|
|
|
|
|
|
|
Ã¥³»¿ë |
|
ÆÄÀÌÅäÄ¡¸¦ ½ÃÀÛÇϱâ À§ÇÑ ¹Ø°Å¸§!
µö·¯´×Àº ¸¸´ÉÀ̸ç À̹ÌÁö °ü·Ã Task¿¡´Â CNN, ÅؽºÆ® °ü·Ã Task¿¡´Â RNNÀ» »ç¿ëÇÏ¸é µÈ´Ù°í ¸¹Àº »ç¶÷µéÀÌ ¾Ë°í ÀÖ´Ù. µö·¯´×Àº À̹ÌÁö³ª ÅؽºÆ®¿¡ ºñÇØ ³ôÀº ¼º´ÉÀ» Áö´Ï°í ÀÖ´Â °ÍÀº ¸ÂÁö¸¸, Áß¿äÇÑ °ÍÀº ¿Ö µö·¯´×ÀÌ À̹ÌÁö³ª ÅؽºÆ®¿¡ Àß ¸Â´ÂÁö¸¦ ÀÌÇØÇÏ´Â °ÍÀÌ´Ù. µö·¯´×Àº »õ·Î¿î ¸ðµ¨ÀÇ °³³äÀÌ ¾Æ´Ñ, ½Å°æ¸ÁÀÌ ¹ßÀüÇÑ ¸ðµ¨À̹ǷΠÇнÀÇÏ´Â ¾Ë°í¸®ÁòÀÇ Æ¯¼º»ó °úÀûÇÕÀÌ ½ÉÇÏ°Ô ÀϾÙ. ÀÌ Ã¥Àº ÆÄÀ̽ãÀ¸·Î µö·¯´×À» ÀÌÇØÇÏ°íÀÚ ÇÏ´Â »ç¶÷µéÀ» À§ÇØ ±× ºÐ¾ß¸¦ ÁßÁ¡ÀûÀ¸·Î Ä£ÀýÇÏ°Ô ¼³¸íÇÏ°í ÀÖ´Ù. ¼¼ ¸íÀÇ ÀúÀÚ°¡ ÀΰøÁö´ÉÀ» °øºÎÇÏ¸é¼ ±Ã±ÝÇß´ø ºÎºÐÀ» ÀçÁ¤¸³ÇÏ°í, ²À ¾Ë¾Æ¾ß ÇÒ ³»¿ë¸¸ ÁýÁßÀûÀ¸·Î Á¤¸®ÇÏ¿´±â ¶§¹®¿¡ ÀÔ¹®ÀÚ¿¡°Ô ÀûÇÕÇÑ µµ¼ÀÌ´Ù. Æò»ý ÇÁ·Î±×·¡¹ÖÀ» ÇÒ ÀÏÀÌ ¾ø´Ù°í »ý°¢ÇÏ´ø ¡®Äھ˸ø¡¯µéµµ ±× °úÁ¤À» Á÷Á¢ °ÞÀº ÀúÀÚ°¡ ±âÃʺÎÅÍ ¼³¸íÇϱ⠶§¹®¿¡ ¾î¶»°Ô °øºÎÇØ¾ß ÇÏ´ÂÁö¸¦ ¾Ë ¼ö ÀÖÀ» °ÍÀÌ´Ù. |
