서울 심층 학습 과정

이 강사는 온라인 또는 현장에서 직접 진행하는 실습 교육으로, 중간 수준의 개발자, 데이터 과학자, 그리고 AI 전문가가 TensorFlow Lite를 활용하여 Edge AI 애플리케이션을 개발하고자 하는 사람들에게 맞춤형 교육입니다.

이 교육을 마친 후, 참가자는 다음을 수행할 수 있게 됩니다:

• TensorFlow Lite의 기본 원리와 Edge AI에서의 역할을 이해합니다.
• TensorFlow Lite를 사용하여 AI 모델을 개발하고 최적화합니다.
• TensorFlow Lite 모델을 다양한 엣지 디바이스에 배포합니다.
• 모델 변환 및 최적화를 위한 도구와 기법을 활용합니다.
• TensorFlow Lite를 사용하여 실용적인 Edge AI 애플리케이션을 구현합니다.

이 강사는 온라인 또는 오프사이트에서 제공되는 이 수업은 컴퓨터 비전을 심화하여 이해하고 TensorFlow의 Google Colab을 활용한 고급 비전 모델 개발을 탐구하고자 하는 고급 수준의 전문가를 대상으로 합니다.

이 교육을 통해 참가자는 다음을 할 수 있습니다:

• TensorFlow을 사용하여 컨볼루션 신경망(CNNs)을 구축하고 학습합니다.
• Google Colab을 사용하여 확장 가능한 효율적인 클라우드 기반 모델 개발을 활용합니다.
• 컴퓨터 비전 작업에 대한 이미지 사전 처리 기법을 구현합니다.
• 컴퓨터 비전 모델을 실세계 응용 프로그램에 배포합니다.
• 전이 학습을 사용하여 CNN 모델의 성능을 향상시킵니다.
• 이미지 분류 모델 결과의 시각화 및 해석을 수행합니다.

이 강사는 온라인 또는 현장에서 중급 수준의 데이터 과학자 및 개발자를 대상으로 Google Colab 환경에서 심층 학습 기술을 이해하고 적용하는 방법을 배우는 훈련입니다.

이 교육을 마치면 참가자는 다음을 할 수 있습니다:

• 심층 학습 프로젝트를 위해 Google Colab을 설정하고 탐색합니다.
• 신경망의 기본 원리를 이해합니다.
• TensorFlow를 사용하여 심층 학습 모델을 구현합니다.
• 심층 학습 모델을 훈련하고 평가합니다.
• 심층 학습을 위한 TensorFlow의 고급 기능을 활용합니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 NLU를 위한 최첨단 딥 러닝 기술을 전문으로 다루고자 하는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• NLU와 NLP 모델의 주요 차이점을 이해합니다.
• NLU 작업에 고급 딥러닝 기술을 적용합니다.
• 변압기와 어텐션 메커니즘과 같은 심층적인 아키텍처를 탐구해 보세요.
• NLU의 미래 트렌드를 활용해 정교한 AI 시스템을 구축하세요.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 텍스트-이미지 생성을 위한 딥 러닝에 대한 지식과 기술을 확장하고자 하는 중급에서 고급 수준의 데이터 과학자, 머신 러닝 엔지니어, 딥 러닝 연구자 및 컴퓨터 비전 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 텍스트-이미지 생성을 위한 고급 딥 러닝 아키텍처와 기술을 이해합니다.
• 고품질 이미지 합성을 위해 복잡한 모델과 최적화를 구현합니다.
• 대규모 데이터 세트와 복잡한 모델에 대한 성능과 확장성을 최적화합니다.
• 더 나은 모델 성능과 일반화를 위해 하이퍼파라미터를 조정합니다.
• Stable Diffusion을 다른 딥러닝 프레임워크 및 도구와 통합

이 인스트럭터-리드 라이브 교육(온라인 또는 현장)는 AI 기술을 활용하여 약물 발견 및 개발 과정을 혁신하고자 하는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자들은 다음을 할 수 있게 됩니다:

