딥러닝
영상인식 CAMP

 

 

영상인식 기법을 구현하기 위한
핵심이론 정리, 주요 논문 review,
TensorFlow 코딩을 통해 체계적으로 배우는 10주 강의

#deep learning
#TensorFlow coding
#paper review

기간 & 일정

2020.2.1 ~ 2020.4.4
매주 토요일(주 1회)
이론·코드리뷰반 14:00 ~ 17:00 (총 30시간)
프로젝트반 14:00 ~ 19:00 (총 46시간)
*자세한 일정은 커리큘럼을 참고해주세요.

장소 & 준비물

패스트캠퍼스 강남 본원
개인 노트북 지참

문의

02-568-9886
help-ds@fastcampus.co.kr

자율주행, CCTV 분석, 의료영상 인식…
지금 이 순간, 가장 빠르게 발전하고 있는 영상인식 분야.
알아야 할 내용도, 배워야 할 내용도 너무나 많습니다.

딥러닝과 영상인식 구현 학습,
아직도 시간낭비하며 헤매고 계신가요?

26개의 케이스별 논문 리뷰 + 코드 리뷰 + 이론 및 실습까지
딥러닝-영상인식의 탄탄한 기본 실력을 다져드립니다.

체계적인 딥러닝 학습을 위한
‘딥러닝-영상인식’ 코스만의 특징.

실무 문제 해결을 위한
딥러닝 영상인식 관련
총 25개 논문 Review

빠르게 업데이트가 이루어지는 수많은 딥러닝 영상인식, 복잡한 수식과 다양한 알고리즘을 모두 이해하고 실제로 적용하는 것은 쉽지 않죠. 논문이 실제로 어떻게 활용되어 어떤 성과를 내고 있는지 파악하고! 현업 영상인식 구현 과정에서 겪을 수 있는 문제를 해결할 밑거름을 만들어 보세요!

논문과 매치되는 부분을
찾아내는 TensorFlow
코드 Review

공개된 코드가 어떻게 논문과 매치되는지를 파악하는 것은 실무에서 큰 어려움입니다. 단순 Tensorflow 문법 설명이 아닌, 논문과 비교하며 코드를 세세하게 리뷰해드립니다. 이를 통해 개념적인 부분들이 어떻게 코드로 구현되는지 온전히 이해하고, 실전 응용력을 기르실 수 있습니다.

영상인식 구현을 위한
이론 개념 및 알고리즘 이해
/TensorFlow 코드 과제

딥러닝 영상인식이 어려운 이유는 학습해야 할 내용이 너무 많은 점. 영상인식에 꼭 필요한 이론 CNN과 RNN부터 시작하여, 영상인식 적용을 위한 Visual Q&A, Image Captioning 등의 알고리즘을 이해시켜드립니다. 매주 TensorFlow 코딩과제를 통해 활용방법을 제대로 익힐 수 있습니다.

01

실무 문제 해결을 위한
딥러닝 영상인식 관련
총 26개 케이스 논문 리뷰

이론 설명부터 논문 리뷰, 코드 과제 및 리뷰까지 체계적인 커리큘럼을 선보입니다.
특히 26개의 다양한 케이스가 담긴 논문 리뷰로 이론을 탄탄하게 복기합니다.

02

논문과 매치되는 부분을
찾아서 이해하고 응용력을 키우는
TENSORFLOW 코드 리뷰

공개된 코드가 어떻게 논문과 매치되는지를 잘 파악해야만 실무에서 유리합니다.
단순 Tensorflow 문법 설명이 아닌, 논문과 비교하며 코드를 세세하게 리뷰합니다.

03

영상인식 구현을 위한
이론 개념 및 알고리즘 이해 및
TENSORFLOW 코드 과제와 피드백

매주 TensorFlow 코딩과제를 통해 활용방법을 제대로 익힐 수 있게 도와드리며,
영상인식에 꼭 필요한 이론부터, 영상인식 적용을 위한 알고리즘을 완벽히 이해시켜드립니다.

10주간 핵심 이론정리, 주요 26개 케이스 논문 리뷰,
TENSORFLOW CODE 구현을 통해
딥러닝-영상인식 학습의 기반을 단단히 다져 보세요.

