Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
이 과정은 3일로 구분되며, 세 번째 날은 선택 사항입니다.
1일차 - Machine Learning 및 딥 러닝: 이론적 개념
1. 소개 IA, Machine Learning 및 딥러닝
- 이 분야의 환상과는 거리가 먼 인공지능의 역사, 기본 개념 및 일반적인 응용
- 집단지성: 수많은 가상 에이전트가 공유하는 지식의 집합체
- 유전자 알고리즘: 선택을 통해 가상 에이전트 집단을 진화시킵니다.
- Machine Learning 평소 : 정의.
- 학습 유형 : 지도 학습, 비지도 학습, 강화 학습
- 동작 유형: 분류, 회귀, 클러스터링, 밀도 추정, 차원 축소
- 알고리즘의 예Machine Learning: 선형 회귀, Naive Bayes, Random Tree
- 기계 학습 VS 딥 러닝: 오늘날 기계 학습이 여전히 최첨단 기술로 남아 있는 문제(Random Forest 및 XGBoosts)
2. 신경망의 기본 개념 (응용: 다층 퍼셉트론)
- 수학적 기초를 상기시켜줍니다.
- 신경망의 정의: 고전적인 아키텍처, 이전 활성화의 활성화 및 가중치 부여 기능, 네트워크의 깊이
- 신경망 학습의 정의: 비용 함수, 역전파, 확률적 경사하강법, 최대 우도.
- 신경망 모델링 : 문제 유형(회귀, 분류 등)에 따른 입력 및 출력 데이터 모델링. 차원의 저주. 다중 기능 데이터와 신호의 구별. 데이터에 따른 비용 함수 선택.
- 신경망을 이용한 함수 근사화: 프리젠테이션 및 예시
- 신경망을 이용한 분포 근사화: 프리젠테이션 및 예시
- 데이터 확대: 데이터 세트의 균형을 맞추는 방법
- 신경망 결과의 일반화.
- 신경망 초기화 및 정규화: L1/L2 정규화, 배치 정규화...
- 최적화 및 수렴 알고리즘.
3. 일반적인 ML/DL 도구
장점, 단점, 생태계에서의 위치 및 용도에 대한 간단한 프레젠테이션이 계획되어 있습니다.
- 데이터 관리 도구: Apache Spark, Apache Hadoop
- 일반적인 도구 Machine Learning: Numpy, Scipy, Sci-kit
- 현재 프레임워크 DL 수준: PyTorch, Keras, Lasagne
- 낮은 수준의 DL 프레임워크: Theano, Torch, Caffe, Tensorflow
2일차 - 컨벌루션 및 순환 네트워크
4. 컨벌루션 Neural Networks (CNN).
- CNN의 발표: 기본 원리와 응용
- CNN의 기본 동작: 컨볼루션 레이어, 커널 사용, 패딩 및 스트라이드, 특징 맵 생성, '풀링' 유형 레이어. 1D, 2D 및 3D 확장.
- 이미지 분류에 최첨단 기술을 가져온 다양한 CNN 아키텍처에 대한 프레젠테이션: LeNet, VGG Networks, Network in Network, Inception, Resnet. 각 아키텍처와 보다 글로벌한 애플리케이션(1x1 컨볼루션 또는 잔여 연결)이 가져온 혁신 제시
- 주의 모델을 사용합니다.
- 일반적인 분류 시나리오에 적용(텍스트 또는 이미지)
- 생성을 위한 CNN: 초해상도, 픽셀별 분할. 이미지 생성을 위해 특징 맵을 강화하는 주요 전략을 제시합니다.
5. 재발성 Neural Networks(RNN).
- RNN의 제시: 기본 원리 및 응용.
- RNN 기반 기능: 숨겨진 활성화, 시간에 따른 역전파, 펼쳐진 버전.
- GRU(Gated Recurrent Units) 및 LSTM(Long Short Term Memory) 개발. 이러한 아키텍처로 인해 발생하는 다양한 상태와 개발에 대한 프레젠테이션
- 수렴 및 소실 그라데이션 문제
- 고전적인 아키텍처의 종류: 시계열 예측, 분류...
- RNN 인코더 디코더 유형 아키텍처. 주의 모델을 사용합니다.
- 응용 NLP : 단어/문자 인코딩, 변환.
- 비디오 애플리케이션: 비디오 시퀀스의 다음 생성 이미지 예측.
3일차 – 세대별 모델 및 Reinforcement Learning
6. 세대 모델: VAE(Variational AutoEncoder) 및 GAN(Generative Adversarial Networks).
- 세대별 모델 발표, 2일차 CNN과의 연계
- 자동 인코딩: 차원 축소 및 생성 제한
- Variational Auto-encoder: 세대 모델 및 데이터 분포 근사. 잠재 공간의 정의 및 사용. 재매개변수화 트릭. 애플리케이션 및 관찰된 한계
- 생성적 적대 네트워크: 기본 원칙. 교대 학습이 가능한 2개의 네트워크 아키텍처(생성자와 판별자), 비용 함수 사용 가능.
- GAN의 수렴과 어려움이 발생합니다.
- 향상된 수렴: Wasserstein GAN, BeGAN. 지구 이동 거리.
- 이미지 또는 사진 생성, 텍스트 생성, 초해상도용 애플리케이션입니다.
7. 깊은 Reinforcement Learning.
- 강화학습 제시: 상태와 가능한 행동으로 정의된 환경에서 에이전트 제어
- 신경망을 사용하여 상태 함수를 근사화
- Deep Q Learning: 재생을 경험하고 비디오 게임 제어에 적용합니다.
- 학습 정책의 최적화. 온-정책 && 오프-정책. 액터 크리티컬 아키텍처. A3C.
- 응용 분야: 간단한 비디오 게임 또는 디지털 시스템 제어.
Requirements
엔지니어 레벨
21 Hours
