Pytorch를 활용한
Generative Model
입문 CAMP

Generative Model의 기초가 되는
확률 통계와 베이지안 이론 그리고
VAE, GAN, Deep Generative Model까지!

#Generative Model#베이지안
#VAE&GAN

기간 & 일정

2020.2.1 ~ 3.21
토요일 10:00 ~ 13:00
주 1회, 총 24시간

장소 & 준비물

패스트캠퍼스 강남 본원
개인 노트북

문의

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

데이터는 많은데 레이블링 하느라 시간 다- 보내시거나!
데이터가 너-무 적어서 모델에 적용할 시도조차가 어려우신가요?

그렇다면 Generative Model이 정답입니다!

Generative Model을 당신의 실무로 가져가기 위한 준비.

Generative Model의 기초 베이스, 베이지안 이론과 확률 통계부터
최근 모델인 GAN과 VAE까지 본 강의를 통해 모두 익혀가세요!

코스특징.

01

체계적인 수식/통계 설명과
다양한 활용 사례 공유

많은 분들이 수학적/통계적 허들로 인해 Generative Model을 학습하는데 어려움을 겪습니다. 본 강의에서는 수강생들의 이러한 고민들을 해결해 줄 수 있는 강사님의 체계적인 수식 설명이 준비되어 있습니다. 뿐만 아니라, 모델의 활용 예시를 직관적으로 제시하여 주시기 때문에 수식의 이해와 동시에 GAN, VAE 등의 모델링 역량까지 가져가실 수 있습니다!

02

데이터라벨링 문제를
극복하는 해결법 습득

하나의 물체를 인식하는 모델을 학습하려고 한다면, 수만장의 영상 데이터를 라벨링 해주어야 합니다. 하지만, 실제 회사에서는 인원과 시간이 한정되어있기 때문에 많은 양의 데이터에 라벨링 작업을 하기가 쉽지 않죠. 본 강의를 통해 이러한 데이터 라벨링 문제를 해결할 수 있는 Generative Model을 학습하고, 데이터 라벨링에 대한 인사이트를 제공해 효율적인 문제 해결법을 습득해가세요!

03

GAN을 활용해 한정된
데이터로도 모델 성능 향상

딥러닝, 머신러닝에 관심은 있어도 내가 가진 데이터가 적어 이를 활용할 수 없다고 생각하시는 분들이 많습니다. 제대로 된 분석을 위해서는 몇 백, 몇 천 건의 데이터를 보유해야 하니까요. 하지만, GAN을 이용한다면 적은 데이터로도 다양한 학습 데이터를 충분히 만드실 수 있습니다! 모델의 성능향상과 accuracy를 한층 더 높여 줄 수 있는 GAN 활용법, 지금 바로 배워보세요!

실제 수업은 이렇게 이루어지는지 궁금하신가요?
강의 노트와 강의 자료를 확인해보세요!

*강의 노트는 이전 기수 수강생분들께서 직접 작성하신 결과물입니다.  🙂

강의 노트 예시

박지선님의 강의 노트

윤재영님의 강의 노트

실습 자료 예시

VAE learning to generate images

gen_models_anim_2-300x300

GAN learning to generate images

8주 후 당신은,

데이터 label이 적은 상황에서도 generative model을 통해 이를 극복할 수 있는 방법을 이해합니다.

확률 통계 및 수식에 대한 체계적인 설명으로 Generative Model을 이해하는 기반을 닦을 수 있습니다.

한정된 데이터만 가지고도 모델의 성능을 높일 수 있게 됩니다.

공부도 하고!
학습지원금도 받고!

10만원을 학습지원금으로 드립니다.

패스트캠퍼스의 수강의지를 강화하기 위한 지원금 제도를 운영합니다
패캠이 제안하는 학습 목표를 달성하고 커리어 이상의 성취감을 얻어가길 바랍니다.

*학습지원금은 제세공과금(22%)을 제하고 드립니다.

학습노트

100% 제출

커리큘럼.

Basic Probability
and Information Theory

Introduction to
Generative Model

Deep Generative Model

Other Important Deep
-Generative Models

Part1. Generative model이란?

Deep Generative model을 학습하기 위해 필요한 기초 지식을 다지고,
기존에 존재했던 generative model에 대해 살펴봅니다.

1회차 : 기초 확률 이론과 정보 이론

Generative model(생성 모형)을 이해하기 위해서는 다양한 이론들을 알아야 하지만, 그 중 필수적인 기초 확률 이론과 정보 이론에 대해서 살펴봅니다. 또한, 머신 러닝의 기초 알고리즘인 선형 회귀 모형과 로지스틱 회귀 모형을 확률의 관점에서 살펴보고, generative model과 연관지어 살펴봅니다.

