[PyTorch] 쉽고 빠르게 배우는 딥러닝
[PyTorch] 쉽고 빠르게 배우는 딥러닝
수강정보
(3개의 수강평)
89명의 수강생
25% 할인, D-1
61,870원
82,500원
지식공유자 : 코코
37회 수업 · 총 9시간 6분 수업
기간 : 평생 무제한 시청
수료증 : 발급 강의
수강 난이도 : 중급이상

이 강의는

딥러닝의 기본 뼈대인 MLP부터 CNN, RNN까지 쉽고 빠르게 배워봅니다.

이런 걸 배워요

  • Neural network 에 대한 지식
  • 딥러닝에 대한 기본 지식
  • CNN, RNN에 대한 개념
  • Pytorch를 활용하여 딥러닝 모델 디자인 하는법
  • CNN(ResNet)을 이용한 cifar10 이미지 분류 모델 구축
  • RNN을 활용한 영화리뷰 예측 모델 구축
  • Transfer Learning/AutoEncoder/딥러닝 논문리뷰

🙆🏻‍♀ 딥러닝의 기본 뼈대인 MLP부터 CNN, RNN까지 쉽고 빠르게 배워봅니다.🙆🏻‍♂

Pytorch로 쉽고 빠르게 배우는 딥러닝


🗒 강의소개

요즘에 이야기하는 인공지능은 대부분 딥러닝 모델을 활용합니다. 딥러닝의 기초가되는 Neural network는 새로운 알고리즘이 아닙니다. 이전부터 존재해왔던 알고리즘이지만, 학습의 특성상 많이 쓰이지 못했죠. 이 기본 neural network부터 시작해서, 왜 딥러닝이 뜨기 시작했고 딥러닝의 특징이 무엇인지, 더나아가 기본 딥러닝모델로 불리우는 convolution neural network, recurrent neural network에 대해서 학습합니다. 

🌈 Multi Layer Perceptron(MLP)

최초의 인공지능이라 불리우는 perceptron과 perceptron의 한계점, 그리고 이를 극복한 MLP에 대해서 배웁니다.

MLP는 neural network의 기본 구조라고 보시면 됩니다. MLP의 학습 알고리즘을 차근 차근 알려드립니다.

Feed forward와 back propagation에 대해 이야기하고 장점과 단점에 대해 이야기합니다.

🌈 Deep Learning에 대한 정의

딥러닝의 정의가 무엇이고 일반적인 neural network와는 무엇이 다른 것인지에 대해 집중적으로 배웁니다.

NN의 단점인 gradient vanishing/overfitting문제를 완화시킬수 있는 activation function, drop out, Batch normalization에 대해 다룹니다.

나아가 단순히 분류 만 할 수 있는 것이 아니라 새로운 feature에 대해 학습할 수 도 있는 Auto-Encoder에 대해 다룹니다.

🌈 Convolutional Neural Network (CNN)

딥러닝 역사를 보았을때 가장 많이 발전한 모델이 이 CNN모델이 아닐까 싶습니다. 이미지분류로 시작해서 엄청난 발전을 이루어온 CNN모델에 대해 다룹니다. 학습 알고리즘의 특성에 대해 이야기하고 일반적인 NN과의 차이점에 대해 다룹니다. 

더불어 CNN의 성능을 높이기 위한 다양한 아키텍쳐(Resnet, Densenet), initialization, optimizer기법 그리고 transfer learning 대해서도 이야기합니다.

🌈  Recurrent Neural Network (RNN)

텍스트 모델(Language model)의 기초모델인 RNN과 LSTM에 대해 다룹니다. 

🌈  딥러닝의 다양한 분야

딥러닝이 쓰이는 다양한 분야에 대해 이야기합니다.

🌈  읽어볼만한 논문 리뷰

읽어볼만한 쉽고 좋은 논문 몇가지를 리뷰해드립니다!

논문 리뷰는 계속해서 업데이트 될 예정입니다!

- Self-training with Noisy Student improves ImageNet classification

- Understanding deep learning requires rethinking generalization

- ImageNET-Trained CNNS Are Biased Towards Texture

-  Generalisation in humans and deep neural networks

- Universal Perturbation

🙋🏻‍♂️ 강의 관련 예상 질문

Q. 수학적인 지식이 많이 필요한가요?
A. MLP부분에서 조금 필요하긴 합니다만, 없으셔도 전체적인 강의를 들으시는 데에는 지장이 없습니다.

Q. python을 다룰줄 알아야 하나요?
A. 네, python을 어느정도 할 줄 안다는 전제하에 수업을 진행합니다.

Q. 어떤 논문을 리뷰하나요?
A. 딥러닝에 관하여 읽기 쉽고, 기여도가 매우 높은 논문을 주로 리뷰 합니다. 새로운 좋은 논문을 발견할 때 마다 논문 리뷰 영상을 추가할 예정입니다.

실습 지식 공유자 소개

🙆🏻‍♀ Justin

 - 연세대 산업공학과 석사과정

 - DataScience/딥러닝 연구 

 - https://github.com/Justin-A

도움 되는 분들

  • 딥러닝 배우고 싶으신 분
  • NeuralNetwork기초부터 확실히 배우고 싶으신 분

선수 지식

  • python에 대한 기본 지식
  • machine learning에 대한 기본 지식

지식공유자 소개

학부에서는 통계학을 전공하고 현재는 산업공학(인공지능)을 공부하고 있는 박사과정생입니다.

