![[브오디-74] DNN, CNN, RNN을 활용한 딥러닝 실무](https://www.masocampus.com/wp-content/uploads/2022/12/DNNCNNRNN을-활용한-딥러닝-실무_썸네일_v1.0.jpg)
AI 시대에도 문제 없는 인공지능 전문가 되기! 딥러닝의 심화 과정으로 핵심 인재로 거듭나보세요!
DNN, CNN, RNN?
어려워보이는 전문 용어도 본 강의를 통해 딥러닝의 핵심 알고리즘을 완벽히 정리하여 실제로 활용해보는 딥러닝 실습 과정
- 딥러닝 개발 과정 프로세스의 이해
- DNN, CNN, RNN의 구성 요소와 모델링 원리 이해
- Tensorflow Keras의 다양한 Framework에 대한 이해
- 다양한 딥러닝 실습을 통한 딥러닝 알고리즘 활용 능력
딥러닝 핵심 알고리즘 DNN, CNN, RNN!
다양한 실습으로 이해하고 실제로 활용해보세요!
4차 산업혁명 시대에서는 인공지능 기술이 무엇보다 중요해지고 있습니다.
그래서 많은 기업들 역시 AI 전문가 채용에 적극 나서고 있으며, 앞으로는 많은 직업들이 사라질 거라는 전망도 나오고 있습니다.
물론 인간 고유의 영역이라고 여겨졌던 예술이나 창작 등에서는 AI가 아직까지 두각을 드러내지 못하고 있지만, 점차 대체되는 건 시간 문제일 겁니다.
딥러닝 기술은 IT업계 종사자라면 누구나 해보고 싶은 기술이지만 그만큼 진입장벽이 높아 쉽게 도전하지 못하는게 현실입니다.
때문에 딥러닝 관련 지식을 쌓아두실 수 있도록 저희 마소캠퍼스에서 본 딥러닝 강좌를 누구나 따라오실 수 있도록 설계하였습니다.
이를 위해서는 딥러닝의 새로운 알고리즘들에 대해 배우고 익혀야합니다.
이번 <DNN, CNN, RNN을 활용한 딥러닝 실무> 과정은 파이썬(Python) 언어와 텐서플로우 케라스(Tensorflow Keras) 프레임워크를 기반으로 하는 딥러닝 알고리즘 모델 개발 과정입니다.
앞으로는 더 많은 데이터들로부터 유용한 정보를 추출할 수 있는 기술력 확보가 중요해질 것입니다.
이러한 문제를 해결하기 위해 인공지능(AI) 기반 머신러닝/딥러닝 기술이 등장했으며, 이를 구현하는데 사용되는 주요 모델로는 지도학습 방식의 DNN, 비지도학습 방식의 CNN, 그리고 강화학습 방식의 RNN이 있습니다.
딥러닝의 전반적인 개발 과정을 살펴보고 다양한 알고리즘으로 딥러닝 모델을 개발해보는 학습 과정을 자세히 다루며, 각 모델별 장단점 및 적용 사례 실습을 알아보고, 실제 코드를 입력하며 각 모델간 차이를 확인하고 딥러닝 알고리즘을 활용해보세요!
- 인공지능의 업무 활용을 시도하고 싶은 실무자
- IT업계로 창업/이직/입사 등 커리어를 쌓고 싶은 모든 사람
- 사업에 인공지능을 도입하고 싶은 경영자, 실무자
- 딥러닝 역량을 쌓기 위해 첫 단추부터 제대로 시작하고 싶은 모든 사람
<DNN, CNN, RNN을 활용한 딥러닝 실무> 강의를 듣고 나면,
여러분께서는 다음과 같은 역량을 확보하실 수 있습니다.
- 딥러닝 개발 과정 프로세스의 이해
- DNN, CNN, RNN의 구성 요소와 모델의 원리 이해
- Tensorflow Keras의 다양한 Framework에 대한 이해
- 다양한 딥러닝 실습을 통한 딥러닝 활용 능력
분야에 상관 없이 압도적인 생산성 향상을 가져다 주는 딥러닝!
딥러닝의 핵심 알고리즘에 대한 상세한 설명을 통해 깊이 있는 이론과 실습을 동시에 학습하는 과정!
본 강좌를 통해 현재 가장 HOT한 딥러닝 알고리즘인 DNN, CNN, RNN의 작동 원리를 이해하고 실습을 통해 실제로 딥러닝 모델을 구현할 수 있습니다.
Step 1. DNN, CNN, RNN의 개념과 작동 프로세스 이해하기
딥러닝의 수많은 알고리즘 중 DNN, CNN, RNN이 무엇인지,
어느 상황에서 어떤 알고리즘을 사용하는지에 따라 차원이 다른 퍼포먼스를 보여주기 때문에 각각의 원리를 상세히 살펴보고 파헤쳐 드립니다!
Step 2. 딥러닝 모델링 과정 실습하기
대표적인 딥러닝 알고리즘, 회귀와 분류!
회귀와 분류를 머신러닝보다 훨씬 더 정교하고 정확하게 할 수 있는 DNN, CNN, RNN!
내가 직접 설계한 딥러닝 알고리즘 모델로 다양한 실습을 통해 바로 활용할 수 있는 딥러닝을 써볼 수 있습니다.
Step 3. 디지털 세계에서 발견한 인사이트를 현실 세계로!
딥러닝 알고리즘의 각종 기법을 활용해 모델을 설계하고 훈련한 후 얻어진 인사이트를 실제 업무에 적용한다면,
영업, 개발, 인사까지 방대한 부분의 데이터 기반 의사결정에 혁명적인 발전을 가져올 수 있습니다.
1. 다중선형회귀 모델 설계하기!
