 완벽 가이드 저자

커리큘럼 총 130 개 ˙ 31시간 26분의 수업
이 강의는 영상, 수업 노트, 첨부 파일이 제공됩니다. 미리보기를 통해 콘텐츠를 확인해보세요.
섹션 0. 강의 소개 및 실습 환경
섹션 2. 딥러닝 기반 이해 - 오차 역전파, 활성화 함수, 손실 함수, 옵티마이저
심층신경망의 이해와 오차 역전파(Backpropagation) 개요 미리보기 18:27 오차 역전파(Backpropagation)의 이해 - 미분의 연쇄 법칙 미리보기 23:31
합성 함수의 연쇄 결합이 적용된 심층 신경망 06:00
오차 역전파(Backpropagation)의 Gradient 적용 메커니즘 - 01 15:10
오차 역전파(Backpropagation)의 Gradient 적용 메커니즘 - 02 10:13
활성화 함수(Activation Function)의 이해 20:24
Tensorflow Playground에서 딥러닝 모델의 학습 메커니즘 정리해보기 10:02
손실(Loss) 함수의 이해와 크로스 엔트로피(Cross Entropy) 상세 - 01 16:40
손실(Loss) 함수의 이해와 크로스 엔트로피(Cross Entropy) 상세 - 02 16:34
옵티마이저(Optimizer)의 이해 - Momentum, AdaGrad 21:01
옵티마이저(Optimizer)의 이해 - RMSProp, Adam 15:17
섹션 3. Keras Framework
Tensorflow 2.X 와 tf.keras 소개 08:36
이미지 배열의 이해 미리보기 12:29 Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 이미지 데이터 확인 및 사전 데이터 처리 미리보기 12:02
Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 모델 설계 및 학습 수행 20:28
Keras Layer API 개요 04:33
Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 예측 및 성능 평가 11:17
Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 검증 데이터를 활용하여 학습 수행 16:22
Functional API 이용하여 모델 만들기 15:19
Functional API 구조 이해하기 - 01 12:59
Functional API 구조 이해하기 - 02 08:18
Dense Layer로 Fashion MNIST 예측 모델 Live Coding 으로 구현 정리 - 01 23:03
Dense Layer로 Fashion MNIST 예측 모델 Live Coding 으로 구현 정리 - 02 09:06
Keras Callback 개요 05:53
Keras Callback 실습 - ModelCheckpoint, ReduceLROnPlateau, EarlyStopping 19:36
Numpy array와 Tensor 차이, 그리고 fit() 메소드 상세 설명 18:44
섹션 4. CNN의 이해
Dense Layer기반 Image 분류의 문제점 미리보기 12:41
Feature Extractor와 CNN 개요 15:27
컨볼루션(Convolution) 연산 이해 08:48
커널(Kernel)과 피처맵(Feature Map) 16:48
스트라이드(Stride)와 패딩(Padding) 12:13
풀링(Pooling) 08:50
Keras를 이용한 Conv2D와 Pooling 적용 실습 01 15:05
Keras를 이용한 Conv2D와 Pooling 적용 실습 02 10:53
CNN을 이용하여 Fashion MNIST 예측 모델 구현하기 14:41
다채널 입력 데이터의 Convolution 적용 이해 - 01 16:26
다채널 입력 데이터의 Convolution 적용 이해 - 02 11:41
컨볼루션(Convolution) 적용 시 출력 피처맵의 크기 계산 공식 이해 17:17
섹션 5. CNN 모델 구현 및 성능 향상 기본 기법 적용하기
CIFAR10 데이터세트를 이용하여 CNN 모델 구현 실습 - 01 미리보기 12:37
CIFAR10 데이터세트를 이용하여 CNN 모델 구현 실습 - 02 18:50
CIFAR10 데이터세트를 이용하여 CNN 모델 구현 실습 - 03 03:00
가중치 초기화(Weight Initialization)의 이해와 적용 - 01 13:51
가중치 초기화(Weight Initialization)의 이해와 적용 - 02 12:38
배치 정규화(Batch Normalization) 이해와 적용 - 01 13:45
배치 정규화(Batch Normalization) 이해와 적용 - 02 17:22
학습 데이터 Shuffle 적용 유무에 따른 모델 성능 비교 14:04
배치크기 변경에 따른 모델 성능 비교 12:29
학습율(Learning Rate) 동적 변경에 따른 모델 성능 비교 17:12
필터수와 층(Layer) 깊이 변경에 따른 모델 성능 비교 12:11
Global Average Pooling의 이해와 적용 11:12
가중치 규제(Weight Regularization)의 이해와 적용 10:18
섹션 6. 데이터 증강의 이해 - Keras ImageDataGenerator 활용
데이터 증강(Data Augmentation)의 이해 17:01
Keras의 ImageDataGenerator 특징 08:00
ImageDataGenerator로 Augmentation 적용 - 01 미리보기 24:08
ImageDataGenerator로 Augmentation 적용 - 02 19:56
CIFAR10 데이터 셋에 Augmentation 적용 후 모델 성능 비교 - 01 25:44
CIFAR10 데이터 셋에 Augmentation 적용 후 모델 성능 비교 - 02 21:37
섹션 7. 사전 훈련 CNN 모델의 활용과 Keras Generator 메커니즘 이해
사전 훈련 모델(Pretrained Model)의 이해와 전이학습(Transfer Learning) 개요 미리보기 14:58 사전 훈련 모델 VGG16을 이용하여 CIFAR10 학습 모델 구현 후 모델 성능 비교 미리보기 20:53