• 약물 발견 및 개발에서 AI의 역할을 이해합니다.
• 분자 특성과 상호작용을 예측하기 위해 머신러닝 기술을 적용합니다.
• 가상 스크리닝 및 리드 최적화에 딥러닝 모델을 사용합니다.
• 임상 시험 과정에 AI 기반 접근 방식을 통합합니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 AlphaFold의 작동 방식을 이해하고 실험 연구의 가이드로 AlphaFold 모델을 사용하려는 생물학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• AlphaFold의 기본 원리를 이해하세요.
• AlphaFold의 작동 방식을 알아보세요.
• AlphaFold 예측 및 결과를 해석하는 방법을 알아보세요.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 딥 러닝 모델의 성능을 개선하고자 하는 초보에서 중급 수준의 데이터 과학자와 머신 러닝 엔지니어를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 분산형 딥러닝의 원리를 이해합니다.
• DeepSpeed를 설치하고 구성합니다.
• DeepSpeed를 사용하여 분산 하드웨어에서 딥 러닝 모델을 확장하세요.
• 최적화 및 메모리 효율성을 위해 DeepSpeed 기능을 구현하고 실험해 보세요.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 다양한 자연어 작업에 대규모 언어 모델을 사용하려는 초급에서 중급 수준의 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 인기 있는 LLM을 포함하는 개발 환경을 설정합니다.
• 기본 LLM을 만들고 사용자 정의 데이터 세트에 맞춰 미세 조정합니다.
• 텍스트 요약, 질의응답, 텍스트 생성 등 다양한 자연어 작업에 LLM을 활용하세요.
• TensorBoard, PyTorch Lightning, Hugging Face Datasets와 같은 도구를 사용하여 LLM을 디버그하고 평가합니다.

이 강사 주도의 실시간 교육(온라인 또는 현장)은 다양한 사용 사례에 대해 고품질 이미지를 생성하기 위해 Stable Diffusion을 활용하고자 하는 데이터 과학자, 머신 러닝 엔지니어 및 컴퓨터 비전 연구자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• Stable Diffusion의 원리와 이미지 생성에 있어서 이것이 어떻게 작동하는지 이해하세요.
• Stable Diffusion개의 이미지 생성 작업을 위한 모델을 구축하고 학습합니다.
• Stable Diffusion을 인페인팅, 아웃페인팅, 이미지 간 변환과 같은 다양한 이미지 생성 시나리오에 적용합니다.
• Stable Diffusion 모델의 성능과 안정성을 최적화합니다.

이 강사 주도의 실시간 훈련에서 참가자들은 서울에서 이미지, 음악, 텍스트 및 금융 데이터를 포함하는 시연 애플리케이션을 구축하면서 파이썬에서 가장 관련성 있고 최첨단 머신 러닝 기술을 배우게 됩니다.

훈련 종료 시 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• 복잡한 문제를 해결하기 위한 머신 러닝 알고리즘과 기법을 구현합니다.
• 이미지, 음악, 텍스트 및 금융 데이터를 포함하는 애플리케이션에 딥 러닝과 반지도 학습(semi-supervised learning)을 적용합니다.
• 파이썬 알고리즘의 최대 성능을 끌어냅니다.
• NumPy 및 Theano와 같은 라이브러리와 패키지를 사용합니다.

강사가 진행하는 이 서울 실시간 교육에서 참가자는 딥 러닝 신용 위험 모델 생성을 단계별로 진행하면서 Python을 사용하여 통신용 딥 러닝 모델을 구현하는 방법을 배우게 됩니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 딥러닝의 기본 개념을 이해합니다.
• 통신 분야에서 딥 러닝을 적용하고 활용하는 방법을 알아보세요.
• Python, Keras, TensorFlow를 사용하여 통신용 딥 러닝 모델을 만듭니다.
• Python을 사용하여 자체 딥 러닝 고객 이탈 예측 모델을 구축합니다.

