¹Ù·Î°¡±â ¸Þ´º
º»¹® ¹Ù·Î°¡±â
ÁÖ¸Þ´º ¹Ù·Î°¡±â

AI Academy

±³À°°³¿ä
±³À° Ä¿¸®Å§·³°ú °­»ç´Â »çÁ¤¿¡ ÀÇÇØ º¯°æµÉ ¼ö ÀÖ½À´Ï´Ù.
±³À°¸í,¸¦ Æ÷ÇÔÇÑ ±³À°°úÁ¤ Ç¥
±³À°¸í °øÅë Deep Learning 2Â÷
±³À°±â°£ 2019-06-24 ~ 2019-06-26
±³À°½Ã°£ 09:30~17:30(1ÀÏ 7½Ã°£, ÃÑ3ÀÏ 21½Ã°£)
±³À°Àå ¿µ¿ì±Û·Î¹ú·¯´×  Áöµµº¸±â
°­»ç ÇÑ´ëÈñ °­»ç
Á¤¿ø 20¸í
±³À°ºñ 900,000¿ø [VAT º°µµ]


±³À°¼Ò°³
µö·¯´×ÀÇ µ¿ÀÛ¿ø¸®¸¦ ȸ±ÍºÐ¼®À» ÅëÇÑ ¼öÇÐÀû µ¥ÀÌÅͺм®ÀÇ µ¿ÀÛ¿ø¸®¿Í ºñ±³ÇÏ¸ç °æ»çÇϰ­¹ý(gradient descent) ¿ø¸®¸¦ ÅëÇØ ÀÌÇØÇϱ⠽±°Ô ¼³¸íÇÑ´Ù. µö·¯´× ÇÁ·Î±×·¡¹ÖÀ» À§ÇÑ ÃÖ°íÀÇ µµ±¸ÀÎ tensorflow, keras, pytorch ±â¹ÝÀ¸·Î µö·¯´× ÇÁ·Î±×·¡¹ÖÀ» ¹è¿î´Ù. ±×¿Ü µö·¯´× ±â¹ÝÀÇ µ¥ÀÌÅͺм® ¹× ÇÁ·Î±×·¡¹ÖÀ» À§ÇØ ÇÊ¿äÇÑ ÆÄÀÌ½ã ÆÐŰÁöÀÎ numpy, pandas µîµµ ÀÍÈ÷°Ô µÈ´Ù.
±³À°¸ñÇ¥
¡Û µö·¯´×ÀÇ µ¿ÀÛ¿ø¸® ¹× ÃÖÀûÈ­ ¿ø¸®¸¦ Àß ÀÌÇØÇÑ´Ù.
¡Û Çö¾÷ ¹× ¿¬±¸¿¡¼­ ½ÇÁ¦ µ¥ÀÌÅ͸¦ Àüó¸®ÇÒ ¼ö ÀÖ´Ù.
¡Û µö·¯´× ÇÁ·Î±×·¡¹ÖÀ» ÅëÇØ ½ÇÁ¦ ¹®Á¦¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Ù.
¡Û µö·¯´×À» Àû¿ëÇÏ¿© ÃÖÀûÀÇ °á°ú¸¦ µµÃâÇÒ ¼ö ÀÖµµ·Ï ÇÏÀÌÆÛÆÄ¶ó¹ÌÅÍ Æ©´×À» ¼öÇàÇÒ ¼ö ÀÖ´Ù.
±³À°´ë»ó
¡Û µö·¯´× °ü·Ã ½Ç¹«ÇÁ·ÎÁ§Æ®¸¦ ¼öÇàÇÏ´Â °³¹ßÀÚ
¡Û µö·¯´×À» Ȱ¿ëÇϰíÀÚ ÇÏ´Â µ¥ÀÌÅͺм®°¡(»çÀÌ¾ðÆ¼½ºÆ®)
¡Û µö·¯´×À» ÀÌ¿ëÇÑ Á¦Ç°°³¹ßÀ» °èȹÁßÀÎ ±âȹÀÚ, Product Manager
±³À°³»¿ë
¡Ø ±³À° ³»¿ë

¼ø¼­

ÁÖÁ¦

³»¿ë

1ÀÏÂ÷

 ¼öÇÐÀû Á¢±Ù ¹æ¹ý

(ȸ±ÍºÐ¼®, regression analysis)