수상

ㆍ 제6회 빅콘테스트 게임유저이탈 알고리즘 개발 / 엔씨소프트상(2018)

ㆍ 제5회 빅콘테스트 대출 연체자 예측 알고리즘개발 / 한국정보통신진흥협회장상(2017)

ㆍ 2016 날씨 빅데이터 콘테스트/ 기상산업 진흥원장상(2016) 

ㆍ 제4회 빅콘테스트 보험사기 예측 알고리즘 개발 / 본선진출(2016)

ㆍ 제3회 빅콘테스트 야구 경기 예측 알고리즘 개발 / 미래창조과학부 장관상(2015)

* blog : https://bluediary8.tistory.com

주로 연구하는 분야는 데이터 사이언스, 강화학습, 딥러닝 입니다.

크롤링과 텍스트마이닝은 현재는 취미로 하고있습니다 :) 

크롤링을 이용해서 인기있는 커뮤니티 글만 수집해서 보여주는 마롱이라는 앱을 개발하였고

전국의 맛집리스트와 블로그를 수집해서 맛집 추천 앱도 만들었었죠 :) (시원하게 말아먹..)

지금은 인공지능을 연구하는 박사과정생입니다.

 

교육과정

모두 펼치기 37 강의 9시간 6분
섹션 0. 오리엔테이션
1 강의 02 : 18
섹션 1. Multi Layer Perceptron
7 강의 79 : 32
최초의 인공지능 Perceptron
16 : 13
신경망의 기본 - Multi Layer Perceptron
12 : 51
MLP feedforward
09 : 14
역전파 알고리즘(MLP backpropagation)
16 : 27
MLP review
12 : 01
Gradient vanishing이란
08 : 12
Universal approximation theorem
04 : 34
섹션 2. Deep Learning
7 강의 99 : 49
딥러닝의 정의
11 : 41
DropOut/ReLu
17 : 43
Batch Normalization
05 : 48
AutoEncoder
16 : 03
실습강의소개
01 : 44
[실습] MLP를 이용한 MNIST숫자 분류 모델 구축
21 : 51
[실습] AutoEnocder를 이용한 feature추출 및 분류 모델 학습
24 : 59
섹션 3. Convolutional Neural Network
12 강의 250 : 13
Convolutional Neural Network (CNN)
21 : 04
Data Augmentation
11 : 45
ResNet/DenseNet
10 : 08
다양한 Initialization/optimizer
10 : 57
Transfer learning
06 : 56
CNN의 활용
05 : 26
[실습] CNN을 이용한 MNIST 숫자 모델 분류 모델 구축
23 : 13
[실습-live coding] Cifar10 이미지 분류 모델 한줄한줄 따라 쳐보기
55 : 15
[실습] CNN 모델의 다양한 customization1
31 : 51
[실습] CNN 모델의 다양한 customization2
31 : 41
[실습] ResNet을 이용한 Cifar10이미지 분류 모델 구축
20 : 08
[실습] TransferLearning
21 : 49
섹션 4. Recurrent Neural Network
3 강의 44 : 07
Recurrent Neural Network
09 : 10
Long-Short Term memory (LSTM)
10 : 27
[실습] RNN을 이용한 영화 리뷰 예측 모델 만들기
24 : 30
섹션 5. 딥러닝의 다양한 분야
1 강의 16 : 29
딥러닝의 다양한 분야
16 : 29
섹션 6. 읽어볼만한 논문 리뷰
5 강의 54 : 04
Self-training with Noisy Student improves ImageNet classification
12 : 54
Understanding deep learning requires rethinking generalization
14 : 02
ImageNET-Trained CNNS Are Biased Towards Texture;
08 : 01
Generalisation in humans and deep neural networks
11 : 07
Universal Perturbation
08 : 00
섹션 7. 강의자료
1 강의
이론 강의자료 pdf

공개 일자

2020년 2월 14일 (마지막 업데이트 일자 : 2020년 2월 19일)

수강 후기

3.0
3개의 수강평
default_profile.png
‍최상훈(원주학부학생/보건과학대학 의료시스템공학) 1달 전
간단명료하네요
image
ds.wook 10일 전
너무 어려워요..ㅠㅠ
default_profile.png
JH S 1달 전
....죄송해요. 저는 돈이 아깝네요..
지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강의들을
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스