Deep Learning

딥러닝의 역사와 현주소를 파악하고 개념과 철학적 배경에 대한 이해를 높여 보다 효과적인 딥러닝을 구현할 수 있도록 도와줍니다. 기능적인 메카니즘을 배우는 동시에 딥러닝 개발에 필요한 환경 구축 및 필수 요소들을 준비합니다. 그에 따라 비즈니스 현장 문제에 적합한 학습 모델을 설계하고 AI 기반 서비스를 구축할 수 있도록 합니다.

교육목표

• 딥러닝 개발에 필요한 요소들을 이해하고 개발 환경을 준비할 수 있습니다.
• 딥러닝의 학습 원리와 구현방법을 설명할 수 있습니다.
• 학습모델이 신경망에 작용하는 메카니즘을 이해합니다.
• 딥러닝 모델을 실제(비즈니스 현장) 문제에 적합하게 디자인하고 적용할 수 있습니다.
• TensorFlow 및 Keras를 활용하여 딥러닝을 구현할 수 있습니다.

참가대상자(Python 파이썬 사용이 가능한 분)

• 딥러닝 기반 서비스/솔루션 구축 프로젝트를 처음 시작하는 개발자
• 인공지능 전문 엔지니어로 성장하려는 분
• 기존 비즈니스에 딥러닝을 접목시켜 사업을 확장하려는 경영자
• TensorFlow, Keras 등 딥러닝 도구의 작동원리를 충분히 이해하고 제대로 활용하려는 분

권장 교육시간: 1일 7시간 x 3일 = 21시간

• 실습 중심으로 진행
  
• 개인 및 팀 협업에 의해 개발 실습

주요 내용

• 딥러닝의 역사와 철학을 통한 발전적 기본개념 이해
• 뉴럴네트워크(인공신경망)와 수학적 모델
• 딥러닝 개발 환경 구축 및 텐서플로우와 케라스 사용법
• 딥러닝 모델의 학습과 최적화 방법

시간표

1일차

​AI - 딥러닝의 역사와 철학

• Von Neuman에서 Steve Jobs까지의 딥러닝 선구자의 성과
• ‘튜링의 머신'과 최적화 문제의 ‘에니그마’
• 인공지능에 대한 철학적 접근과 딥러닝 모델
• Misky와 Rosenblatt의 Perceptron
• Hopfield와 Content Addressable Memory, Hash
• Hinton과 LeCun의 다층구조신경망
• 딥러닝의 오늘과 미래

뉴럴 네트워크(딥러닝)​

• 인공신경망(Neural Networks) 탄생의 배경과 철학적 의미
• 딥러닝 모델과 학습의 수학적 의미
• 뉴런의 Synapse, Axon 및 Dendrits로 모델화
• 신경전달물질 Dopamine 등을 모사한 Weight
• 심층 모델의 구성과 생물학적 신경망 구조의 비교와 분석을 통한 통계 및 확률에 대한 이해

딥러닝을 위한 수학적 모델과 선형 대수학​

• 딥러닝 모델의 탄생을 가져온 퍼셉트론(Perceptron)에 대한 수학적 해석
• 선형회귀법(Linear Regression)
• 뉴럴 네트워크에서 필요한 선형대수학(Linear Algebra)

딥러닝을 위한 미분과 텐서​

• 딥러닝 학습에 필요한 수학적 미분의 이해
• 스칼라, 벡터, 매트릭스(Matrix) 및 텐서(Tensor)의 정의
• 텐서의 구조와 사용법
• LAB. 파이썬 라이브러리 NumPy를 사용해 벡터, 행렬 및 텐서의 사용법을 익히고 딥러닝에 필요한 기초 선형대수학을 실습한다.

2일차

딥러닝 개발 환경 구축 1

• 개발에 필요한 리눅스(Linux) 환경 조성
• 가상머신(VM: Virtual Machine) 설치
• 딥러닝 위한 중요 리눅스 명령어
• 파이썬(Python) 설치
• Anaconda 환경 변수 설정과 사용법

• LAB. 가상머신 Image를 만들어 VM에서 리눅스 명령어를 실행해 보고 파이썬 3.6을 설치한 후 아나콘다(Anaconda)를 설치해 사용한다.

딥러닝 개발 환경 구축 2

• 딥러닝 준비 학습을 위한 환경 구축
• 클라우드 계정 운용법과 Cloud Instance / VM 설정 방법
• GPU 선정과 사용법
• Colaboratory와 Docker를 통한 Container 이미지 사용법 
• LAB. 실무 개발에 필요한 구글 클라우드 상에서 VM을 구성하고 딥러닝 개발환경에 필요한 요소를 세팅하고 설정한다.
  

딥러닝에서 필요한 데이터 처리와 분석용 툴

• 파이썬을 이용한 데이터 처리
• 딥러닝 학습을 위한 중요한 툴 설치와 사용법
• Jupyter Notebooks설치
• 데이터 사이언스의 기초가 되는 자료 처리 및 분석
• 필수 라이브러리 NumPy, Pandas, SciKit-Learn, Matplotlib 설치와 사용법

• LAB. 쥬피터 노트북을 설치하고 NumPy, Pandas, SciKit-Learn, MatPlotLib 등의 라이브러리 사용법을 익힌다.

텐서플로우와 케라스

• 텐서플로우 이해와 설치
• 하이레벨 TensorFlow API인 Keras 설치와 사용법
• 텐서플로우 학습 도구인 텐서보드(TensorBoard)의 사용법
• LAB. 텐서플로우와 케라스를 설치하고 그 사용법과 딥러닝을 시키기 위한 명령어를 실습한다.
  

딥러닝 모델

• 딥러닝 모델의 종류와 구조
• 각 모델의 특성과 응용분야
• CNN, RNN 모델의 장단점
• TensorFlow와 Keras를 이용한 모델 구현 실습
• LAB. 케라스(Keras)를 이용해 딥러닝 모델인 컨볼루션 신경망 및 리커렌트 신경망을 구성한다.

3일차

딥러닝 학습의 종류

• 학습의 종류(지도, 비지도, 강화)와 이론
• Backpropagation이론
• 각 학습 모델의 특성과 장단점
• 학습 모델의 적용 방법
• LAB. 케라스를 이용해 컨볼루션 신경망을 구성하고 Supervised 러닝에 필요한 Backpropagation을 실습한다.

최적화와 엔트로피​

• 손실 함수와 딥러닝 모델의 Gradient Descent
• 최적화(Optimization) 이론
• 엔트로피(Entropy) 개념과 연관성
• 학습 모델 일반화와 신경망 에너지(Energy)
• 온도 개념의 이해와 사용법
• LAB. 딥러닝 모델을 학습 시키고 학습에 필요한 요소들을 케라스를 이용해 실습한다.
  

Image Classifier 개발(팀 실습)

• Image Classifier구성
• MNIST dogscats 데이터 셋을 이용
• LAB. 개와 고양이 이미지 학습데이터를 이용해 제시된 CNN을 통해 초기 값들의 영향력을 분석하고 학습 변수를 변형 시키면서 딥러닝 모델의 엔트로피 변화와 학습 결과를 연관 분석한다. 
  
• 테스팅 데이터를 이용해 팀별 결과값 비교 분석

---

※ 세부 내용과 시간 배정은 참가자 수준에 따라 조정될 수 있습니다.

참가자 준비사항

• 실습을 위한 개인용 노트북 1대
  
• 사전에 세팅할 소프트웨어는 신청자에게 별도 안내합니다.