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
1부 – Deep Learning 및 DNN 개념
소개 AI, Machine Learning 및 딥 러닝
- 인공 지능의 역사, 기본 개념 및 일반적인 적용 이 도메인이 수행하는 환상 중 집단 지성: 많은 가상 에이전트가 공유하는 지식 집합 유전자 알고리즘: 선택을 통해 가상 에이전트 인구를 진화시키는 것 일반 학습 기계: 정의. 작업 유형: 지도 학습, 비지도 학습, 강화 학습 작업 유형: 분류, 회귀, 클러스터링, 밀도 추정, 차원 축소 기계 학습 알고리즘의 예: 선형 회귀, Naive Bayes, 랜덤 트리 기계 학습 VS 딥 러닝: 문제 오늘날에도 기계 학습이 최첨단 기술로 남아 있습니다(Random Forest 및 XGBoosts).
신경망의 기본 개념 (응용: 다층 퍼셉트론)
- 수학적 기초를 상기시켜줍니다. 뉴런 네트워크 정의: 고전적 아키텍처, 이전 활성화의 활성화 및 가중치, 네트워크 깊이 뉴런 네트워크 학습 정의: 비용 함수, 역전파, 확률적 경사하강법, 최대 우도. 신경망 모델링: 문제 유형(회귀, 분류 ...)에 따라 입력 및 출력 데이터 모델링. 차원의 저주. 다중 기능 데이터와 신호의 구별. 데이터에 따른 비용 함수 선택. 뉴런 네트워크에 의한 함수 근사: 표시 및 예 뉴런 네트워크에 의한 분포 근사: 표시 및 예 데이터 증강: 데이터 세트의 균형을 맞추는 방법 뉴런 네트워크 결과의 일반화. 신경망 초기화 및 정규화: L1/L2 정규화, 배치 정규화 최적화 및 융합 알고리즘
표준 ML/DL 도구
장점, 단점, 생태계에서의 위치 및 용도에 대한 간단한 프레젠테이션이 계획되어 있습니다.
- 데이터 관리 도구: Apache Spark, Apache Hadoop 도구 기계 학습: Numpy, Scipy, Sci-kit DL 상위 수준 프레임워크: PyTorch, Keras, Lasagne 하위 수준 DL 프레임워크: Theano, Torch, Caffe, Tensorflow
컨벌루션 Neural Networks (CNN).
- CNN 프레젠테이션: 기본 원리 및 응용 CNN의 기본 작동: 컨볼루셔널 레이어, 커널 사용, 패딩 및 스트라이드, 기능 맵 생성, 풀링 레이어. 1D, 2D 및 3D 확장. LeNet, VGG Networks, Network in Network, Inception, Resnet 등 이미지 분류에 최첨단 기술을 가져온 다양한 CNN 아키텍처를 소개합니다. 각 아키텍처와 보다 글로벌한 애플리케이션으로 인한 혁신 제시(컨볼루션 1x1 또는 잔여 연결) 주의 모델 사용. 생성을 위한 일반적인 분류 사례(텍스트 또는 이미지) CNN에 적용: 초해상도, 픽셀 간 분할. 이미지 생성을 위한 특징 맵 증가를 위한 주요 전략을 제시합니다.
반복 Neural Networks (RNN).
- RNN 프레젠테이션: 기본 원리 및 응용. RNN의 기본 작동: 숨겨진 활성화, 시간에 따른 역전파, 펼쳐진 버전. GRU(Gated Recurrent Unit) 및 LSTM(Long Short Term Memory)으로의 진화. 이러한 아키텍처가 가져온 다양한 상태와 진화의 표현 수렴 및 소멸 그라데이션 문제 고전 아키텍처: 시간 계열 예측, 분류 ... RNN 인코더 디코더 유형 아키텍처. 주의 모델 사용. NLP 애플리케이션: 단어/문자 인코딩, 번역. 비디오 애플리케이션: 비디오 시퀀스의 다음 생성 이미지 예측.
세대 모델: VAE(Variational AutoEncoder) 및 GAN(Generative Adversarial Networks).
- 세대 모델 제시, CNN과의 연결 자동 인코더: 차원 감소 및 제한된 생성 변형 자동 인코더: 세대 모델 및 주어진 분포의 근사치. 잠재 공간의 정의 및 사용. 재매개변수화 트릭. 관찰된 응용 프로그램 및 한계 생성적 적대 신경망: 기본 사항. 대체 학습 기능을 갖춘 이중 네트워크 아키텍처(생성기 및 판별기), 비용 기능 사용 가능. GAN의 수렴과 직면한 어려움. 향상된 수렴: Wasserstein GAN, Began. 지구 이동 거리. 이미지 또는 사진 생성, 텍스트 생성, 초고해상도용 애플리케이션입니다.
깊은 Reinforcement Learning.
- 강화학습 제시: 정의된 환경에서 에이전트 제어 상태 및 가능한 동작에 따라 신경망을 사용하여 상태 함수 근사화 딥 Q 학습: 경험 재생 및 비디오 게임 제어에 적용. 학습 정책 최적화. 온-정책 && 오프-정책. 배우 평론가 아키텍처. A3C. 응용 분야: 단일 비디오 게임 또는 디지털 시스템 제어.
파트 2 – Deep Learning를 위한 테아노
테아노 기초
- 소개 설치 및 구성
Theano 함수
- 입력, 출력, 업데이트, 주어진 것
Theano를 이용한 신경망 훈련 및 최적화
- 신경망 모델링 로지스틱 회귀 숨겨진 계층 네트워크 훈련 컴퓨팅 및 분류 최적화 로그 손실
모델 테스트
3부 – Tensorflow를 사용한 DNN
TensorFlow 기본
- 생성, 초기화, 저장 및 복원 TensorFlow 변수 공급, 읽기 및 미리 로드 TensorFlow 데이터 TensorFlow 인프라를 사용하여 대규모 모델을 교육하는 방법 TensorBoard를 사용하여 모델 시각화 및 평가
TensorFlow 역학
- 데이터 다운로드 입력 및 자리 표시자 준비 GraphS 추론 손실 교육 구축
퍼셉트론에서 서포트 벡터 머신까지
- 커널과 커널 트릭 최대 마진 분류 및 지원 벡터
인공 Neural Networks
- 비선형 결정 경계 피드포워드 및 피드백 인공 신경망 다층 퍼셉트론 비용 함수 최소화 순방향 전파 역전파 신경망 학습 방식 개선
컨벌루션 Neural Networks
- Goals 모델 아키텍처 원리 코드 구성 모델 출시 및 훈련 모델 평가
- 아래 모듈에 대한 기본 소개(간단한 소개는 시간에 따라 제공됩니다):
Tensorflow - 고급 사용법
스레딩 및 대기열 분산 TensorFlow 문서 작성 및 모델 공유 데이터 판독기 사용자 정의 TensorFlow 모델 파일
TensorFlow 서빙
- 소개 기본 서빙 튜토리얼 고급 서빙 튜토리얼 서빙 인셉션 모델 튜토리얼
Requirements
물리학, 수학 및 프로그래밍에 대한 배경 지식. 이미지 처리 활동에 참여합니다.
대표자는 기계 학습 개념에 대한 사전 이해가 있어야 하며 Python 프로그래밍 및 라이브러리에 대한 작업을 수행해야 합니다.
35 Hours