텐서플로와 인공지능, 머신러닝, 딥러닝 분야 전문가.
“솔라리스의 인공지능 연구실” 블로그를 운영하며
최신 논문을 꿰뚫고 계신 강사님을 소개합니다!

1

Solaris 님

[약력]
– 텐서플로우와 머신러닝/ 딥러닝 관련 내용의 블로그
Solaris의 인공지능 연구실‘ 운영
– 서울대학교 인공지능 및 컴퓨터 비전 연구실 석사
– S전자와 컴퓨터 비전 관련 프로젝트 수행

[저서]
– 텐서플로로 배우는 딥러닝

*본 강의를 수강하시면 Solaris 강사님이 집필하신 [텐서플로로 배우는 딥러닝] 책을 무료로 제공합니다.

dvr_book
[딥러닝 영상인식 CAMP]는 딥러닝과 컴퓨터 비전 분야의 입문서 같은 과정입니다. 강의 초반부에는 딥러닝 기본 구조인 ANN, AutoEncoder, CNN, RNN이 무엇이고, 어떤 목적으로 등장했고, 어떻게 사용하는지를 시작으로 강의 후반부에는 이런 기본 구조들을 이용해 실제 문제를 해결한 논문과 코드를 설명하고, 문제 해결을 위한 방법론과 TensorFlow 라이브러리의 기초부터 고급까지 단계별로 차근차근 가르쳐드리겠습니다.

이론만?
이론과 실습 둘 다?

이제 고민하지 마세요!
본 강의는 이론·코드리뷰반과 프로젝트반으로
나누어 수강하실 수 있습니다.

이론·코드리뷰반

이론을 배우고
배운 이론을 바탕으로 코드리뷰와
논문리뷰를 진행합니다.

*일정: 토요일 14:00-17:00

프로젝트반

이론, 코드리뷰, 논문리뷰는 기본!
배운 내용을 체화할 수 있는 실습 프로젝트까지
함께 진행합니다.

*일정: 토요일 14:00-19:00

* 이론·코드리뷰반과 프로젝트반은 동일한 날짜에 진행되는 수업입니다.
* 이론·코드리뷰반은 전반부 수업을, 프로젝트반은 전반부와 후반부 수업을 모두 수강하는 형태입니다.
* 자세한 커리큘럼은 아래 커리큘럼을 참고해주시기 바랍니다.

커리큘럼.

*실습은 AWS 서버에 접속해서 진행됩니다. 따라서 개인 노트북 사양은 크게 중요하지 않습니다.

실습예제자료

* 강의 9주차에서 다루는 BRATS 데이터베이스를 사용하여 Fully Convolutional Network 모델을 구현한 활용 예시입니다. (출처: Brain tumor segmentation with deep neural networks 논문)

Part I. 기본적인 딥러닝 모델의 이해

[1주차] 이론 및 코드리뷰 | 14:00-17:00

Preview & Introduction

이론

– 딥러닝의 역사
– ANN(Artificial Neural Network)/ Autoencoder
– 딥러닝의 기본 구성 요소: model architecture, cost function, backpropagation, ReLu, dropout, fine-tuning
– CNN(Convolutional Neural Network)/ RNN(Recurrent Neural Network)/ LSTM(Long-Short Term Memory Network) 개요
– 다양한 컴퓨터 비전 사례
– TensorFlow의 기본적인 API

실습

– MNIST 숫자 분류를 위한 Softmax Classifier 구현
– MNIST Reconstruction을 위한 Autoencoder 구현
– MNIST 숫자 분류를 위한 ANN / Stacked Autoencoders + Softmax Classifier 구현

논문리뷰

– LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. “Deep learning.” Nature 521.7553 (2015): 436-444 [논문 살펴보기]

[1주차] 실습 프로젝트 | 17:00 – 19:00 (프로젝트반 신청 시 수강)

실습 프로젝트 소개 & TFRecords 변환

이론

– 실습 프로젝트 소개 : Airbnb Case Studies 소개 – TensorFlow를 이용한 방카테고리 분류(Room-type Classification) 및 어메니티 검출(Amenity Detection)
– ML 프로젝트 진행 방법론
– TFRecords 변환 방법
– 데이터 Labelling Tool 소개