사전 훈련 모델 Xception을 이용하여 CIFAR10 학습 모델 구현 후 모델 성능 비교 15:53
개와 고양이(Cat and Dog) 이미지 분류 개요 및 파이썬 기반 주요 이미지 라이브러리 소개 06:53
개와 고양이 데이터 세트 구성 확인 및 메타 정보 생성하기 15:57
Keras Generator 기반의 Preprocessing과 Data Loading 메커니즘 이해하기 - 01 14:46
Keras Generator 기반의 Preprocessing과 Data Loading 메커니즘 이해하기 - 02 09:09
flow_from_directory() 이용하여 개와 고양이 판별 모델 학습 및 평가 수행 17:02
flow_from_dataframe() 이용하여 개와 고양이 판별 모델 학습 및 평가 수행 19:40
이미지 픽셀값의 Scaling 방법, tf 스타일? torch 스타일? 14:54
섹션 8. Albumentation을 이용한 Augmentation기법과 Keras Sequence 활용하기
데이터 증강(Augmentation) 전용 패키지인 Albumentations 소개 08:57
Albumentations 사용 해보기(Flip, Shift, Scale, Rotation 등) 23:53
Albumentations 사용 해보기(Crop, Bright, Contrast, HSV 등) 26:43
Albumentations 사용 해보기(Noise, Cutout, CLAHE, Blur, Oneof 등) 14:23
Keras의 Sequence 클래스 이해와 활용 개요 13:41
Keras Sequence기반의 Dataset 직접 구현하기 27:18
Keras Sequence기반의 Dataset 활용하여 Albumentations 적용하고 Xception, MobileNet으로 이미지 분류 수행 - 01 16:36
Keras Sequence기반의 Dataset 활용하여 Albumentations 적용하고 Xception, MobileNet으로 이미지 분류 수행 - 02 17:36
섹션 9. Advanced CNN 모델 파헤치기 - AlexNet, VGGNet, GoogLeNet
역대 주요 CNN 모델들의 경향과 특징 미리보기 12:36
AlexNet의 개요와 구현 코드 이해 13:38
AlextNet 모델로 CIFAR10 학습 및 성능 테스트 17:09
VGGNet의 이해 12:43
VGGNet의 구조 상세 및 구현코드 이해하기 10:55
VGGNet16 모델 직접 구현하기 미리보기 10:35
구현한 VGGNet16 모델로 CIFAR10 학습 및 성능 테스트 05:22
GoogLeNet(Inception) 개요 13:47
1x1 Convolution의 이해 17:12
GoogLeNet(Inception) 구조 상세 13:49
GoogLeNet(Inception) 구조 상세 및 구현 코드 이해 15:41
섹션 10. Advanced CNN 모델 파헤치기 - ResNet 상세와 EfficientNet 개요
ResNet의 이해 - 깊은 신경망의 문제와 identity mapping 09:50
ResNet의 이해 - Residual Block 11:34
ResNet 아키텍처 구조 상세 14:39
ResNet50 모델 직접 구현하기 - 01 21:42
ResNet50 모델 직접 구현하기 - 02 08:40
구현한 ResNet50 모델로 CIFAR10 학습 및 성능 테스트 05:23
EfficientNet의 이해 22:55
EfficientNet 아키텍처 19:20
섹션 11. 사전 훈련 모델의 미세 조정 학습과 다양한 Learning Rate Scheduler의 적용
사전 훈련 모델의 미세 조정(Fine Tuning) 학습 이해 07:41
사전 훈련 모델의 미세 조정(Fine-Tuning) 학습 수행하기 22:20
학습률(Learning Rate)를 동적으로 변경하는 Learning Rate Scheduler 개요 08:16
Keras LearningRateScheduler 콜백 적용하여 학습율 변경하기 15:01
Cosine Decay와 Cosine Decay Restart 기법 이해 11:38
Keras에서 Cosine Decay와 Cosine Decay Restart 적용하기 10:54
Ramp Up and Step Down Decay 이해와 Keras에서 적용하기 15:08
섹션 12. 종합 실습 1 - 120종의 Dog Breed Identification 모델 최적화
Dog Breed Identification 데이터 세트 특징과 모델 최적화 개요 미리보기 11:43
Dog Breed 데이터의 메타 DataFrame 생성 및 이미지 분석, Sequence 기반 Dataset 생성 18:19
Xception 모델 학습, 성능평가 및 예측 후 결과 분석하기 20:55
EfficientNetB0 모델 학습, 성능평가 및 분석 05:48
이미지 분류 모델 최적화 기법 - Augmentation과 Learning Rate 최적화 01 23:24
이미지 분류 모델 최적화 기법 - Augmentation과 Learning Rate 최적화 02 11:48
Pretrained 모델의 Fine-tuning을 통한 모델 최적화 18:04
Config Class 기반으로 함수 변경 후 EfficientNetB1 모델 학습 및 성능 평가 21:03
섹션 13. 종합 실습 2 - 캐글 Plant Pathology(나무잎 병 진단) 경연 대회
Plant Pathology 캐글 경연대회 개요 및 데이터 세트 가공하기 18:09
Augmentation 적용 분석과 Sequence기반 Dataset 생성하기 16:57
Xception 모델 학습 후 Kaggle에 성능 평가 csv 파일 제출하기 12:50
이미지 크기 변경 후 Xception 모델 학습 및 성능 평가 16:11
EfficientNetB3와 B5 모델 학습 및 성능 평가 11:31
EfficientNetB7 모델 학습 및 성능 평가 06:23
강의 게시일 : 2021년 04월 14일 (마지막 업데이트일 : 2021년 04월 17일)
수강평 총 27개
수강생분들이 직접 작성하신 수강평입니다. 수강평을 작성 시 300잎이 적립됩니다.