자세히 보기

[이론]

  • 기초 정보 이론
    • Entropy, Cross-entropy
    • KL-divergence, Mutual Information
  • 기초 확률 이론
    • 확률 모델, MLE, MAP 추정
    • Bayesian 이론
  •  확률적 관점에서 바라보는
    • 선형 회귀 모형
    • 로지스틱 회귀 모형

[실습]

  • 확률적 관점에서 바라본 선형 회귀 모형과 로지스틱 회귀 모형의 구현

2회차 : 기존의 Generative model

Deep generative model 이전에도 생성 모형은 많이 사용되어 왔습니다. 어떤 모델들이 존재하였는지 살펴보고, 중요한 학습 알고리즘인 EM 알고리즘에 대해서도 살펴보고 이를 직접 구현해 봅니다.

자세히 보기

[이론]

  • Supervised generative models
    • Naïve-Bayes model
    • Gaussian Discriminators Analysis
  • Discriminator model vs Generative model
  • Unsupervised generative models
    • GMM(Gaussian Mixture Model)
    • EM(Expectation-Maximization) algorithm

[실습]

  • GMM model / EM algorithm

Part2. Deep generative models

Deep generative model의 양대 산맥인 VAE(Variational Autoencoder)와
GAN(Generative Adversarial Nets)에 대해 이론과 실습을 통해 살펴봅니다.

3회차 : Generative model의 양대산맥 – (1) VAE (Variational Auto-Encoder)

대표적인 generative model인 VAE의 개념과 이에 필요한 이론인 Variational Inference에 대해 이론과 실습을 통해 살펴봅니다.

자세히 보기

[이론]

  • What is VAE?
  •  Variational Inference
  • VAE 구현하기

[실습]

  • VAE 구현하기

4회차 : Generative model의 양대산맥 – (2) GAN (Generative Adversarial Nets)

대표적인 generative model인 GAN의 개념과 이에 필요한 이론인 adversarial training 방법론에 대해 이론과 실습을 통해 살펴봅니다. 또한, VAE와 GAN의 특징을 살펴보면서, 어떠한 장단점이 있는지 살펴봅니다.

자세히 보기

[이론]

  • What is GAN?
  • Adversarial training
  • GAN 구현하기
  • VAE vs GAN

[실습]

  • DCGAN 구현하기

5회차 : VAE와 GAN의 한계를 개선하는 모델들

기본 VAE와 GAN 모델에는 여러가지 한계점이 존재합니다. 이를 보완하기 위한 몇몇 중요한 모델들에 대해 살펴보고, 실습을 통해 직접 구현해봅니다.

자세히 보기

[이론]

  • GAN의 발전된 모델: CGAN, ACGAN, infoGAN
  • GAN의 학습 안정성을 개선한 모델: WGAN, EBGAN, BEGAN
  • VAE의 발전된 모델: CVAE, AAE

[실습]

  • infoGAN 구현하기
  • AAE 구현하기

Part3. Deep Generative model의 응용

Deep generative model을 응용하여 실제로 접근할 수 있는 문제들에 대해
어떤 연구들이 있었는지 살펴보고 이를 직접 실습을 통해 구현해봅니다.

6회차 : Deep Generative model의 응용 – (1) domain transfer

Deep generative model이 가장 많이 활용되고 있는 분야 중 하나인 domain transfer에 대해 이론과 실습을 통해 학습합니다.

자세히 보기

[이론]

  • What is domain transfer?
  • GAN을 활용한 image translation
    • Pix2Pix, CycleGAN, StarGAN

[실습]

  • Pix2Pix, CycleGAN의 구현

7회차 : Deep Generative model의 응용 – (2) Semi-supervised learning

Generative model이 응용되는 분야인 semi-supervised learning에서 Deep generative model이 어떻게 활용되는지 이론과 실습을 통해 살펴봅니다.

자세히 보기

[이론]

  • What is Semi-supervised learning?
  • Generative model in Semi-supervised learning
    • Gaussian Mixture Model (GMM)
  • Semi-supervised learning with deep generative model
  • Semi-supervised learning with GAN
    • SGAN, catGAN, TripleGAN

[실습]

  • Semi-supervised learning with deep generative model 구현하기

8회차 : Deep Generative model의 응용(3) – Other applications

실제 문제에서 중요한 부분이지만 Deep generative model이 실제로 활용되기 어려운 분야에서도 진행되고 있는 연구에 대해 소개하고 이론과 실습을 통해 살펴봅니다.

자세히 보기

[이론]

  • Anomaly detection
    • What is anomaly detection?
    • Traditional methods
    • Anomaly detection with generative models
  • Missing value imputation
    •  What is missing value imputation?
    •  Traditional methods
    • Missing value imputation with generative models

[실습]

  • AnoGAN구현하기

수강대상.

icon_man3_3_oh

GAN과 VAE를 공부해보려 했지만,
어려움을 겪고 포기한 분

icon_woman1_2_happy-150x150

Generative model 이론은 공부했지만,
실제 구현 방법은 모르겠는 분

icon_man4_3_oh

Generative Model에 대한
최신 논문을 꼼꼼히 리뷰하고
실무 활용법을 배우고 싶은 분

수강 신청 전, 수강생 선수 지식을 확인하세요!

아래 항목 중 2개 이상 yes라고 답하실 수 있어야, 수강에 어려움이 없습니다.