이 과정은 관리자, 솔루션 설계자, 혁신 책임자, CTO, 소프트웨어 설계자 및 응용 인공 지능의 개요와 개발에 대한 가장 가까운 예측에 관심이 있는 모든 사람을 위해 만들어졌습니다.

이 과정은 AI (emphasizing Machine Learning 및 Deep Learning)에서 Automotive 산업을 다루고 있습니다. 그것은 자동차의 여러 상황에서 어떤 기술이 (잠재적으로) 사용될 수 있는지 결정하는 데 도움이됩니다 : 간단한 자동화, 이미지 인식에서 독립적 인 의사 결정에 이르기까지.

이 인스트럭터 주도형 실시간 교육 (온라인 또는 현장)에서 초보자 수준의 참여자들이 확률, 통계, 프로그래밍 및 머신러닝의 기본 개념을 학습하고 이를 AI 개발에 적용하는 것을 목표로 합니다.

이 교육을 마친 후, 참여자들은 다음과 같은 능력을 갖추게 됩니다:

• 확률과 통계의 기본 개념을 이해하고 이를 실제 시나리오에 적용할 수 있습니다.
• 절차적, 함수형, 객체 지향 프로그래밍 코드를 작성하고 이해할 수 있습니다.
• 분류, 클러스터링 및 신경망과 같은 머신러닝 기술을 구현할 수 있습니다.
• 규칙 엔진과 전문가 시스템을 사용하여 문제 해결을 위한 AI 솔루션을 개발할 수 있습니다.

인공 신경망은 "지능형" 작업을 수행할 수 있는 Artificial Intelligence (AI) 시스템 개발에 사용되는 계산 데이터 모델입니다. Neural Networks은 그 자체로 AI 구현 중 하나인 Machine Learning (ML) 애플리케이션에서 일반적으로 사용됩니다. Deep Learning은 ML의 하위 집합입니다.

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

이 인스트럭터-리드 라이브 트레이닝은 온라인 또는 오프사이트에서 진행되며, 데이터 과학자와 통계학자가 직업 분야에서 데이터를 준비하고 모델을 구성하며 머신러닝 기법을 효과적으로 적용할 수 있도록 설계되었습니다.

이 트레이닝을 통해 참가자는 다음을 할 수 있게 됩니다:

• 다양한 Machine Learning 알고리즘을 이해하고 구현합니다.
• 머신러닝 응용 프로그램을 위한 데이터를 준비하고 모델을 구성합니다.
• 사후 분석을 수행하고 결과를 효과적으로 시각화합니다.
• 실제 세계의 특정 산업 시나리오에 머신러닝 기법을 적용합니다.

Caffe는 표현력, 속도, 모듈성을 고려하여 만든 딥러닝 프레임워크입니다.

이 과정에서는 이미지 인식을 위한 딥러닝 프레임워크로 Caffe를 적용하는 방법을 MNIST를 예로 들어 탐구합니다.

대상

이 과정은 Caffe를 프레임워크로 활용하고자 하는 딥러닝 연구자와 엔지니어에게 적합합니다.

이 과정을 완료한 후 참가자들은 다음을 할 수 있습니다:

• Caffe의 구조와 배포 메커니즘을 이해합니다
• 설치 / 프로덕션 환경 / 아키텍처 작업 및 구성 작업을 수행합니다
• 코드 품질을 평가하고 디버깅, 모니터링을 수행합니다
• 고급 프로덕션 작업, 예를 들어 모델 학습, 레이어 구현, 로깅을 구현합니다

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 Chainer을 사용하여 Python에서 신경망을 구축하고 교육하고 동시에 코드를 쉽게 디버깅하려는 연구원 및 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 신경망 모델 개발을 시작하는 데 필요한 개발 환경을 설정합니다.
• 이해하기 쉬운 소스 코드를 사용하여 신경망 모델을 정의하고 구현합니다.
• 고성능을 위해 GPU을 활용하면서 딥 러닝 학습 모델을 최적화하기 위해 예제를 실행하고 기존 알고리즘을 수정합니다.

