Keras로 시작하는 딥러닝 입문 CAMP

가장 ‘직관적인’ 딥러닝 라이브러리 Keras로 이론은 쉽게, 실습은 더 쉽게

#Keras#딥러닝#실습코스

기간 & 일정

2019. 11. 21 – 1. 16
(12/26 휴강)
목요일 19:30 – 22:30
총 8주, 24시간

장소 및 준비물

패스트캠퍼스 강남 본원
개인 노트북

문의

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

딥러닝 구현에 가장 많이 사용되는 Tensorflow
하지만 완벽한 사용을 위해 Keras는 필수!

Tensorflow, 복잡한 코드에 산너머 산…
쉬운 코드, 깔끔한 문법의 Keras로 고민해결!

최신 딥러닝 알고리즘은 Keras로 배포되는 추세입니다.

파이썬으로 만들어진 간결한 딥러닝 라이브러리
케라스는 코드가 쉽고 읽기 좋아서 협업이 편하며 유지보수가 쉽습니다. 딥러닝 전문가가 아니더라도 다양한 분야에 필요한 모델을 개발하고 활용할 수 있게 직관적인 API를 제공합니다. 주로 기업에서 탠서플로우대신 빠른 프로토타입을 개발하는데 쓰입니다. 연구가 아닌 실생활의 문제를 해결하기위해 최신기술과 값 비싼 하드웨어를 사용하는 대신 빠르고 효율적인 케라스를 활용하는 것입니다.

딥러닝 프레임워크 순위 (2018)

간결한 코드가 장점인 고수준 API Keres로 딥러닝 모델을 처음부터 끝까지 구현할 수 있기 때문에 Keras 사용자가 늘고 있습니다. 또, TensorFlow, MXNet, TypeScript, JavaScript, CNTK 등의 framework를 지원하여 낯선 환경에서 새로 문법을 배우지 않아도 keras를 적용할 수 있습니다. Keras를 알면 딥러닝 본연의 기능에 집중할 수 있습니다.

Keras를 알면
딥러닝이 쉬워집니다.

코드가 직관적인 Keras로 딥러닝을 배우면
입문자의 이론&실습 모두
학습속도가 빨라집니다.
딥러닝의 핵심으로 쉽게 들어가세요.

우리는 입문자니까, 지금 당장 딥러닝 언어의
복잡한 코드와 이론을 이해하지 않아도
코드가 간결한 Keras와 함께
딥러닝의 세계에 안착할 수 있습니다.

Keras의 장점.

사용자 친화적 인터페이스

일반적인 딥러닝 활용 사례에 맞춰 최적화된 Keras의 인터페이스는
사용자 오류에 대해 명쾌하면서도 실행 가능한 피드백과
유용한 조언, 이해하기 쉬운 오류 메시지를 제공합니다.

모듈식 구성

Keras 모델은 거의 제한 없이 구성 가능한 기본 구성 요소를
함께 연결하는 방식으로 만들어집니다.
이 프레임워크가 제공하는 모든 것을 채택할 필요가 없거나
심지어 모르더라도 Keras에서 필요한 부분을 재사용할 수 있습니다.
예를 들어 Keras Model을 사용하지 않고 훈련을 위해
계층 또는 옵티마이저를 사용할 수 있습니다.

손쉬운 확장

새로운 계층, 손실 함수, 최첨단의 아이디어를 전개하기 위한
[이곳에 자신의 아이디어 추가하기] 공란 등을 비롯하여
연구를 위한 새로운 아이디어를 표현하는 맞춤 기본 구성 요소를
작성할 수 있습니다.

입문부터 실무까지 활용

딥 러닝 개발자는 각자 배경과 경력, 경험 수준이 천차만별이지만,
Keras는 초보 개발자든 오랜 경험을 보유한 전문가든 상관없이
모두에게 유용한 API를 제공합니다.

딥러닝, 배우고는 싶지만
새로운 용어, 개념, 수식만 해도 배울 것이 산더미!?

이론만 배우는 딥러닝에 지친 당신을 위해!

이렇게 배웁니다.

keras1

실습 중심의 커리큘럼으로 배웁니다.

keras2

딥러닝, 수식적인 부담을 줄이고 직관적으로 이해하며 배웁니다.

매주 다양한 실습으로
딥러닝 초보도 8주 후엔
모델 구현까지 달성!

인물영역예측

사진에서 인물영역 예측하기

간단한모델링

딥러닝 모델링 실습

흑백사진칼라링

흑백사진을 컬러 사진으로 바꾸기

딥러닝을 실무에 가져가는 커리큘럼.

Part1. 머신러닝 딥러닝 그리고 Keras

머신러닝에 대한 전반적인 요점정리 후 tensorflow와 keras를 설치하고 간단한 tensor연산을 통하여 numpy의 연산과 비교합니다.
또 tensorflow와 keras 통한 간단한 모델을 구축하고 비교해봅니다.