① CNN에 대한 이론 및 실습 경험이 있는 사람
② 파이썬 코딩이 가능하고 PyTorch/Tensorflow/Keras사용경험이 있는 분
③ MNIST와 같은 딥러닝 예제를 따라해보신 분

위와 같은 선수 지식이 없으시다구요? 아래의 동영상 강의를 통해 예습을 하고 오시면 됩니다!

# 김성훈 교수님의 PyTorch 딥러닝 입문 강좌 (보러가기 ▶)
# PyTorch 튜토리얼 (보러가기 ▶)
# Bayesian statistics : a comprehensive course(보러가기 ▶)
# 세상에서 가장 쉬운 베이즈 통계학 입문 (참고서적)(보러가기 ▶)

수강생 후기.

다른 수강생들은 본 강의를 어떻게 들었을까요?
이전 기수 수강생들의 후기를 확인해보세요!

수업에서 Generative Model을 이용한 Semi-supervised, Unsupervised Model에 관한 여러 논문을 소개해주는 수업을 들으면서, GAN을 이용한 데이터 부족 문제를 해결할 수 있는 인사이트를 얻게 되었습니다. 추후 포스팅 이미지 분석할 때, 수업에서 배운 지식을 적용해 볼 예정입니다.

연구가 활발한 만큼 다양한 GAN 모델이 쏟아져 나오고 있습니다. 이 수많은 GAN이 쏟아져 나오는데 현업에서 일하는 경우 이 모든모델을 적용해보기엔 시간도 아깝고, 그만한 인력도 없는 곳이 대부분이라 생각이 드네요. 그런 시간을 최소화시켜주고, 적절한 모델을 빠르게 찾아갈 수 있도록, 주요 GAN에 대해 바로 적용이 가능하도록 짧은 시간에 효율적으로 배웠습니다.

다양한 Generative Model들의 개념적 이해와 해당 모델들의 구조적 특징을 배웠던 것이 가장 좋았습니다. 무수히 많은 Generative Model들을 모두 다룰 수는 없지만 그 안에서 중요하고 핵심이 되는 모델들을 발전과정에 따라 배움으로써 Generative Model의 굵직한 흐름을 이해 할 수 있었습니다. 그 과정에서 수식적인 부분도 세심하게 다루어 주셔서 논문 이해에도 많은 도움이 되었습니다.

강사소개.

이제혁 강사님

약력
2014-현재 서울대학교 산업공학과 박사과정, 데이터마이닝 전공
2012-2014 KAIST 산업공학과 석사, 금융공학 전공
2007-2012: KAIST 산업공학과 학사
강의 경력
2013년 KAIST 금융공학개론 조교
2013년 KAIST 포트폴리오 관리 조교
2015년 D사 R프로그래밍 기초 강의
2015년 D사 Data Analytics 강의 조교

실제 데이터를 다루는 사람이라면 매우 흔하게 겪게 되는, 레이블이 부족한 데이터 환경에서 문제를 해결하기 위해서 deep generative model이라는 선택지가 있다는 것을 알려드립니다. 쉽지 않은 분야인만큼 가능한 쉽게 설명할 예정이며, 여러분들이 나중에 실제로 문제를 마주치게 될 때, 이 방법론을 활용하여 문제를 활용할 수 있다는 것을 인지하고, 이를 활용할 수 있는 방안에 대해서 인사이트를 얻기를 바라는 마음입니다.

image_1@2x
image_2@2x
image_3@2x
image_4@2x
image_5@2x

수강료안내.

강의 정보, 한 번 더 확인!

기 간 : 2019.8. 31. ~ 2019. 10. 19. (총 7주)
일 정 : (9/14 휴강)
토요일 10:00 – 13:00 (주 1회)
준비물 : 개인 노트북
장 소 : 패스트캠퍼스 강의장


정가 135만원

✓ 출시 알림을 신청해 주시면, 다음 일정 확정 시 안내 드립니다.

강의 정보, 한 번 더 확인!

기 간 : 2020.2. 1. ~ 2020. 3. 21. (총 8주)
일 정 : 토요일 10:00 – 13:00 (주 1회)
준비물 : 개인 노트북
장 소 : 패스트캠퍼스 강남 본원


135만원 150만원

마지막 할인 10% (-1/24 정오)

✓ 매주 금요일마다 가격이 소폭 상승합니다.
✓ 수강신청 후 결제 순으로 등록이 완료됩니다.
✓ 결제 시 학생증을 업로드해주시면 할인가가 적용 됩니다.

대지 1

강의장안내.

{ 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.

대표적인 비지도학습 모델인
Generative Model 활용예시.

Generative Model이 이미지에 많이 활용되었지만, 최근에는 음성이나 자연어 등의 데이터에도 활용되고 있습니다. 머지않아 음성 생성과 편집, 음성 변환이나 복원 등도 가능하여 질 것으로 예상됩니다. 이 밖에도 다양한 분야에서 Generative Model을 적용하기 위해 활발히 연구가 이뤄지고 있습니다. 본 강의에서는 특히 대표적인 Generative Model인 GAN과 VAE에 대해 중점적으로 다룹니다.

[ 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.