실습

– Dataset에 대한 TFRecords 변환 수행

[2주차] 이론 및 코드리뷰 | 14:00-17:00

CNN (Convolutional Neural Network)

이론

– 영상인식에서 가장 대표적으로 쓰이는 CNN의 개념
– convolution, pooling
– 대표적인 CNN 모델들: Lenet, Alexnet, VGGnet, GoogleLenet

실습

– CIFAR-10 영상 분류를 위한 CNN
– Inception-v3 retraining을 활용한 영상 데이터셋 분류 모델 구현

논문리뷰

– Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. “Imagenet classification with
deep convolutional neural networks.” Advances in neural information processing systems.
2012 [논문 살펴보기]
– Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for
large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014) [논문 살펴보기]
– Szegedy, Christian, et al. “Going deeper with convolutions.” Proceedings of the IEEE
conference on computer vision and pattern recognition. 2015 [논문 살펴보기]

[2주차] 실습 프로젝트 | 17:00 – 19:00 (프로젝트반 신청 시 수강)

TensorFlow Object Detection API 소개

이론

– TensorFlow Object Detection API
– Faster RCNN

실습

– TensorFlow Object Detection API를 이용한 Object Detection

[3주차] 이론 및 코드리뷰 | 14:00-17:00

RNN(Recurrent Neural Network) & LSTM(Long-Short Term Memory Networks)

이론

– 자연어 처리에서 가장 대표적으로 쓰이는 RNN/ LSTM의 개념
– Language Modeling과 Embedding의 개념
– Char-RNN 소개

실습

– Char-RNN 구현

논문리뷰

– Graves, Alex. Supervised sequence labelling with recurrent neural networks. Vol. 385.
Springer Science & Business Media, 2012 [논문 살펴보기]

[3주차] 실습 프로젝트 | 17:00 – 19:00 (프로젝트반 신청 시 수강)

TensorFlow Object Detection API를 이용한 Amenity Detection

이론

– Open Images Dataset 소개
– Custom Dataset에 대한 Object Detection

실습

– Custom Dataset에 대한 TensorFlow Object Detection API Training

Part II. 딥러닝 모델을 구체적인 영상인식 문제에 적용

[4주차] 이론 및 코드리뷰 | 14:00-17:00

PObject Detection

이론

– Object Detection을 위한 모델: RCNN, Fast RCNN, Faster RCNN, YOLO, YOLO v2, YOLO
– v3, SSD

실습

– Faster RCNN을 이용한 Object Detector 구현

논문리뷰

– Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”, arXiv:1506.01497 (2016) [논문 살펴보기]
– Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi,,“You Only Look Once:Unified, Real-Time Object Detection”,,arXiv:1506.02640 (2016) [논문 살펴보기]
– Redmon, Joseph, and Ali Farhadi. “YOLO9000: better, faster, stronger.” arXiv preprint (2017) [논문 살펴보기]
– Redmon, Joseph, and Ali Farhadi. “Yolov3: An incremental improvement.” arXiv preprint arXiv:1804.02767 (2018) [논문 살펴보기]
– Liu, Wei, et al. “Ssd: Single shot multibox detector.” European conference on computer vision. Springer, Cham (2016) [논문 살펴보기]

[4주차] 실습 프로젝트 | 17:00 – 19:00 (프로젝트반 신청 시 수강)

데이터 수집 및 파라미터 튜닝 심화

이론

– Amazon SageMaker Ground Truth를 이용한 레이블 수집법
– 파라미터 튜닝 방법론

실습

– Amazon SageMaker GoruthTruth를 이용한 레이블 수집
– Faster R-CNN 모델 파라미터 튜닝

[5주차] 이론 및 코드리뷰 | 14:00-17:00

Image Captioning

이론

– Image Captioning 구현

실습

– Image Captioning 구현

논문리뷰

– Vinyals, Oriol, et al. “Show and tell: A neural image caption generator.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2015 [논문 살펴보기]
– Karpathy, Andrej, and Li Fei-Fei. “Deep visual-semantic alignments for generating image descriptions.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015 [논문 살펴보기]