[1강] intro to Machine Learning

– 머신러닝의 배경 설명
– keras의 필요성
– 간단한 TensorFlow 연산

더 보기

이론
쉬운 관점에서의 머신러닝 설명한다.
머신러닝은 무엇을 푸는 문제인가?
머신러닝은 문제를 어떻게 푸는가?
문제를 푸는 방식을 어떻게 채점하는가?

실습
tensorflow 설치 및 기본적인 연산 활용
keras 설치 및 기본적인 연산 활용 그 외
python을 이용한 deep learning 환경 구축

[2강] Basic Method of linear mode

– 선형 모델로 머신러닝 필수요소 학습
– Xor 문제로 기존 신경망 모델 (perceptron)의 한계점 학습

더 보기

이론
선형 모델을 통해 머신러닝 필수요소에 대해 자세히 알아가며 본격적으로 머신러닝을 이해한다.
선형 회귀 분석과 logistic 회귀 분석, perception, MLP의 차이점을 빠르게 brief 한다.

실습
선형 회귀를 이용하여 집값을 예측해본다.
perceptron을 이용하여 집값을 예측해본다.
perceptron와 MLP를 이용하여 Xor 문제를 풀어본다.

Part2. NN & CNN & Data

간단한 Neural Network(NN) 모델을 이용하여 머신러닝 필수 요소를 다시 확인합니다.
NN모델에 자주쓰이는 학습 데이터를 이용하여 여러가지 문제를 딥러닝으로 해결해봅니다.

[3강] Basic Method of deep learning

– MLP를 통하여 perceptron의 문제가 해결되었음에도 왜 수십년동안 딥러닝의 시대가 오지 않았는지 알아보고 딥러닝의 필수 요소들을 학습해본다.

더 보기

이론
back propagation – 딥러닝은 어떻게 결과를 개선시키는가?
vanishing gradient – layer의 오차를 어떻게 깊숙히 전달 시키는가?
activation 함수 – 어떤 방법으로 입력에 대한 출력을 결정하는가?
overfit, underfit, regularization – 과적합을 어떻게 해결 할 수 있는가?

실습
activation 함수를 변경해보며 수렴 확인
overfit과 underfit이 일어나는 상황을 확인
regularization을 이용하여 overfit 상황 처리

[4강] CNN basic

– 이미지에 강력한 성능을 발휘하는 CNN에 대하여 알아보고 핵심원리를 익힌다.

더 보기

이론
Convolution layer -인간이 보는 것처럼 NN을 이용하는 방법
Pooling Layer -이미지의 특징적인 값들만으로 계산 부하를 줄이는 방법
CNN bakbone들 설명 – 기존 모델들에 대한 특징들과 성능에 대한 설명

실습
간단한 NN model을 구축하여 mnist 처리 한 후 약점을 파악
CNN model로 변경하여 위의 약점이 해소되었는지 확인
다른 데이터셋에서 위의 모델을 사용해보고 유명한 CNN model을 사용하여 결과를 비교

Part3. AUTO ENCODER Architecture

다양한 형태의 AUTO ENCODER를 학습해보면서 다양한 CNN의 적용방법에 대하여 익혀봅니다.
(이미지 노이즈 제거, 일반 사진 흑백으로 변경, 일반 사진 세피아톤으로 변경, 흑백사진 칼라로 변경 등)

[5강] AUTO ENCODER and PCA

– 기본적인 AUTO ENCODER를 학습해보고 PCA와 어떤 차이점이 있는지 이해한다.
AUTO ENCODER/DECODER 구조를 익히고 해당 구조를 이용하여 다양한 변경 AUTO ENCODER를 구축한다.

더 보기

이론
latent vector와 차원 축소에 대한 개념 설명
PCA 및 AUTO ENCODER 설명
convolutional auto encoder 설명

실습
mnist를 이용한 auto encoder 구현
convolutional auto encoder 구현
denoising auto encoder 구현
VAE(variational auto encoder) 구현

[6강] Segmentation & Colorization

– CNN의 적용범위를 알아보고, segmentation이나 colorization 기법을 이해하고 구현해본다.

더 보기

이론
fcn, u-net 등을 통한 segmentation의 핵심 기법 이해
segmentation을 통한 이용한 colorization 이해

실습
배경에서 사람, 고양이, 개를 구분하는 segmentation모델을 구현
흑백 사진을 칼라로 바꾸는 모델 구현
칼라 사진을 흑백으로 바꾸는 모델 구현

Part4. Recurrent neural network (RNN)

CNN과 같이 변하지 않는데이터가 아닌, 시간에 따라 변화하는 데이터를 분석하는 RNN에 대해 학습합니다.

[7강] about recurrent neural network

– NN을 통한 연속 데이터에 대한 예측 방법에 대하여 알아보고, 기존 방법과의 차이를 쉽게 학습해본다.