Computer Network ToolKit (CNTK)은 Microsoft의 오픈 소스, 다중 머신, 다중GPU, 음성, 텍스트 및 이미지를 위한 고효율 RNN 학습 머신 러닝 프레임워크입니다.

청중

본 과정은 프로젝트에서 CNTK을 활용하고자 하는 엔지니어와 건축가를 대상으로 합니다.

이 인스트럭터 주도의 실시간 교육은 서울 (온라인 또는 현장에서) 패턴 인식 및 머신러닝 분야에 대한 소개입니다. 통계, 컴퓨터 과학, 신호 처리, 컴퓨터 비전, 데이터 마이닝, 생물정보학 등 다양한 분야에서의 실용적인 응용을 다루고 있습니다.

이 교육을 통해 참가자들은 다음을 할 수 있게 됩니다:

• 핵심 통계 방법을 패턴 인식에 적용합니다.
• 신경망 및 커널 메서드와 같은 주요 모델을 데이터 분석에 사용합니다.
• 복잡한 문제 해결을 위한 고급 기술을 구현합니다.
• 다양한 모델을 결합하여 예측 정확도를 높입니다.

이 과정은 특정 방법을 너무 깊이 파고들지 않고 Deep Learning에 대한 일반적인 개요입니다. 예측 정확도를 높이기 위해 딥 러닝을 사용하려는 사람들에게 적합합니다.

서울에서 진행되는 이 실시간 교육(온라인 또는 현장)은 DeepMind Lab 플랫폼을 설치, 설정, 사용자 정의 및 사용하여 일반적인 인공 지능 및 기계 학습 시스템을 개발하려는 연구원 및 개발자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 학습 및 훈련 요구 사항에 적합한 환경을 구축하고 실행하려면 DeepMind Lab을 사용자 정의하세요.
• DeepMind Lab의 3D 시뮬레이션 환경을 사용하여 1인칭 관점에서 학습 에이전트를 훈련하세요.
• 3D 게임과 같은 세계에서 인텔리전스를 개발하기 위해 에이전트 평가를 촉진합니다.

머신 러닝은 컴퓨터가 명시적으로 프로그래밍되지 않고도 학습할 수 있는 능력을 갖춘 인공 지능의 한 분야입니다. 딥 러닝은 신경망과 같은 데이터 표현과 구조를 학습하는 방법을 사용하는 머신 러닝의 하위 분야입니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 매출 성장을 가속화하고 비즈니스 세계에서 문제를 해결하기 위해 딥 러닝 모델을 구축하고 구현하려는 비즈니스 분석가, 데이터 과학자 및 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 머신 러닝과 딥 러닝의 핵심 개념을 이해합니다.
• ML과 DL을 통해 비즈니스와 산업의 미래에 대한 통찰력을 얻으세요.
• 딥러닝을 통해 비즈니스 전략과 솔루션을 정의하세요.
• 비즈니스 문제를 해결하는 데 데이터 과학과 딥러닝을 적용하는 방법을 알아보세요.
• Python, Pandas, TensorFlow, CNTK, Torch, Keras 등을 이용하여 딥러닝 모델을 구축합니다.

머신러닝은 컴퓨터가 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 갖춘 인공 지능의 한 분야입니다. 딥 러닝은 신경망과 같은 구조 및 데이터 표현 학습을 기반으로 하는 방법을 사용하는 기계 학습의 하위 분야입니다. Python은 명확한 구문과 코드 가독성으로 유명한 고급 프로그래밍 언어입니다.

