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

2019.08.31-10.19
(9월 14일 휴강)
토요일 10:00 – 13:00
주 1회, 총 21시간

장소 & 준비물

패스트캠퍼스 강남강의장
강남역 4번 출구, 미왕빌딩
개인 노트북

담당자 & 문의

이샘 매니저
02-518-4822
help-ds@fastcampus.co.kr

Generative Model도 다른 딥러닝 모델처럼
동작원리를 설명하기 어려운 블랙박스라구요?

착각하지 마세요! Generative Model은
수학적 설명이 가능한 딥러닝입니다!

논리적으로 설명할 수 있기 때문에 이미지, 음성, 자연어 등의 데이터에 다방면으로 쓰이며,
수학적/통계적 허들만 넘는다면 실무에 적극적으로 활용할 수 있는 기술이죠.

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

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

1회차 : Generative Model의 초석이 되는 기초 확률과 정보 이론

자세히 보기

[이론]

  • Basic Information Theory
    – Entropy, Cross-Entropy
    – KL divergence, Mutual Information
  • Basic Probability Theory
    – Probabilistic Model, MLE, MAP estimation
    – Bayesian Theory
  • Probabilistic Interpretation of Discriminative Models
    – (Probabilistic) Linear Regression and Logistic Regression

[실습]

  • (Probabilistic) Linear Regression / Logistic Regression 구현

2회차 : Generative Model의 개념, Discrimination Model과의 차이점

자세히 보기

[이론]

  • (Supervised) Generative Models
    – Naive Bayes Model, Gaussian Discriminators Analysis
  • Discriminative Model vs Generative Model?
    – Logistic Regression vs Gaussian Discriminators Analysis
  • (Unsupervised) Generative Models
    – Gaussian Mixture Model (GMM), EM algorithm

[실습]

  • GMM / EM algorithm

3회차 : 대표적 Deep Generative Model ①VAE(Variational Auto-Encoder)

자세히 보기

[이론]

  • VAE (Variational Auto-Encoder)
  • 변분 추론 (Variational Inference)
  • VAE 구현 이슈 및 장단점

[실습]

  • VAE 구현 실습

4회차 : 대표적 Deep Generative Model ②GAN(Generative Adversarial Network)

자세히 보기

[이론]

  • GAN (Generative Adversarial Network)
  • Game Theory / Adversarial Training
  • GAN 구현 이슈 및 장단점
  • GAN vs VAE 비교

[실습]

  • GAN(DCGAN) 구현 실습

5회차 : Improved GAN and VAE

자세히 보기

[이론]

  • Improved GAN
    – CGAN, SGAN, ACGAN, InfoGAN
  • Improved GAN Objective and Training Stability
    – LSGAN, WGAN (optional)
    Improved VAE and Applications
  • CVAE, AAE
    – Other GAN + VAE models

[실습]

  • InfoGAN / LSGAN 구현
  • CVAE / AAE 구현

6회차 : Deep Generative Models의 응용

자세히 보기

[이론]

  • Application of GANs
    – Super-Resolution (EnhanceNet)
    – Simulation (SimGAN)
    – Domain Transfer (Pix2Pix, CycleGAN)
    – Anomaly detection with GAN (AnomalyGAN)

[실습]

  • Pix2Pix / CycleGAN 구현 실습

7회차 : Other Important Deep Generative Models

자세히 보기

[이론]

  • Auto-Regressive Model (PixelRNN / PixelCNN)
  • Mixture Density Network (MDN)
  • TBA (최신 이슈 강의 or 보강)

[실습]

  • PixelCNN / MDN (Mixture Density Network) 구현

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 ▶)

코스와 관련한 문의는 담당매니저(02-501-9695)에게 언제든 연락해주세요🙂

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.

전인수 강사님

강의 시간 약 1/4을 할애하여 기초적인 이론 및 관련 지식을 최대한 쉽게 풀어 전달드리려고 많이 노력합니다. 아무래도 저 스스로 혼자 배운 경험이 있기 때문에 이러한 부분에서 많은 도움을 드릴 수 있을 것 같아요.
​아무래도 어려운 이론을 한번만에 습득하기에 무리가 있기 때문에, 앞에서 배운 개념들이 강의가 진행되는 동안 계속 틈틈히 반복이 될 수밖에 없습니다. 그렇기 때문에 강의를 들으면서 저절로 학습이 되도록 순서를 효과적으로 구성하려 노력했습니다.

[약력]
– 서울대학교 – 시각 및 학습 연구실, 박사과정, 딥러닝 및 컴퓨터 비전, 2016 ~ Present
– 서울대학교 – AILAB 연구실, 석사, 기계학습 및 컴퓨터 비전 2013 ~ 2016
– University of California, Los Angeles, 학사, 컴퓨터 공학 전공, 통계학 부전공, 2009 ~ 2012

[Teaching Experience]

– 2014~2015 기계학습 (Machine Learning) 과목 조교
– 2017 컴퓨터 비전 (Computer Vision) 과목 조교
– 2017 서경대학교 딥러닝 특강
– 2017 서울대학교 4차 산업혁명 아카데미 선행교육 강사 (선형대수 및 확률, 조합론)
– 2017 패스트캠퍼스 챗봇 딥러닝 세미나 CAMP 2,3기 조교
– 2017 서울대학교 빅데이터 아카데미 (빅데이터 엔지니어 과정 딥러닝 이론 강의 및 실습)
– 2017 서울대학교 Probabilistic Graphical Model 과목 조교

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


121만원 135만원

얼리버드 할인 | 10% OFF

✓ 8월 29일 자정에 가격이 변경됩니다.
✓ 매주 목요일마다 가격이 소폭 상승합니다.

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.

학습 지원 프로젝트

공부도 하고! 학습지원금도 받고!

*학습지원금(제세공과금 22% 차감 후 지급)은 강의마다 개인마다 상이할 수 있습니다.

학습 목표 . 학습노트 제출

자세한 학습노트 제출 일정은 강의에서 안내해드릴 예정입니다.

학습지원금을 받으려면?

미션을 모두 완료하면 신청페이지를 통해 신청 가능합니다.
다만, 강의 종료 후 30일 이내에 신청페이지를 통해서 신청해주셔야 합니다.
아래의 환급신청 링크로 신분증 사본 / 환급받을 통장사본을 제출 (반드시 본인 명의로만 가능)해 주세요.
결제한 수강료의 10% (환급 금액의 22% 제세공과금으로 차감) 를 드리며, 학습지원금은 개인마다 상이할 수 있습니다.

환불규정

* 학습지원금은 기수강생 할인만 중복 적용이 가능합니다. (기타 다른 이벤트와 중복 적용이 불가합니다.)
* 과제물이 허위로 작성되거나 표절일 경우 환급이 거절될 수 있습니다.
* 환불은 환불규정(https://www.fastcampus.co.kr/refund/)에 따라 진행됩니다. 규정에 의거하여 환불금액이 없을 수 있습니다.