5.0
27개의 수강평
5점
4점
3점
2점
1점
VIEW 좋아요 순 최신 순 높은 평점 순 낮은 평점 순 평점 순 높은 평점 순 낮은 평점 순
sangjin0202 thumbnail
딥러닝에 대한 개념이 많이 생소했는데 알기 쉽게 설명해주시네요!! 강의가 그만큼 잘하신다는거지~ 무야호~
2021-04-20
싸만코홀릭 thumbnail
주말부터 정주행하면서 잘 듣고 있습니다. 언제나 고퀄 강의 만들어 주셔서 감사합니다.
2021-04-21
율언니 thumbnail
플젝 수행하면서 딥러닝 대강 안다고 생각했는데, 이강의로 그동안 주먹구구로 해왔구나를 느끼고 있습니다. 하루중에 틈날때마다 계속 듣고 있습니다. 도움 많이 되고 있고, 혹 나중에 심화과정 나오면 그 강의도 듣고 싶습니다.
2021-04-26
백승환 thumbnail
CNN분야가 딥러닝을 조금이라도 해봤다고 하면 비교적 처음에 접하는 분야라 안다고 생각하지만, 생각보다 원리를 모르고 가져다 써서 유연한 대처가 어렵네요. 회사에서 필요할 때마다 github를 찾아 헤매든지 원리를 잘 모르고 그때그때 필요한 기능들을 급하게 조합해서 만들곤 합니다. 다른 업무와 병행하면서 하다 보니 tensorflow2.4, keras, kaggle 언젠가는 공부해야지 하면서 미루다가 지난번 강의하신 강의를 수강하면서 진행한 과제에 object detection을 이용해서 로봇 움직임에 성공적으로 적용하며 회사에서는 전문가(?)로 인정을 받았던 기억때문에 CNN도 다시 한번 정리할 겸, 깊이 파보고자 수강중에 있습니다. 수업 시간이 적지 않은데, 나쁘진 않은 것이 소스코드를 상세히 설명해주셔서 전체적으로 스윽~ 훑어보고 따로 표기했다가 나중에 그때그때 필요한 부분만 좀 더 세밀하게 들어봐도 좋을것 같습니다.
2021-04-30
BJ Kim thumbnail
다보진 못했지만 먼저 남기는 수강후기.. [장점] 1. 시작할 때 선수 지식에 대해 잘 정리해주심 2. 강의 이름은 CNN이지만 CNN에 한정되지 않고 딥러닝 기본기(SGD, Backprop등..)를 자세하게 알려주시기 때문에 뒤에 좀 어려운 응용 나와도 이해가능 3. 이미지 전처리도 자세하기 때문에 비전쪽 기본기없으신 분들도 도전가능(권철민 강사님의 비전쪽 강의 듣고오는것도 추천) 4. 단순 CNN 이미지 분류만 있지않고 최근 CNN이 어떻게 발전하고 있는지 또한 상세 설명 5. 강의자료에 이해하기 쉽게 그림이 많음 [아쉬운 점] 1. tf기반 강의이지만, torch도...ㅎㅎ [총평] 5점. 이미지 분야 딥러닝입문하시는분들은 무조건 들으시면 좋고 그냥 딥러닝에 입문하시는 분들도 딥러닝 기본기가 자세히 나와있기 때문에 들어두시면 좋습니다. CNN자체가 솔직히 요즘 이미지에만 쓰이지 않고 NLP나 예측모델링에도 쓰이고 있기 때문에 CNN깊게 이해하시고 활용하기에 좋습니다.
2021-04-19
추석 앵콜 할인 20% 중(D-4)
20% 110,000원 88,000원

월 17,600원

5개월 할부 시
폴더에 추가 478 공유
지식공유자 : 권 철민
총 130개 수업˙총 31시간 26분
평생 무제한 수강
수료증 발급 강의
입문 초급 대상 중급이상
지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강의를
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스