[5주차] 실습 프로젝트 미진행

[6주차] 이론 및 코드리뷰 | 14:00-17:00

Neural Style Transfer/ Deconvolution/ DeepDream/ Tensorboard/ ResNet

이론

– 사진에 예술가들의 그림을 덧씌우는 Neural Style Transfer의 개념
– CNN이 무엇을 학습했는지 체크하는 기법인 Deconvolution/ DeepDream의 개념
– 학습 과정을 시각화해 볼 수 있는 Tensorboard 라이브러리
– Residual Networks(ResNet)

실습

– Neural Style Transfer 구현
– Tensorboard 구현

논문리뷰

– Zeiler, Matthew D., and Rob Fergus. “Visualizing and understanding convolutional networks.” arXiv preprint arXiv:1311.2901 (2013) [논문 살펴보기]
– Yosinski, Jason, et al. “Understanding neural networks through deep visualization.” arXiv preprint arXiv:1506.06579 (2015) [논문 살펴보기]

[6주차] 실습 프로젝트 미진행

[7주차] 이론 및 코드리뷰 | 14:00-17:00

Generative Model – VAE(Variational AutoEncoder) & GAN(Generative Adversarial
Network)

이론

– 딥러닝을 이용한 Generative Model(VAE/ GAN의 개념)
– 기본 GAN 구조를 개선한 DCGAN

실습

– VAE/ GAN을 이용한 MNIST 이미지 생성

논문리뷰

– D.P. Kingma, M. Welling, “Auto-Encoding Variational Bayes” The International Conference on Learning Representations, 2014 [논문 살펴보기]
– Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, and Yoshua Bengio, “Generative Adversarial Nets”, arXiv:1406.2661(2014) [논문 살펴보기]
– Alec Radford, Luke Metz, Soumith Chintala, “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks”, arXiv:1511.06434 (2015) [논문 살펴보기]

[7주차] 실습 프로젝트 | 17:00-19:00 (프로젝트반 신청 시 수강)

TensorFlow Image Classification API

이론

– TensorFlow Image Classification API 소개

실습

– TensorFlow Image Classification API를 이용한 Image Classification

Part III. 영상인식을 위한 심화 주제

[8주차] 이론 및 코드리뷰 | 14:00-17:00

AutoPilot

이론

– 자율주행 구현을 위한 연구의 역사
– 자율주행 데이터셋과 최신 논문들 소개

실습

– Learning a Driving Simulator 논문에서 구현된 Steering Angle Predictor 및 Driving Scene Generator 구현

논문리뷰

– Santana, Eder, and George Hotz. “Learning a driving simulator.” arXiv preprint arXiv:1608.01230 (2016) [논문 살펴보기]
– Xu, Huazhe, et al. “End-to-end learning of driving models from large-scale video datasets.” arXiv preprint arXiv:1612.01079 (2016) [논문 살펴보기]
– Mariusz Bojarski, Davide Del Testa, Daniel Dworakowski, Bernhard Firner, Beat Flepp, Prasoon Goyal, Lawrence D. Jackel, Mathew Monfort, Urs Muller, Jiakai Zhang, Xin Zhang, Jake Zhao, Karol Zieba, “End to End Learning for Self-Driving Cars”,,arXiv:1604.07316 (2016) [논문 살펴보기]

[8주차] 실습 프로젝트 | 17:00-19:00 (프로젝트반 신청 시 수강)

TensorFlow Image Classification API를 이용한 Room-Type Classification

이론

– Amazon MTurk(Mechanical Turk)를 이용한 레이블 수집 방법 소개
– Custom Dataset에 대한 Image Classifier 학습

실습

– Custom Dataset에 대한 Image Classifier 학습

[9주차] 이론 및 코드리뷰 | 14:00-17:00

Semantic Image Segmentation & Medical Image Analysis

이론

– 이미지를 의미 있는 부분끼리 묶어서 분할하는 Semantic Image Segmentation의 개념
– Semantic Image Segmentation을 위한 FCN(Fully Convolutional Networks) 구조
– BRAT(Brain Tumor Segmentation) 데이터베이스 소개 및 데이터 전처리
– FCN 구조를 BRATS 데이터베이스에 적용하여 뇌 영상에서 암을 검출

실습

– Fully Convolutional Networks for Semantic Segmentation 논문 구현
– FCN 모델을 BRAT 데이터베이스에 적용하여 Brain Tumor Segmentation을 구현

