Python과 TensorFlow를 이용한 사기 검출 교육 과정

AI와 그 응용을 소개하는 4일간의 강좌입니다. 이 과정을 마친 후 AI 프로젝트를 수행할 수 있는 하루를 추가로 가질 수 있는 옵션이 있습니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Dask를 Python 생태계와 함께 사용하여 대규모 데이터 세트를 구축, 확장 및 분석하려는 데이터 과학자 및 소프트웨어 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Dask와 Python으로 빅데이터 처리 구축을 시작할 수 있는 환경을 설정합니다.
• Dask에서 사용할 수 있는 기능, 라이브러리, 도구 및 API를 살펴보세요.
• Dask가 Python에서 병렬 컴퓨팅을 어떻게 가속화하는지 이해하세요.
• Dask를 사용하여 Python 생태계(Numpy, SciPy 및 Pandas)를 확장하는 방법을 알아보세요.
• 대규모 데이터 세트를 처리할 때 높은 성능을 유지하려면 Dask 환경을 최적화하세요.

이 온라인 또는 현장 강사 주도 라이브 교육은 Python, Pandas 및 NumPy를 활용한 데이터 분석 및 조작 기술을 향상시키려는 중급 Python 개발자와 데이터 분석가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있게 됩니다:

• Python, Pandas, 및 NumPy를 포함하는 개발 환경을 설정합니다.
• Pandas 및 NumPy를 사용하여 데이터 분석 애플리케이션을 만듭니다.
• 고급 데이터 정제, 정렬 및 필터링 작업을 수행합니다.
• 집계 작업을 수행하고 시간 시리즈 데이터를 분석합니다.
• Matplotlib 및 기타 시각화 라이브러리를 사용하여 데이터를 시각화합니다.
• 데이터 분석 코드를 디버깅하고 최적화합니다.

강사가 진행하는 이 대한민국 실시간 교육에서 참가자는 일련의 사진을 처리하고 캡션을 생성하는 애플리케이션을 만들면서 NLP용 Python 라이브러리를 사용하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Python 라이브러리를 사용하여 NLP용 DL을 설계하고 코딩합니다.
• 상당히 많은 양의 사진 모음을 읽고 키워드를 생성하는 Python 코드를 만듭니다.
• 감지된 키워드에서 캡션을 생성하는 Python 코드를 만듭니다.

대상

이 과정은 이미지 분석을 위해 다양한 도구(대부분 오픈 소스)를 활용하고자 하는 딥러닝 연구자 및 엔지니어를 대상으로 합니다.

이 과정은 실제 예제를 제공합니다.

이 강사는 온라인 또는 현장에서 개발자들을 대상으로 동적, 고성능, 확장 가능한 웹 애플리케이션을 구축하기 위해 FARM(FastAPI, React, MongoDB) 스택을 사용하는 인터랙티브 라이브 트레이닝입니다.

이 트레이닝을 통해 참가자는 다음을 할 수 있습니다:

• FastAPI, React, MongoDB를 통합하는 개발 환경 설정.
• FARM 스택의 주요 개념, 기능 및 이점 이해.
• FastAPI를 사용하여 REST API 구축.
• React를 사용하여 상호작용 애플리케이션 설계.
• FARM 스택을 사용하여 애플리케이션 개발, 테스트 및 배포(프론트엔드 및 백엔드).

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Python과 함께 FastAPI를 사용하여 RESTful API를 더 쉽고 빠르게 구축, 테스트 및 배포하려는 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Python 및 FastAPI을 사용하여 API를 개발하기 위한 필수 개발 환경을 설정합니다.
• FastAPI 라이브러리를 사용하여 API를 더 빠르고 쉽게 생성합니다.
• Pydantic 및 OpenAPI를 기반으로 데이터 모델 및 스키마를 생성하는 방법을 학습합니다.
• SQLAlchemy를 사용하여 API를 데이터베이스에 연결합니다.
• FastAPI 도구를 사용하여 API에 보안 및 인증을 구현합니다.
• 컨테이너 이미지를 빌드하고 웹 API를 클라우드 서버에 배포합니다.

대한민국에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 Modin을 사용하여 Pandas를 통해 더 빠른 데이터 분석을 위한 병렬 계산을 구축하고 구현하려는 데이터 과학자와 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• Modin을 사용하여 대규모로 Pandas 워크플로 개발을 시작하는 데 필요한 환경을 설정하세요.
• Modin의 기능, 아키텍처 및 장점을 이해하세요.
• Modin, Dask, Ray의 차이점을 알아보세요.
• Modin을 사용하여 Pandas개의 작업을 더 빠르게 수행하십시오.
• 전체 Pandas API 및 기능을 구현합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Tensorflow 2.x를 사용하여 예측기, 분류기, 생성 모델, 신경망 등을 구축하려는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• TensorFlow 2.x를 설치하고 구성합니다.
• 이전 버전에 비해 TensorFlow 2.x의 이점을 이해합니다.
• 딥러닝 모델을 구축하세요.
• 고급 이미지 분류기를 구현합니다.
• 클라우드, 모바일 및 IoT 장치에 딥 러닝 모델을 배포합니다.

이 강사가 진행하는 실시간 교육(온라인 또는 현장)에서 참가자는 TensorFlow Serving을 구성하고 사용하여 프로덕션 환경에서 ML 모델을 배포하고 관리하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 다양한 TensorFlow 모델을 학습시키고 내보내고 제공합니다.
• 단일한 아키텍처와 API 세트를 사용하여 알고리즘을 테스트하고 배포합니다.
• TensorFlow 모델을 넘어 다른 유형의 모델을 제공하기 위해 TensorFlow Serving을 확장합니다.