|
¸ñÂ÷ |
|
Part 01 ÆÄÀÌÅäÄ¡ ±âÃÊ
1. ÆÄÀ̽㠶Ǵ ¾Æ³ªÄÜ´Ù ¼³Ä¡Çϱâ
1.1 ÆÄÀ̽㠰ø½Ä ȨÆäÀÌÁö¿¡¼ ´Ù¿î·ÎµåÇϱâ
1.2 ¾Æ³ªÄÜ´Ù¸¦ ÀÌ¿ëÇØ ÆÄÀ̽㠴ٿî·ÎµåÇϱâ
1.3 °ø½Ä ȨÆäÀÌÁö¿¡¼ ÆÄÀ̽㠼³Ä¡Çϱâ vs. ¾Æ³ªÄÜ´Ù¸¦ ÀÌ¿ëÇØ ÆÄÀ̽㠼³Ä¡Çϱâ
1.4 °¡»ó ȯ°æ ¼³Á¤Çϱâ
1.5 ÁÖÇÇÅÍ ³ëÆ®ºÏ ¼³Ä¡ ¹× ½ÇÇà
2. CUDA, CuDNN ¼³Ä¡Çϱâ
2.1 CPU vs. GPU
2.2 CUDA ¿ªÇÒ ¹× ¼³Ä¡Çϱâ
2.3 CuDNN ¿ªÇÒ ¹× ¼³Ä¡Çϱâ
2.4 Docker¶õ?
3. ÆÄÀÌÅäÄ¡ ¼³Ä¡Çϱâ
4. ¹Ýµå½Ã ¾Ë¾Æ¾ß ÇÏ´Â ÆÄÀÌÅäÄ¡ ½ºÅ³
4.1 ÅÙ¼
4.2 Autograd
Part 02 AI Background
1. ÀΰøÁö´É(µö·¯´×)ÀÇ Á¤ÀÇ¿Í »ç·Ê
1.1 ÀΰøÁö´ÉÀ̶õ?
1.2 ÀΰøÁö´ÉÀÇ »ç·Ê
2. ÆÄÀÌÅäÄ¡
3. ¸Ó½Å·¯´×ÀÇ Á¤ÀÇ¿Í Á¾·ù
3.1 ¸Ó½Å·¯´×À̶õ?
3.2 ¸Ó½Å·¯´×ÀÇ Á¾·ù
3.3 ¸Ó½Å·¯´×ÀÇ ±¸ºÐ
3.4 ÁöµµÇнÀ ¸ðµ¨ÀÇ Á¾·ù
4. °úÀûÇÕ
4.1 ÇнÀÇÒ »ùÇà µ¥ÀÌÅÍ ¼öÀÇ ºÎÁ·
4.2 Ç®°íÀÚ ÇÏ´Â ¹®Á¦¿¡ ºñÇØ º¹ÀâÇÑ ¸ðµ¨À» Àû¿ë
4.3 ÀûÇÕ¼º Æò°¡ ¹× ½ÇÇè ¼³°è(Training, Validation, Test , Cross Validation)
5. Àΰø ½Å°æ¸Á
5.1 ÆÛ¼ÁÆ®·Ð
5.2 ½Å°æ¸Á ¸ðÇüÀÇ ´ÜÁ¡
6. ¼º´É ÁöÇ¥
Part 03 Deep Learning
1. µö·¯´×ÀÇ Á¤ÀÇ
2. µö·¯´×ÀÌ ¹ßÀüÇÏ°Ô µÈ °è±â
3. µö·¯´×ÀÇ Á¾·ù
4. µö·¯´×ÀÇ ¹ßÀüÀ» À̲ö ¾Ë°í¸®Áò
4.1 Dropout
4.2 Activation ÇÔ¼ö
4.3 Batch Normalization
4.4 Initialization
4.5 Optimizer
4.6 AutoEncoder(AE)
4.7 Stacked AutoEncoder
4.8 Denoising AutoEncoder(DAE)
Part 04 ÄÄÇ»ÅÍ ºñÀü
1. Convolutional Neural Network(CNN)
2. CNN°ú MLP
3. Data Augmentation
4. CNN Architecture
5. Transfer Learning
Part 05 ÀÚ¿¬¾î ó¸®
1. Data & Task: ¾î¶² µ¥ÀÌÅÍ°¡ ÀÖÀ»±î?
1.1 °¨Á¤ ºÐ¼®(Sentiment Analysis)
1.2 ¿ä¾à(Summarization)
1.3 ±â°è ¹ø¿ª(Machine Translation)
1.4 Áú¹® ÀÀ´ä(Question Answering)
1.5 ±âŸ(etc.)