 

l  Åë°èÀû¹æ¹ýÀ¸·Î Ç®±â - linear  regression : ¼ö½Ä ¼³¸í ¹× python ½Ç½À ¹× ¼³¸í

l  ¼±Çü´ë¼ö(Çà·Ä)ÀÌ¿ëÇÏ¿© Ç®±â - linear algebra

l  Normal Equation vs Gradient Descent

l  ¼öÇÐÅë°èÀû¹æ¹ý vs ¸Ó½Å·¯´×¹æ¹ý

l  ·¦) ¿ù±Þ¿©¿Í Ä«µå»ç¿ë·®ÀÇ °ü°è¸¦ 1Â÷ÇÔ¼ö(1Ç× È¸±ÍºÐ¼®)·Î ¸ðµ¨¸µÇϱâ

l  ·¦) ¿ù±Þ¿©¿Í Ä«µå»ç¿ë·®ÀÇ °ü°è¸¦ ´ÙÇ×ÇÔ¼ö(´ÙÇ× È¸±ÍºÐ¼®)·Î ¸ðµ¨¸µÇϱâ

 °æ»çÇϰ­¹ý(Gradient Descent), µö·¯´×ÀÇ ÇнÀ¿ø¸®

 

l  Gradient DescentÀÇ µ¿ÀÛ¿ø¸®

l  ·¦) ¿ù±Þ¿©¿Í Ä«µå»ç¿ë·®ÀÇ °ü°è¸¦ °æ»çÇϰ­¹ýÀ¸·Î Ç®±â - python code ½Ç½À ¹× ¼³¸í

l  Universal Approximator

l  ÃÖÀûÈ­, Global Optima, Local Optima,

l  OptimizerÀÇ Á¾·ù: Momentum, RMSProp, Adam, ...

l  Convex, Non-Convex

 

l  µö·¯´×ÀÇ ±¸Á¶

l  µö·¯´×ÀÇ ÇнÀ¿ø¸®

l  loss ÇÔ¼ö: MSE

l  optimizer

l  ·¦) Non-linear regression (»ï°¢ÇÔ¼ö)¸¦ µö·¯´×À¸·Î ¸ðµ¨¸µ Çϱâ

2ÀÏÂ÷

 µö·¯´× ÇÁ·Î±×·¡¹Ö: numpy, tensorflow, keras

 

l  ÆÄÀÌ½ã ÆÐŰÁö numpy

l  tensorflow ÇÁ·Î±×·¡¹Ö

l  keras ÇÁ·Î±×·¡¹Ö

 µö·¯´× Ȱ¿ë1:  

Classification (ºÐ·ù) ¹®Á¦

 

l  ·¦) ¼Ò¸®(sound) ºÐ·ù ¹®Á¦: Dog, Car, Child ¼Ò¸®(*.wav ÆÄÀÏ) ±¸ºÐÇϱâtensorflow·Î ±¸ÇöÇϱâ

l  keras·Î ±¸ÇöÇϱâ

l  ¸ðµ¨ÀÇ ÀúÀå, ·Îµù

l  softmax, argmax

l  cross-entropy loss

l  feature extraction

 µö·¯´×ÀÇ ½Ç¹« & ÇÏÀÌÆÛÆÄ¶ó¹ÌÅÍ Æ©´×

(hyper-parameter)

 

l  ÇнÀµ¥ÀÌÅÍ, Validation, Test µ¥ÀÌÅÍ ºÐÇÒ

l  °úÀûÇÕ (over-fitting)

l  Cross Validation

l  ÇÏÀÌÆÛÆÄ¶ó¹ÌÅÍÀÇ Á¾·ù

l  ÇÏÀÌÆÛÆÄ¶ó¹ÌÅÍ Æ©´×ÀÇ Àû¿ë

l  Dropout

l  Batch normalization

l  ·¦) ÇÏÀÌÆÛÆÄ¶ó¹ÌÅÍ Æ©´× µö·¯´× Àû¿ë

3ÀÏÂ÷

 µö·¯´× µ¥ÀÌÅÍ Ã³¸® µµ±¸

 

l  pandas ¸¦ ÀÌ¿ëÇÑ µ¥ÀÌÅÍ Ã³¸®

l  ³¯Â¥ µ¥ÀÌÅÍ Ã³¸®

l  matplotlib - ±âº» ½Ã°¢È­ µµ±¸

l  sns - ½Ã°¢È­ µµ±¸ ¼Ò°³

 µö·¯´× Ȱ¿ë2: Anomaly Detection µ¥ÀÌÅͺм®

 

l  Anomaly DetectionÀ» À§ÇÑ µö·¯´× ±¸¼º ¹æ¹ý

l  keras·Î ±¸ÇöÇϱâ

l  kerasÀÇ callback ÀÌ¿ë ¹æ¹ý

l  confusion matrix °³³ä, ROC curve

·¦) Card Fraud Detection ¹®Á¦¸¦ µö·¯´×À» Ç®±â: kaggle.com ¹®Á¦

 