더 보기

이론
RNN의 기본 개념
LSTM – RNN에 대한 또다른
vanishing gradient 해결 GRU – 단순하지만 강력한 RNN 모듈

실습
LSTM을 이용하여 bitcoin 과거 데이터 시계열 예측
image captioning – 사진을 넣으면 해당 사진을 묘사해주는 영어문장을 생성

[8강] RNN usage

– RNN을 이용하여 네이버 영화 긍부정 문장 분석을 해본다.

더 보기

실습
네이버 영화 긍부정 분석을 RNN으로 구현
사용자가 임의로 작성한 문장에 대한 긍부정 정도를 테스트

교육과정소개서_cta_mo-1

강의 소개를 한 눈에 보고 싶다면? 교육 과정 소개서를 확인해주세요!
* 본 소개서는 회사 제출용으로도 사용 가능합니다.

수강대상.

icon_man4_3_oh

최신 딥러닝 알고리즘, 모델을
구현해보고 싶은 입문자, 비전공자

icon_woman3_1_normal

수식을 몰라도 개념적 이해로
딥러닝에 대한 감을 익혀 결과물을 내고 싶은 분

선수지식.

아래 선수지식 3가지 중 2가지에 해당한다면, 본 강의를 무리 없이 수강 하실 수 있습니다.

① 나는 NumPy(2차원 배열이상), Pandas를 활용하여 데이터 분석을 경험해 본 적이 있다.
② 나는 파이썬에서 자료형[int(정수), float(실수), complex(복소수), bool(불), str(문자열), list(리스트), tuple(튜플), set(집합, 셋), dict(사전, 딕셔너리)]들의 차이를 알고 있다.
③ 파이썬에서 반복문의 코드를 작성하여 본 경험이 있다.

“딥러닝이 어떻게 코드로 구현되는지 궁금했다면,
학습한 개념을 코드에서 직관적으로 확인하고 싶다면
「Keras로 시작하는 딥러닝 입문 CAMP」가 답입니다.”

딥러닝의 시작을
함께할 강사님.

tiw036a34101

손근영

약력
-현 IT대기업 AI부서 소속
-연세대학교 디지털애널리스틱석사과정 겸임교수 (예정)
-전 SK텔레콤 Data Cell 검색&분석 파트장
-전 SK텔레콤 Tech Expert Board member (자세히 보기)
-연세대학교 컴퓨터공학과 석사 졸업

 

강의경력
-2019 연세대학교 디지털애널리스틱석사과정 겨울 학기(예정)
-2018 연세대학교 Bigdata X YONSEI
-빅데이터분석 강의
-2016 한국SW산업협회 빅데이터 기반 데이터사이언티스트 양성과정

“12년 이상 머신러닝 분야에서 일하며, NLP, 검색엔진 및 랭킹 모델링, ML, 사용자 로그분석, Deep learning으로 커리어를 쌓아왔습니다. 실무를 하면서 ML 방법론들은 이해하면 참 쉬운데, 위키디피디아나 수학 수식으로 보면 참 어렵다라는 것을 많이 느꼈습니다. 수식을 최대한 피해가면서 개념적으로 DL/ML을 익히고 싶은 분들 도와드릴 수 있습니다.”

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

수강료 안내.

강의 정보

기 간 : 2019. 11. 21. ~ 2019. 1. 16. (총 8주, 12/26 휴강)
일 정 : 매주 목요일 19:30 – 22:30 (3시간)
준비물 : 개인 노트북
장 소 : 패스트캠퍼스 강남 본원

 

할인 적용가 108만원 정가: 120만원

최대 할인 적용시 97.2만원(-11/21)

✓ 본 강의는 결제순으로 마감되는 강의입니다.
✓ 매주 목요일마다 가격이 소폭 상승합니다.
✓ 개강 전날 18:00에 모집이 마감됩니다. 수강 기회를 놓치지 마세요!
✓ 수강 인원이 10명 미만인 경우, 또는 내부 사정으로 인해 부득이하게 폐강될 수 있습니다.

다음 기수는 놓치지 마세요!

‘출시알림’을 신청해주세요

다음 강의 모집 시작 시 가장 먼저 이메일로 알려드립니다.

수식 없이도 딥러닝을 이해하는 방법, Keras와 함께하는 24시간

할인 마감 → D-

{ 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.

강남역 4번 출구 앞

강의장 안내

학습 지원 프로젝트

공부도 하고! 학습지원금도 받고!

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

학습 목표. 과제 및 학습노트 제출

8주차까지 강의내용에 대한 학습노트를 모두 제출. – 자세한 내용은 강의에서 안내해 드릴 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 및 얼리버드 할인과 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.

공부도 하고! 학습지원금도 받고!

미션 완료시
결제액의 10%를 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.

과제/학습노트

100% 제출

[ 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.