강사가 진행하는 이 실시간 교육에서 참가자는 딥 러닝 신용 위험 모델 생성을 단계별로 진행하면서 Python을 사용하여 뱅킹용 딥 러닝 모델을 구현하는 방법을 배웁니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 딥러닝의 기본 개념을 이해합니다.
• 은행업에서 딥 러닝의 응용 및 사용 방법을 알아보세요.
• Python, Keras, TensorFlow를 사용하여 은행용 딥 러닝 모델을 만듭니다.
• Python을 사용하여 자체 딥 러닝 신용 위험 모델 구축

청중

• 개발자
• 데이터 과학자

코스의 형식

• 파트 강의, 파트 토론, 연습 및 고강도 실습

강사가 진행하는 이 서울 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.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 실시간 머신 러닝 애플리케이션을 가속화하고 대규모로 배포하려는 데이터 과학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• OpenVINO 툴킷을 설치하세요.
• FPGA를 사용하여 컴퓨터 비전 애플리케이션을 가속화합니다.
• FPGA에서 다양한 CNN 레이어를 실행합니다.
• Kubernetes 클러스터의 여러 노드에 걸쳐 애플리케이션을 확장합니다.

이 강사 주도형 실시간 교육(온라인 또는 현장)은 TensorFlow를 사용하여 잠재적인 사기 데이터를 분석하려는 데이터 과학자를 대상으로 합니다.

본 교육을 통해 참가자는 다음과 같은 능력을 갖추게 됩니다:

• Python과 TensorFlow를 사용하여 사기 검출 모델을 생성합니다.
• 사기를 예측하기 위한 선형 회귀와 선형 회귀 모델을 구축합니다.
• 사기 데이터 분석용으로 끝에서 끝까지 인공 지능 애플리케이션을 개발합니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 Horovod를 사용하여 분산 딥 러닝 교육을 실행하고 이를 여러 GPU에 걸쳐 병렬로 실행하도록 확장하려는 개발자 또는 데이터 과학자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 딥 러닝 훈련을 시작하기 위해 필요한 개발 환경을 설정합니다.
• TensorFlow, Keras, PyTorch 및 Apache MXNet을 사용하여 모델을 학습하기 위해 Horovod를 설치하고 구성합니다.
• Horovod를 사용하여 여러 GPU에서 실행되도록 딥 러닝 학습 훈련을 확장합니다.

서울에서 강사가 진행하는 이 실시간 교육(온라인 또는 현장)은 이미지 인식 응용 프로그램에 딥 러닝 모델을 적용하려는 기술자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• Keras을 설치하고 구성합니다.
• 딥 러닝 모델을 빠르게 프로토타입으로 제작합니다.
• 합성 신경망을 구현합니다.
• 반복적인 네트워크를 구현합니다.
• CPU와 GPU 모두에서 딥러닝 모델을 실행합니다.

이 인스트럭터-리드, 라이브 트레이닝에서 참가자들은 Matlab을 사용하여 이미지 인식을 위한 컨볼루션 신경망을 설계, 구축 및 시각화하는 방법을 배웁니다.

이 트레이닝을 마치면 참가자들은 다음과 같은 능력을 갖출 것입니다:

• 딥러닝 모델을 구축합니다.
• 데이터 레이블링을 자동화합니다.
• Caffe와 TensorFlow-Keras의 모델을 사용합니다.
• 여러 GPU, 클라우드 또는 클러스터를 사용하여 데이터를 학습시킵니다.

대상자

• 개발자
• 엔지니어
• 분야 전문가

강좌 형식

• 강의, 토론, 연습 및 적극적인 실습

이 강사는 주도하는 실시간 훈련(온라인 또는 현장)은 기계 학습 알고리즘, 딥 러닝 기술, 그리고 AI 기반 의사 결정에 대한 이해를 개발하고자 하는 초보에서 중급 수준의 전문가들을 대상으로 합니다. 이 과정은 R을 사용하여 기계 학습 개념, 딥 러닝 모델, 및 실제 구현 사례에 대한 실무 경험을 제공합니다.

이 훈련이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• 기계 학습과 딥 러닝의 기초를 이해한다.
• 회귀, 분류, 클러스터링, 이상 탐지 등 다양한 기계 학습 알고리즘을 적용한다.
• 인공 신경망(ANNs) 등의 딥 러닝 아키텍처를 사용한다.
• 감독 학습 및 비감독 학습 모델을 구현한다.
• 모델 성능을 평가하고 하이퍼파라미터를 최적화한다.
• R을 사용하여 데이터 분석, 시각화, 기계 학습 응용 프로그램을 수행한다.

