구현하며 이해하는 이미지 생성모델 - CNN 기초부터 Diffusion까지

본 강의에서는 포토 모자익을 생성하는 전체 과정을 알고리즘 관점에서 살펴봅니다. 입력 이미지를 K-means 클러스터링을 통해 타일 개수에 맞는 대표 색상 집합으로 축소한 뒤, 헝가리안 알고리즘을 적용하여 각 색상과 타일을 1:1로 최적 매칭합니다. 이를 통해 이미지 처리와 조합 최적화 알고리즘이 결합되어 하나의 시각적 결과물을 만들어내는 과정을 이해합니다

파이썬 + xlwings 업무자동화 강의 요약 1. 기본편: Excel 제어 기초 셀 다루기 / 서식 적용 / 이미지 & 차트 삽입 2. 응용편 : 자동화 시나리오 자동메일 발송 / 보고서 요약 자동화(LLM) / 이미지 분류하여 작업(Teachable Machine)

엑셀로 딥러닝 기초를 구현하며 그 의미를 깊게 이해하기!

엑셀로 딥러닝의 원리를 눈으로 보면서 익혀보겠습니다.

이 강의가 특별한 이유: 핵심 장점 • 직관적인 시각화: Pygame 2D 시뮬레이션으로 알고리즘 동작을 실시간으로 직접 확인 • 실제 구현 경험: 이론을 넘어 직접 코딩하며 자율 주행 알고리즘 체득 • 핵심 알고리즘 마스터: 다익스트라, 퓨어 퍼슈트, ICP 등 필수 알고리즘 집중 학습 • 단계별 심화 학습: 기초부터 SLAM까지 체계적인 난이도 구성 • Lidar 기반 SLAM: 미지 환경에서의 맵 구축 및 위치 추정 실습

딥러닝은 복잡한 함수의 조합으로 이루어진 신경망을 통해 데이터를 학습하는 기술입니다. 이 강의에서는 딥러닝의 핵심 개념을 수학적으로 이해하고, 이를 행렬 연산 관점에서 분석해봅니다. 특히 Python의 NumPy 라이브러리를 활용하여, 딥러닝의 순전파와 역전파 과정을 직접 구현해보며 파라미터가 어떻게 업데이트되는지 시각적으로 살펴봅니다. 복잡해 보이던 신경망 구조도 행렬 연산으로 풀어내면 명확해집니다. 이 강의는 코딩보다 개념 이해에 중점을 두고, 딥러닝의 원리를 수학적으로 직관적으로 익히고자 하는 학생들에게 적합합니다.

엑셀로 딥러닝 기초를 구현하며 그 의미를 깊게 이해하기! 이미지 데이터를 어떻게 처리하는지 학습!

엑셀로 딥러닝 프레임워크를 직접 구현해보자! 구현한 프레임워크로 지도학습/ 비지도학습/강화학습을 풀어보자!

엑셀로 딥러닝 기초를 구현하며 그 의미를 깊게 이해하기!

Pre-Trained 모델(VGG16) / CAM / Grad-CAM / YOLO / STYLE TRANSFER / PIX2PIX / CYCLEGAN Stable Diffusion 을 직접 구현해 보기

Pre-Trained 모델(VGG16) / CAM / Grad-CAM / YOLO / STYLE TRANSFER / PIX2PIX / CYCLEGAN Stable Diffusion 을 직접 구현해 보기

이 강의는 LDM(Latent Diffusion Model)부터 DiT(Diffusion Transformer)까지, 생성형 AI의 핵심 기술 발전을 완전 해부하는 실전형 마스터클래스입니다. LDM의 잠재 공간 기반 학습 원리와 Stable Diffusion의 구조, 그리고 최신 Diffusion Transformer의 구현 방식을 논문과 코드로 직접 분석합니다. 수강생은 PyTorch 기반으로 LDM, CFG(Classifier-Free Guidance), DiT 모델을 직접 구현하며, 생성 모델의 최신 트렌드와 구조적 진화를 체계적으로 익힙니다.

이 강의는 딥러닝을 활용한 이미지와 객체 인식의 원리를 기초부터 최신 모델까지 단계적으로 배우는 과정입니다. - 기초 다지기: 파이토치(Pytorch)로 텐서와 신경망 기본 구조 이해 - 이미지 이해하기: 컴퓨터 비전의 개념, 이미지 데이터 구조, 증강(Augmentation) 기법 학습 - CNN 모델 학습: 합성곱 신경망(CNN)으로 이미지 분류 실습 (CIFAR-10 등) - 전이 학습(Transfer Learning): 기존 학습된 모델을 활용해 적은 데이터로 빠르게 학습 - 객체 탐지(Object Detection): R-CNN, YOLO, SSD, DETR 등 최신 객체 탐지 모델 이해 및 실습 - 세그멘테이션(Segmentation): U-Net, Mask R-CNN을 통한 픽셀 단위 객체 분할 경험

보스톤 마라톤 빅 데이터를 기반으로 파이썬과 텐서플로2를 이용하여 다양하고 유용한 머신러닝 회귀(Regression)와 분류(Classification) 프로젝트를 이론과 함께 배우는 머신러닝 종합 프로젝트 과정입니다.

현업에서 진짜 쓰이는 OCR 기술, 제대로 배워보고 싶다면 이 강의 하나로 끝! 비정형 문서와 복잡한 레이아웃에서도 98% 이상의 정확도를 목표로, 최신 SOTA 모델과 실전 노하우를 바탕으로 기업 수준의 OCR 프로젝트를 함께 만들어갑니다.

Next.js, YOLOv11, FastAPI를 활용하여 실시간 화재 감지 시스템을 구축하는 방법을 배웁니다.

<머신러닝, 핵심만 빠르게!>(인사이트, 2025)를 바탕으로 머신러닝 이론과 실전 예제를 다루는 강의입니다.

최신 Transformer 기반 PixArt와 경량 적응화 SANA를 이론부터 코드까지 단계별로 구현합니다. I·II편에서 다룬 DDPM·DDIM·LDM·DiT를 바탕으로, 텍스트 인코더 연결, 샘플러(DDIM/ODE), v-예측/CFG 튜닝, 소규모 데이터 스타일 미세튜닝까지 실습 위주로 완주합니다.

본 강의에서는 포토 모자익을 생성하는 전체 과정을 알고리즘 관점에서 살펴봅니다. 입력 이미지를 K-means 클러스터링을 통해 타일 개수에 맞는 대표 색상 집합으로 축소한 뒤, 헝가리안 알고리즘을 적용하여 각 색상과 타일을 1:1로 최적 매칭합니다. 이를 통해 이미지 처리와 조합 최적화 알고리즘이 결합되어 하나의 시각적 결과물을 만들어내는 과정을 이해합니다