논문리뷰

– Long, Jonathan, Evan Shelhamer, and Trevor Darrell. “Fully convolutional networks for semantic segmentation.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015 [논문 살펴보기]
– Havaei, Mohammad, et al. “Brain tumor segmentation with deep neural networks.” Medical image analysis 35 (2017): 18-31 [논문 살펴보기]
– Yu, Fisher, and Vladlen Koltun. “Multi-scale context aggregation by dilated convolutions.” arXiv preprint arXiv:1511.07122 (2015) [논문 살펴보기]
– Lin, Guosheng, et al. “Refinenet: Multi-path refinement networks for high-resolution semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition (2017) [논문 살펴보기]

[9주차] 실습 프로젝트 | 17:00-19:00 (프로젝트반 신청 시 수강)

Model Deployment 1

이론

– 모델 배포 방법 소개

실습

– 모델 배포 실습

[10주차] 이론 및 코드리뷰 | 14:00-17:00

Deep Reinforcement Learning

이론

– 주변 환경과 상호 작용하며 학습하는 Reinforcement Learning의 개념
– Q-Learning, DQN, Policy Gradient의 개념
– Deep Reinforcement Learning의 컴퓨터 비전 분야 응용

실습

– DQN을 이용한 게임플레이 에이전트 구현

논문리뷰

– Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller, “Playing Atari with Deep Reinforcement Learning”, arXiv:1312.560 (2013) [논문 살펴보기]
– Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A. Rusu, Joel Veness, Marc G. Bellemare, Alex Graves, Martin Riedmiller, Andreas K. Fidjeland, Georg Ostrovski, Stig Petersen, Charles Beattie, Amir Sadik, Ioannis Antonoglou, Helen King, Dharshan Kumaran,
Daan Wierstra, Shane Legg & Demis Hassabis, “Human-level control through deep
reinforcement learning”, Nature volume 518, pages 529–533 (2015) [논문 살펴보기]

[10주차] 실습 프로젝트 | 17:00-19:00 (프로젝트반 신청 시 수강)

Model Deployment 2

이론

– 모델 배포 방법 소개

실습

– 모델 배포 실습

수강대상.

data_camp_basicmath_2

영상인식/ 컴퓨터 비전을 체계적으로 학습하고 싶은
연구원/개발자/대학원생

data_camp_basicmath_3

딥러닝 관련 주요 논문을 깊이 있게 이해하고 싶은
연구원/개발자/대학원생

※ 아래의 3가지 사전 지식이 없으시다면,
코스 수강에 어려움을 겪을 수 있습니다. 꼭 확인하세요!

✔ 기본적인 딥러닝 모델인 ANN, CNN, RNN, LSTM에 대해 학습해 본 경험이 있다.
✔ TensorFlow를 이용해 직접 머신러닝 모델을 만들고 학습과 추론을 진행해 본 경험이 있다.
✔ 프로그래밍 언어(Python, C, Java 등)로 300줄 이상의 코드를 작성해 본 경험이 있다.

* [강의 자료 Github 미리보기]를 통해, 강의 난이도를 확인해 주세요!

혹시, 사전지식이 부족하신가요?
[TensorFlow로 시작하는 딥러닝 입문 CAMP]를 추천합니다.

이론 및 개념 정리가 아닌, 결과물 구현이 목표이신가요?
[인식 모델 구현 프로젝트 CAMP]를 추천합니다.

수강생 후기.

★★★★★
6기 수강생 방승환

10주 내내 코드 설명을 듣고 강사님이 주시는 보충자료를 보다보니, 확실히 텐서플로우 코드를 파악하는 힘이 늘었습니다. 그리고 혼자서는 하기 힘들었던 난이도 높은 딥러닝 주제들을 접해볼 수 있어서 좋았습니다. 이런 강의 수강 경험을 통해, 회사를 선택하고 진로를 결정하는데 큰 도움이 될 것 같습니다.

후기 자세히 보기>

★★★★★
7기 수강생 이OO

많이 알려진 기술들과 그 기술들 간의 차이, 사용된 방법 등을 서로 비교하면서 상세히 알려주어 이해에 도움이 되었고 다양한 방법을 공부할 수 있어서 좋았습니다.