신경망과 그 응용에 대한 기초를 학습하고자 하는 사람들을 위한 교육입니다.

이 강의실 기반 교육 세션에는 관련 신경망 및 심층 네트워크 라이브러리를 사용하여 수행할 수 있는 프레젠테이션, 컴퓨터 기반 예제 및 사례 연구 연습이 포함됩니다.

서울에서 진행되는 이 실시간 교육(온라인 또는 현장)은 딥 러닝을 위해 Python 및 OpenCV 4를 프로그래밍하려는 소프트웨어 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• OpenCV을 사용하여 이미지와 비디오를 보고 로드하고 분류합니다. 4.
• TensorFlow과 Keras을 사용하여 OpenCV 4의 딥 러닝을 구현합니다.
• 딥 러닝 모델을 실행하고 이미지와 비디오에서 영향력 있는 보고서를 생성하세요.

OpenFace는 Google의 FaceNet 연구를 기반으로 하는 Python 및 Torch 기반 오픈 소스 실시간 얼굴 인식 소프트웨어입니다.

강사가 진행하는 이 실시간 교육에서 참가자는 OpenFace의 구성 요소를 사용하여 샘플 얼굴 인식 애플리케이션을 만들고 배포하는 방법을 배웁니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• dlib, OpenVC, Torch 및 nn4를 포함한 OpenFace의 구성 요소와 함께 작업하여 얼굴 감지, 정렬 및 변환을 구현합니다.
• 감시, 신원 확인, 가상 현실, 게임, 재방문 고객 식별 등 실제 응용 분야에 OpenFace를 적용합니다.

청중

• 개발자
• 데이터 과학자

과정 형식

• 일부 강의, 일부 토론, 연습 및 집중적인 실습

강사가 진행하는 이 실시간 교육에서 참가자는 실제 애플리케이션 생성을 단계별로 진행하면서 R을 사용하여 Machine Learning에 대한 고급 기술을 배우게 됩니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 비지도 학습 기술 이해 및 구현
• 클러스터링과 분류를 적용하여 실제 데이터를 기반으로 예측합니다.
• 데이터를 시각화하여 신속하게 통찰력을 얻고, 결정을 내리고, 분석을 더욱 구체화합니다.
• 하이퍼 매개변수 튜닝을 사용하여 기계 학습 모델의 성능을 향상합니다.
• 더 큰 규모의 애플리케이션에서 사용할 수 있도록 모델을 프로덕션에 적용합니다.
• 고급 기계 학습 기술을 적용하여 소셜 네트워크 데이터, 빅 데이터 등과 관련된 질문에 답하세요.

이 과정은 R-project 소프트웨어를 사용하여 실제 문제에서 신경망을 적용하는 방법을 소개합니다.

서울에서 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 강사 주도의 실시간 교육(서울, 온라인 또는 현장)은 매우 작은 임베디드 장치에 머신 러닝 모델을 작성, 로드 및 실행하길 원하는 엔지니어들을 대상으로 합니다.

이 교육이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• TensorFlow Lite를 설치합니다.
• 음성 인식, 이미지 분류 등을 수행할 수 있도록 임베디드 장치에 머신 러닝 모델을 로드합니다.
• 네트워크 연결에 의존하지 않고 하드웨어 장치에 AI를 추가합니다.

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(서울에서 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.

이 인스트럭터 주도형 실습 교육에서는 참가자들이 TPU 프로세서의 혁신을 활용하여 AI 애플리케이션의 성능을 극대화하는 방법을 배웁니다.

이 교육을 마친 후 참가자들은 다음을 수행할 수 있게 됩니다:

• 대규모 데이터에 여러 유형의 신경망을 학습시킵니다.
• TPU를 사용하여 추론 과정을 두 자리 수 단위로 가속화합니다.
• 이미지 검색, 클라우드 비전 및 사진과 같은 집약적인 애플리케이션을 처리하기 위해 TPU를 활용합니다.

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.