대한민국 TensorFlow 과정

이 강사 주도의 실시간 교육(대한민국, 온라인 또는 현장)은 컴퓨터 비전에 대한 이해를 깊게 하고, Google Colab을 사용하여 고급 시각 모델을 개발하기 위한 TensorFlow의 기능을 탐색하고자 하는 고급 전문가들을 대상으로 합니다.

이 교육이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• TensorFlow를 사용하여 합성곱 신경망(CNN)을 구축하고 훈련시킵니다.
• 확장性和高效的云基模型开发。
• 实现用于计算机视觉任务的图像预处理技术。
• 部署计算机视觉模型以进行实际应用。
• 使用迁移学习来提高CNN模型的性能。
• 可视化和解释图像分类模型的结果。

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.

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

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 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.

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.