2. MNIST 손글씨 모델 평가 결과 시각화!
3. CNN의 구성 요소!
4. CNN으로 모델 실행하기!
5. LSTM을 이용한 뉴스 카테고리 분류하기!
Q. 파이썬 프로그래밍에 대한 선수 지식이 필요한가요?
A. 본 강의 및 이어지는 마소캠퍼스의 딥러닝 강의에는 기초 파이썬 활용 능력이 필요합니다. 파이썬이 익숙하지 않으신 분들께서는 마소캠퍼스의 ‘파이썬 데이터 분석 입문‘및 ‘파이썬 데이터 분석 실무’ 강의를 먼저 수강하시는 것을 추천드립니다.
Q. 강의를 수강하기 위한 요구 사항 또는 필요 조건이 있나요??
A. 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다. 또한 Windows OS 기반으로 실습이 진행되므로, Windows 환경에서의 강의 수강을 추천해드립니다.
Q. 딥러닝에는 고사양 pc가 필요하다 들었는데, 실습에 고사양 pc가 필요한가요?
A. 고사양 환경에서 실행시키시는 것이 좋기는 하나, 본 강의에서는 Anaconda와 Jupyter Notebook을 활용한 가상 환경에서 실습이 진행되므로 일반적인 업무용 PC 수준이면 수강에 어려움이 없으십니다.
-
-
- 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다.
또한 Windows OS 기반으로 실습이 진행되므로, Windows 환경에서의 강의 수강을 추천해드립니다. - 강의 교안 및 실습파일은 <9. 교재 다운로드 센터> 섹션에 존재합니다.
- 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다.
-
“어제보다 성장하겠습니다. 그리고, 어제보다 성장하려는 사람을 돕겠습니다.”
마소캠퍼스의 진심과 소망을 담은 Actionable Content로,
2013년부터 온오프라인으로 함께해 온 누적 강의 1억시간!
이 소중한 경험과 시간은 언제나 마소캠퍼스와 수강생 모두의 성장의 원천입니다.
마소캠퍼스 팀은 우리의 모두의 성장을 위해 두 가지 원칙을 반드시 지킵니다.
1. 배우면 반드시 쓸 수 있는 Actionable Content
2. 참여자의 시간과 수고를 존중하는 Time-Saving Curriculum
마소캠퍼스의 Actionable and Time-Saving Curriculum으로 성장의 길을 함께 걸어나가길 기원합니다.
커리큘럼
| 0. 딥러닝 실무 개요 | |||
| [onc74] DLW001 딥러닝 개발 과정 | FREE | 00:06:29 | |
| [onc74] DLW002 코드로 알아보는 딥러닝 개발 과정 | 00:06:10 | ||
| [onc74] DLW003 딥러닝 알고리즘의 종류 | 00:06:41 | ||
| [onc74] DLW004 데이터 준비를 위한 데이터 전처리 | 00:13:08 | ||
| 1. 다중 분류 예측 | |||
| [onc74] DLW101 다중 분류를 위한 데이터셋 살펴보기 | FREE | 00:07:00 | |
| [onc74] DLW102 다중 분류 예측을 위한 데이터 탐색 | 00:24:48 | ||
| [onc74] DLW103 다중 분류 예측 모델 설계와 실행 | 00:17:36 | ||
| 2. 다중선형회귀 모델 | |||
| [onc74] DLW201 다중선형회귀의 개념과 데이터 표준화 | FREE | 00:05:34 | |
| [onc74] DLW202 다중선형회귀 모델 설계와 예측 | 00:23:32 | ||
| [onc74] DLW203 K-Fold를 이용한 교차 검증 | 00:05:33 | ||
| 3. MNIST 손글씨 인식 | |||
| [onc74] DLW301 예측을 위한 MNIST 손글씨 데이터 살펴보기 | 00:08:40 | ||
| [onc74] DLW302 MNIST 손글씨 데이터 전처리와 모델 정의 | 00:20:47 | ||
| [onc74] DLW303 혼동 행렬과 학습 과정 시각화 | 00:09:00 | ||
| 4. 합성곱신경망(CNN) | |||
| [onc74] DLW401 합성곱신경망(CNN)의 개요 | FREE | 00:15:33 | |
| 5. 합성곱신경망(CNN)의 구성요소와 연산 | |||
| [onc74] DLW501 스트라이드, 필터와 CNN의 연산 과정 | 00:11:55 | ||
| [onc74] DLW502 연산을 위한 풀링과 드롭아웃 | 00:14:52 | ||
| 6. 합성곱신경망(CNN)을 이용한 MNIST 손글씨 인식 | |||
| [onc74] DLW601 EarlyStopping 콜백 | 00:04:23 | ||
| [onc74] DLW602 CNN을 이용한 MNIST 손글씨 인식 | 00:14:36 | ||
| [onc74] DLW603 MNIST 손글씨 모델 평가와 시각화 | 00:03:37 | ||
| [onc74] DLW604 내가 만든 모델 저장하기 | 00:07:43 | ||
| 7. 순환신경망(RNN) | |||
| [onc74] DLW701 순환신경망(RNN)의 특징 | 00:07:53 | ||
| [onc74] DLW702 IMDB 데이터셋을 활용한 RNN 실습 | 00:19:56 | ||
| 8. LSTM | |||
| [onc74] DLW801 LSTM의 원리와 특징 | 00:03:33 | ||
| [onc74] DLW802 LSTM을 이용한 뉴스 카테고리 분류 | 00:13:44 | ||
| 9. 교재 다운로드 센터 | |||
| [onc74] DLW901 교재 다운로드 센터 | 00:00:00 | ||
| 10. 사후 만족도 평가 | |||
| [onc74] DLW1001_사후 만족도 조사 | 00:00:00 | ||
449040 등록 수강생