★★★★★
8기 수강생 이OO

최근 주목받고 있는 분야에 대한 트렌드와 내용에 대해 이해하고 코드 내용까지 배울 수 있어 유익한 시간이었습니다. 머신러닝, 딥러닝에 대한 기본적인 이해를 바탕으로 심화 내용으로 진입하는데 있어 좋은 출발점이 될 것으로 생각됩니다.

★★★★★
7기 수강생 박OO

영상인식 관련 딥러닝의 다양한 기법이 대체적으로 잘 이해될 수 있었습니다.

★★★★★
7기 수강생 이OO

수업자료에 많은 내용을 포함해서 설명하기 위한 노력이 느껴집니다.

★★★★★
8기 수강생 박OO

각 모델들의 구조를 그림을 통해서 설명해주는 방법이 도움이 많이 되었습니다

★★★★★
8기 수강생 임OO

방대한 내용을 단기간에 익힐 수 있는 유익하고 흥미로운 강의였고, 논문 설명고 코드 리뷰가 아주 좋았습니다.

★★★★★
8기 수강생 김OO

딥러닝의 기초부터 현재 어디까지 발전했고 어떠한 형태로 발전했는지에 대해 빠삭한 이론 설명으로 이해하기 쉬웠습니다.

★★★★★
7기 수강생 윤OO

논문설명과 코드리뷰가 아주 좋았습니다.

★★★★★
8기 수강생 강OO

10주간 수업을 들으면서 내용적으로 어려운 부분도 있고 잘 이해가 가지 않는 부분도 있었지만 수업 중에 내주신 과제를 직접해보고 강사님이 올려주신 코드를 분석해보면서 다시 공부를 하니 처음에는 이해가 가지 않던 부분도 이해가 되고 많은 도움이 되었습니다. 무엇보다 중요한 논문들을 한번쯤은 보고 싶었는데도 시간이 없다는 핑계로 미루기만 하였는데 이 수업을 통해 강사님이 중요한 부분을 짚어주며 직접 구현한 코드를 제공하여 주셔서 다음에도 혼자서 논문을 공부하는 요령과 방법을 배울 수 있어서 좋았습니다.

FAQ.

영상인식 기법이 적용된 결과물 구현에 관심이 있습니다. 이 코스가 적합할까요?

본 코스는 영상인식을 위한 많은 이론들을 체계적으로 정리하고, 주요한 논문을 review 하는 것을 특징으로 합니다. ‘결과물 구현’에 관심 있으시다면 [인식 모델 구현 프로젝트 CAMP] 수강을 추천 드립니다.

딥러닝과 TensorFlow 학습을 막 시작하였습니다. 코스 수강이 가능할까요?

본 코스에서는 최신 이론과 논문을 다루고 있습니다. 따라서 CNN, RNN, LSTM 등 기본적인 딥러닝 모델에 대한 이해와 TensorFlow 코드를 읽고 의미를 파악하실 수 있다는 전제로 진행됩니다. 수강 전 수강 선수 지식과 사전 지식 체크 리스트를 반드시 확인해 주시기 바랍니다. 사전 지식이 부족할 경우 [TensorFlow로 시작하는 딥러닝 입문 CAMP] 수강을 추천 드립니다.

실습을 위해서는 컴퓨터 사양이 어떻게 되어야 하나요?

코스 기간 중 실습에 활용하실 수 있도록 AWS instance가 제공됩니다. 따라서 개인 랩탑 사양은 크게 중요하지 않습니다.

{ FASTCAMPUS COMMUNITY MEMBERSHIP }

패스트캠퍼스 오프라인 강의를 수강하셨다면!
별도의 가입절차없이 패스트캠퍼스 커뮤니티 멤버쉽 회원이 됩니다.
커뮤니티 멤버쉽은 수강 후 1년 동안 유지되며,
오직 멤버들만을 위한 비공개 스터디클럽, 네트워킹행사, 세미나 등 비정기적 행사에 모실 예정입니다.

image_1@2x
image_2@2x
image_3@2x
image_4@2x
image_5@2x
매주 목요일마다 할인 마감!

수강료 안내

강의 정보, 한 번 더 확인!