2. ¹®ÀÚ¸¦ ¼ýÀڷΠǥÇöÇÏ´Â ¹æ¹ý
2.1 Corpus & Out-of-Vocabulary(OOV)
2.2 Byte Pair Encoding(BPE)
2.3 Word Embedding
3. Models
3.1 Deep Learning Models
3.2 Pre-Trained ModelÀÇ ½Ã´ë - Transformer, BERTÀÇ µîÀå
4. Recap
4.1 ?5-3_model_imdb_glove.ipynb¡¯ Äڵ忡 ´ëÇÑ ¼³¸í
4.2 ?5-5_model_imdb_BERT.ipynb¡¯ Äڵ忡 ´ëÇÑ ¼³¸í
4.3 ¸ðµ¨ ¼º´É ºñ±³
Part 06 Other Topics
1. Generative Adversarial Networks(GAN)
2. °ÈÇнÀ
3. Domain Adaptation
4. Continual Learning
5. Object Detection
6. Segmentation
7. Meta Learning
8. AutoML |
|
|
|
ÀúÀÚ
|
|
ÀÌ°æÅÃ
¼º±Õ°ü´ëÇб³ Åë°èÇаú¸¦ Àü°øÇÏ°í, ºòµ¥ÀÌÅÍ ¿¬ÇÕ ÇÐȸ Åõºò½º¸¦ ¸¸µé¾ú´Ù. ÇöÀç ¿¬¼¼´ëÇб³ »ê¾÷°øÇаú¿¡¼ ¹Ú»ç°úÁ¤À» ¹â°í ÀÖ´Ù. µ¥ÀÌÅÍ ºÐ¼® ¹× ÀΰøÁö´É °ü·Ã ´ëȸ¿¡¼ ´Ù¼öÀÇ ¼ö»óÀ» ÇÏ¿´À¸¸ç µ¥ÀÌÅÍ ºÐ¼®°ú ÀΰøÁö´É Àü ºÐ¾ß¿¡ °ü½ÉÀ» °®°í ¿¬±¸ ÁßÀÌ´Ù. ƯÈ÷ µö·¯´×°ú °ÈÇнÀ¿¡ °ü½ÉÀ» °¡Áö°í ÀÖÀ¸¸ç, ºí·Î±× ¿î¿µ ¹× ´Ù¾çÇÑ °¿¬ È°µ¿ µîÀ» ÁøÇàÇÏ°í ÀÖ´Ù.
|
ÇÑ ÁÙ¾¿ µû¶ó Çغ¸´Â ÆÄÀÌÅäÄ¡ µö·¯´× ÇÁ·ÎÁ§Æ® ¸ðÀ½Áý | ÀÌ°æÅà | ºñÁ¦ÀÌÆÛºí¸¯
ÆÐÅ°Áö ¾øÀÌ R·Î ±¸ÇöÇÏ´Â ½ÉÃþ °ÈÇнÀ | ÀÌ°æÅà | ºñÁ¦ÀÌÆÛºí¸¯
|
|
¹æ¼º¼ö
°í·Á´ëÇб³ ¼öÇб³À°°ú¿Í Åë°èÇÐÀ» Àü°øÇÏ°í Åë°èÇÐ ¼®»ç ÈÄ ÇöÀç ±¹³» ¸Þ½ÅÀú IT ±â¾÷¿¡ ÀçÁ÷ ÁßÀÌ´Ù. Åõºò½º¸¦ ÅëÇØ ÀΰøÁö´É¿¡ °ü½ÉÀ» °¡Áö±â ½ÃÀÛÇÏ¿´´Ù. ȸ»ç¿¡¼ °Ë»ö¾î °ü·Ã ¿¬±¸¿Í °³¹ßÀ» ÁøÇàÇÏ´Ù°¡ À̸¦ È®ÀåÇÑ Ãßõ ¿¬±¸¸¦ ÁøÇàÇÏ°í ÀÖ´Ù. ÀÓº£µù º¤ÅÍ¿¡ ´Ù¾çÇÑ Á¤º¸¸¦ È¿À²ÀûÀ¸·Î ´ãÀ» ¼ö ÀÖ´Â ¹æ¹ý°ú µö·¯´× ¸ðµ¨ÀÇ ¼³¸í·Â¿¡ °ü½ÉÀÌ ¸¹´Ù.
|
|
|
¾È»óÁØ
±¹¹Î´ëÇб³ ºòµ¥ÀÌÅÍ °æ¿µÅë°è¸¦ Àü°øÇÏ°í, ¿¬¼¼´ëÇб³ »ê¾÷°øÇаú¿¡¼ ´ëÇпø °úÁ¤À» ¹â°í ÀÖ´Ù. ÇöÀç´Â µ¥ÀÌÅÍ »çÀ̾𽺠±â¼úÀ» È°¿ëÇÏ¿© ½ÇÁ¦ »ê¾÷¿¡¼ ¹ß»ýµÇ´Â ¹®Á¦µéÀ» ÇØ°áÇÏ´Â ÇÁ·ÎÁ§Æ®µéÀ» ´Ù¾çÇÏ°Ô ¼öÇàÇÏ°í ÀÖ´Ù. ¿¬±¸½Ç¿¡¼´Â ÁÖ·Î ÀÚ¿¬¾î ó¸®¿Í ÀÌ»ó ŽÁö ºÐ¾ß¿¡ ´ëÇØ ¿¬±¸¸¦ ¼öÇàÇÏ°í ÀÖÀ¸¸ç, ºòµ¥ÀÌÅÍ ¿¬ÇÕ µ¿¾Æ¸® Åõºò½º¸¦ ÅëÇØ ÀúÀÚµéÀ» ¾Ë°Ô µÇ¾î °°ÀÌ °øºÎÇϸç Á¤¸®ÇÑ ³»¿ëµéÀ» ¹ÙÅÁÀ¸·Î ÀÌ Ã¥À» ÁýÇÊÇÏ°Ô µÇ¾ú´Ù.