´Ù¾çÇÑ µö·¯´× ÇÁ·¹ÀÓ¿öÅ© ¼Ò°³

l  tensorflow, keras

l  pytorch

l  Azure ±â¹Ý µö·¯´× ¼Ò°³

l  AWS ±â¹Ý µö·¯´× ¼Ò°³

l  mxnet ¼Ò°³

 

ÇпøÀÇ ¼³¸³¤ý¿î¿µ ¹× °ú¿Ü±³½À¿¡ °üÇÑ ¹ý·ü ½ÃÇà·É¿¡ µû¶ó ´ÙÀ½°ú °°ÀÌ ¼ö°­·á¸¦ ȯºÒÇØµå¸³´Ï´Ù.

  1. ¹Ýȯ±âÇÑ : ¹Ýȯ»çÀ¯°¡ ¹ß»ýÇÑ °æ¿ì ¹Ýȯ±âÁØ¿¡ µû¶ó ¹Ýȯ»çÀ¯ ¹ß»ýÀϷκÎÅÍ 5ÀÏ À̳»¿¡ ±³½ÀºñµîÀ» ȯºÒÇØ µå¸®°Ú½À´Ï´Ù.
  2. ¹Ýȯ±âÁØ
    • 1) ±³½ÀÀ» ÇÒ ¼ö ¾ø°Å³ª ±³½ÀÀå¼Ò¸¦ Á¦°øÇÒ ¼ö ¾ø°Ô µÈ ³¯À» ±âÁØÀ¸·Î ÀÌ¹Ì ³³ºÎÇÑ ±³½ÀºñµîÀ» ÀÏÇÒ °è»êÇÑ ±Ý¾×À» ȯºÒÇØ µå¸®°Ú½À´Ï´Ù.
    • 2) ±³½À±â°£ÀÌ 1°³¿ù À̳»ÀÎ °æ¿ì, ´ÙÀ½°ú °°ÀÌ È¯ºÒÇØ µå¸®°Ú½À´Ï´Ù.
      - ±³½À½ÃÀÛ Àü : ÀÌ¹Ì ³³ºÎÇÑ ±³½ÀºñµîÀÇ Àü¾×
      - ÃÑ ±³½À½Ã°£ 1/3 °æ°ú Àü : ÀÌ¹Ì ³³ºÎÇÑ ±³½ÀºñµîÀÇ 2/3¿¡ ÇØ´çÇÏ´Â ±Ý¾×
      - ÃÑ ±³½À½Ã°£ 1/2 °æ°ú Àü : ÀÌ¹Ì ³³ºÎÇÑ ±³½ÀºñµîÀÇ 1/2¿¡ ÇØ´çÇÏ´Â ±Ý¾×
      - ÃÑ ±³½À½Ã°£ 1/2 °æ°ú ÈÄ : ¹ÝȯÇÏÁö ¾ÊÀ½
    • 3) ±³½À±â°£ÀÌ 1°³¿ùÀ» ÃʰúÇÏ´Â °æ¿ì, ´ÙÀ½°ú °°ÀÌ È¯ºÒÇØ µå¸®°Ú½À´Ï´Ù.
      - ±³½À½ÃÀÛ Àü : ÀÌ¹Ì ³³ºÎÇÑ ±³½ÀºñµîÀÇ Àü¾×
      - ±³½À½ÃÀÛ ÈÄ : ¹Ýȯ»çÀ¯°¡ ¹ß»ýÇÑ ÇØ´ç¿ùÀÇ ¹Ýȯ ´ë»ó ±³½Àºñµî(±³½À±â°£ 1°³¿ù À̳» ±âÁØ »êÃâ±Ý¾×)°ú ³ª¸ÓÁö ¿ùÀÇ ±³½Àºñµî Àü¾×À» ÇÕ»êÇÑ ±Ý¾×