기 간 : 2020. 02. 01. ~ 2020. 04. 04.
일 정 : 매주 토요일 (주 1회, 총 10주)
* 이론·코드리뷰반: 14:00 – 17:00(총 30시간)
* 프로젝트반: 14:00 – 19:00(총 46시간)
준비물 : 개인 노트북
장 소 : 패스트캠퍼스 강의장


정가 140만원 할인가 126만원

이론반 최저가 할인 10% (-1/24 정오)

✓ 할인가는 매주 금요일 정오 변경됩니다.
✓ 본 강의는 결제 완료 순으로 마감됩니다.
✓ 개강 전일 18시에 모집이 마감됩니다.

정가 200만원 할인가 180만원

프로젝트반 최저가 할인 10% (-1/24 정오)

✓ 할인가는 매주 금요일 정오 변경됩니다.
✓ 본 강의는 결제 완료 순으로 마감됩니다.
✓ 개강 전일 18시에 모집이 마감됩니다.

다음 모집은 언제죠?

출시알림을 신청해주세요
(이론반, 프로젝트반 공통)

최저가로 강의를 수강할 수 있게, 강의 홍보 시작 시 가장 먼저 메일을 보내드립니다.

* 계산서 발행을 원하실 경우, 먼저 수강신청을 진행한 후 사전에 결제 프로세스를 문의해주시기 바랍니다.
* 수강 인원이 10명 미만인 경우 또는 내부 사정으로 인하여 부득이하게 폐강될 수 있습니다. (자세한 안내는 하단 유의사항 참고바랍니다.)

강의장 안내

[ 유의사항 및 환불규정 ]

* 모든 패스트캠퍼스 오프라인 파트타임 교육은 개강 전일 18시에 모집이 마감됩니다.
* 상황에 따라 사전 공지 없이 모집이 조기 마감되거나 할인이 연장될 수 있습니다.
* 수강 인원 확인을 위하여, 즉시 결제가 어려운 경우에도 반드시 수강신청을 먼저 진행해주시기 바랍니다.
* 수강생의 결석이나 지각 등으로 발생한 손해에 대해서는 별도의 보상을 제공하지 않습니다.

* 다음과 같은 사유 등으로 인해 강의가 폐강될 수 있으며, 폐강 시 학원법에 따라 반환 사유 발생일로부터 5 영업일 이내에 수강료를 환불해드립니다.
– 모집된 수강인원이 10명 이하일 경우
– 강사의 갑작스러운 사고 및 건강 상의 이유
– 천재지변
: 위의 사유로 강의가 폐강될 경우, 학원법 제 18조에 따라 오프라인 강의 취소/환불 정책을 준용하여 환불 처리되며, 모객 부진으로 폐강 시에는 최소 개강일로부터 7일 전에는 폐강 여부를 안내해드립니다.

* 총 수강기간 1개월 이내 기준 취소 및 환불 규정 안내
– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 수업 시작 전 환불 신청 시 전액 환불됩니다.
– 수강 시작 후 환불 신청 시 하기 수업 시수를 기준으로 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수업시수 1/3 경과 전 : 수강료 2/3 환불
: 환불요청일시 기준 수업시수 1/2 경과 전 : 수강료 1/2 환불
: 환불요청일시 기준 수업시수 1/2 경과 후 : 환불금액 없음

* 기타 환불 관련 안내
– 환불 의사를 밝힌 다음날부터 계산하여 환불합니다.
– 환불금액은 수업시간을 기준(반올림)으로 산정합니다.
– 환불금액의 10원 미만은 절삭합니다.
– 반환 사유 발생 시 5 영업일 이내 환불됩니다.
: PG사와 카드사의 상황에 따라 환불이 지연될 수 있습니다
– 1개월 산정 기준은 민법 제 160조(역에 의한 계산)을 적용합니다.
: 실제 일수와 상관없이 수업시작일이 3월 7일인 경우, 1개월은 4월 6일까지 입니다.
: 단, 수업 시작일이 1월 31일인 경우, 1개월은 월의 말일인 2월 28일까지 입니다.

딥러닝 영상인식 분야의 핵심 논문 26개를 집중공략한 커리큘럼!

10% 할인중! (-1/24 정오)