TensorFlow는 구글의 오픈 소스 소프트웨어 라이브러리인 딥러닝의 2세대 API입니다. 이 시스템은 머신러닝 연구를 촉진하고 연구 프로토타입에서 생산 시스템으로 빠르게 전환할 수 있도록 설계되었습니다.

대상

이 과정은 TensorFlow를 딥러닝 프로젝트에 사용하려는 엔지니어를 대상으로 합니다.

이 과정을 완료한 후, 참가자들은 다음을 할 수 있습니다:

• TensorFlow의 구조와 배포 메커니즘을 이해합니다
• 설치/프로덕션 환경/아키텍처 작업 및 설정 수행이 가능합니다
• 코드 품질 평가, 디버깅, 모니터링이 가능합니다
• 모델 훈련, 그래프 구축 및 로깅과 같은 고급 프로덕션 구현이 가능합니다

이 강의는 이미지 인식의 목적을 위해 Tensor Flow를 적용하는 방법을 구체적인 예시와 함께 탐구합니다.

대상

이 강의는 이미지 인식을 위해 TensorFlow를 활용하고자 하는 엔지니어를 대상으로 합니다.

강의를 마치면 수강생은 다음을 할 수 있습니다:

• TensorFlow의 구조와 배포 메커니즘을 이해합니다.
• 설치/생산 환경/아키텍처 작업을 수행하고 구성합니다.
• 코드 품질을 평가하고, 디버깅, 모니터링을 수행합니다.
• 고급 생산을 구현합니다(모델 학습, 그래프 구축, 로깅).

이 강사 주도의 실시간 교육(대한민국에서 온라인 또는 현장)은 단일 ML 모델을 학습하는 것에서 프로덕션으로 여러 ML 모델을 배포하는 방법을 알고자 하는 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음과 할 수 있게 됩니다:

• TFX와 지원 제3자 도구를 설치하고 설정합니다.
• TFX를 사용하여 완전한 ML 프로덕션 파이프라인을 생성 및 관리합니다.
• 모델링, 학습, 추론 제공, 배포 관리를 수행하기 위해 TFX 구성 요소와 작업합니다.
• 웹 애플리케이션, 모바일 애플리케이션, IoT 장치 등에 머신 러닝 기능을 배포합니다.

TensorFlow™는 데이터 흐름 그래프를 사용하여 수치 계산을 수행하는 오픈 소스 소프트웨어 라이브러리입니다.

SyntaxNet은 TensorFlow용 신경망 자연어 처리 프레임워크입니다.

Word2Vec는 단어의 벡터 표현, 즉 '단어 임베딩'을 학습하는 데 사용됩니다. Word2Vec은 원시 텍스트에서 단어 임베딩을 학습하기 위한 특히 계산적으로 효율적인 예측 모델입니다. Continuous Bag-of-Words(CBOW) 모델과 Skip-Gram 모델 두 가지 버전이 있습니다 (Mikolov et al.의 3.1장 및 3.2장 참조).

SyntaxNet과 Word2Vec을 함께 사용하면 사용자는 자연어 입력에서 학습된 임베딩 모델을 생성할 수 있습니다.

대상 대상자

이 과정은 SyntaxNet 및 Word2Vec 모델을 TensorFlow 그래프에 적용하려는 개발자와 엔지니어를 대상으로 합니다.

이 강좌를 수료한 후, 학습자는 다음과 같은 능력을 갖추게 됩니다:

• TensorFlow의 구조와 배포 메커니즘을 이해할 수 있습니다
• 설치, 프로덕션 환경, 아키텍처 작업 및 구성이 가능합니다
• 코드 품질 평가, 디버깅, 모니터링이 가능합니다
• 모델 학습, 용어 임베딩, 그래프 구축 및 로깅과 같은 고급 프로덕션 작업을 구현할 수 있습니다

이 과정은 신경망과 기계 학습 알고리즘, 딥러닝(알고리즘 및 응용)에 대한 개념적 지식을 제공합니다.

이 훈련의 1부(40%)는 기본 개념에 중점을 두지만, TensorFlow, Caffe, Theano, DeepDrive, Keras 등 적절한 기술을 선택하는 데 도움이 됩니다.

2부(20%)는 딥러닝 모델 작성을 쉽게 만드는 Python 라이브러리인 Theano를 소개합니다.

3부(40%)는 Google의 오픈 소스 소프트웨어 라이브러리인 TensorFlow의 API에 기반한 내용을 심도 있게 다룹니다. 예제와 실습은 모두 TensorFlow로 진행됩니다.

대상

이 과정은 딥러닝 프로젝트에서 TensorFlow를 사용하려는 엔지니어들을 대상으로 합니다.

본 과정을 마친 후 수강생들은:

• 딥 뉴럴 네트워크(DNN), CNN, RNN에 대한 깊은 이해를 갖추게 됩니다.
• TensorFlow의 구조와 배포 메커니즘을 이해하게 됩니다.
• 설치, 생산 환경, 아키텍처 작업 및 설정을 수행할 수 있습니다.
• 코드 품질 평가, 디버깅, 모니터링을 수행할 수 있습니다.
• 모델 학습, 그래프 구축, 로깅 등의 고급 프로덕션 작업을 수행할 수 있습니다.