|
|
|
¹æ¼º¼ö, ¾È»óÁØ
|
|
|
|
|
|
|
|
Ãâ°í¾È³» |
|
|
Ãâ°í¶õ ÀÎÅÍÆÄÅ© ¹°·ùâ°í¿¡¼ µµ¼°¡ Æ÷ÀåµÇ¾î ³ª°¡´Â ½ÃÁ¡À» ¸»Çϸç, ½ÇÁ¦ °í°´´Ô²²¼ ¼ö·ÉÇϽô ½Ã°£Àº »óÇ°Áغñ¿Ï·áÇØ Ãâ°íÇÑ ³¯Â¥ + Åùè»ç ¹è¼ÛÀÏÀÔ´Ï´Ù. |
|
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°ÀÇ Àç°í°¡ ÃæÁ·ÇÒ ½Ã¿¡ ÀÏ°ý Ãâ°í¸¦ ÇÕ´Ï´Ù. |
|
ÀϺΠÀç°í¿¡ ´ëÇÑ Ãâ°í°¡ ÇÊ¿äÇÒ ½Ã¿¡´Â ´ã´çÀÚ¿¡°Ô Á÷Á¢ ¿¬¶ôÇϽðųª, °í°´¼¾ÅÍ(°í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ôÁֽñ⠹ٶø´Ï´Ù. |
|
¹è¼Ûºñ ¾È³» |
|
|
ÀÎÅÍÆÄÅ© µµ¼ ´ë·®±¸¸Å´Â ¹è¼Û·á°¡ ¹«·áÀÔ´Ï´Ù. |
|
´Ü, 1°³ÀÇ »óÇ°À» ´Ù¼öÀÇ ¹è¼ÛÁö·Î ÀÏ°ý ¹ß¼Û½Ã¿¡´Â 1°³ÀÇ ¹è¼ÛÁö´ç 2,000¿øÀÇ ¹è¼Ûºñ°¡ ºÎ°úµË´Ï´Ù. |
¾Ë¾ÆµÎ¼¼¿ä! |
|
|
°í°´´Ô²²¼ ÁÖ¹®ÇϽŠµµ¼¶óµµ µµ¸Å»ó ¹× ÃâÆÇ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù. |
|
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù.
(´Ü, Åä/ÀÏ¿äÀÏ Á¦¿Ü) |
|
|
|
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù.
±³È¯/¹ÝÇ°/º¸ÁõÁ¶°Ç ¹× Ç°Áúº¸Áõ ±âÁØÀº ¼ÒºñÀڱ⺻¹ý¿¡ µû¸¥ ¼ÒºñÀÚ ºÐÀï ÇØ°á ±âÁØ¿¡ µû¶ó ÇÇÇظ¦ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
Á¤È®ÇÑ È¯ºÒ ¹æ¹ý ¹× ȯºÒÀÌ Áö¿¬µÉ °æ¿ì 1:1¹®ÀÇ °Ô½ÃÆÇ ¶Ç´Â °í°´¼¾ÅÍ(1577-2555)·Î ¿¬¶ô Áֽñ⠹ٶø´Ï´Ù.
¼ÒºñÀÚ ÇÇÇغ¸»óÀÇ ºÐÀïó¸® µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á±âÁØ(°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ µû¶ó ºñÇØ º¸»ó ¹ÞÀ» ¼ö ÀÖ½À´Ï´Ù.
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
|
|
»óÇ°À» °ø±Þ ¹ÞÀ¸½Å ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ùÀ̳», ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏÀ̳» °¡´ÉÇÕ´Ï´Ù. |
|
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´ÉÇÕ´Ï´Ù.
|
|
|
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
|
|
|
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. (´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü) |
|
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì´Â ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
|
|
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù. |
|
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
|
|
|
|
|