PyTorch로 시작하는
딥러닝 입문
CAMP.

# 알고리즘 이해도 버거운데 코딩까지 어려우면 딥러닝 입문은 멀어지는 법!

# 간편한 설치와 Pythonic한 코딩이 가능한 PyTorch로 보다 빠르게 딥러닝에 입문하세요!

기 간 일 정 장 소 준비물 문 의
10월 6일 ~ 11월 24일
(주 1회, 총 8회)
토요일 오후 2시 ~ 5시
(회 당 3시간, 총 24시간)
패스트캠퍼스 강남 강의장 개인 노트북 권장 윤형진 매니저
tel. 02-517-0641
help-ds@fastcampus.co.kr

왜 PyTorch인가?


널리 사용되는 것이 TensorFlow일지라도, 딥러닝 구현 자체가 목표라면 쉽고 빠르게 배워야 하기 때문입니다.
TensorFlow로 딥러닝 구현을 하다 어려움을 겪었다면, 지금 당장 PyTorch를 시작해보세요!

1) 간편한 설치

2) 이해와 디버깅이 쉬운 직관적이고 간결한 코드 구성

3) Define-by-run 방식을 기반으로 한 실시간 결과값 시각화

4) 파이썬 library와의 높은 호환성

5) Winograd convolution algorithm 기본 적용을 통한 빠른 모델 훈련

강의 특징.

icon_basic

PyTorch 사용법부터
설치 실습까지

TensorFlow에 막혀 PyTorch를 접해보지 못한 왕초보도 바로 따라할 수 있도록 PyTorch 설치부터 딥러닝 구현을 위한 사용법에 대해 하나 하나 가르쳐 드립니다.

icon_atoz

딥러닝의 다양한
알고리즘 이해

딥러닝 학습 시 겪는 문제점과 해결 방안을 먼저 배워, 다양한 알고리즘을 체계적으로 이해하고 추후 발생할 수 있는 문제에 대해 대처할 수 있도록 도와드립니다.

icon_learningcurve

다양한 실습으로
딥러닝 구현 역량 강화

다양한 예제의 코드를 직접 구현해보는 실습으로 수강생 여러분 스스로 원하는 딥러닝 모델을 완성하고, 수강 후에는 API 만 보고도 원하는 결과를 출력하실 수 있습니다.

커리큘럼.

* 실습은 AWS 서버에 접속해서 진행됩니다. 따라서 개인 노트북 사양은 크게 중요하지 않습니다.
* 각 회차별로 진행되는 주요 실습에 대한 예시 이미지가 있으니, 참고해주기 바랍니다.

1회차 : Deep Learning & PyTorch: 딥러닝이란 무엇인가 알아보고, 왜 PyTorch를 배워하는지 개념을 다집니다.

Introduction
> 왜 딥러닝인가?
> 왜 PyTorch인가?

PyTorch Basic
> PyTorch 설치 및 환경 구축
> PyTorch Tensor 다루기

[실습] Python Basic
[실습] Tensor
[실습] Variable and Autograd

2회차 : Basics for Model Training: 모델 학습을 이해하면서 PyTorch를 통해 선형회귀와 분류를 구현해 봅니다.

Model Training
> Supervised & Unsupervised Learning
> Model Training Process
> Loss Function/ Gradient Descent/ Backpropagation

Regression Models
> Linear Regression
> Multivariate Linear Regression
> Non-Linear Regression
Classification Models
> Logistic Regression

[실습] Linear Regression
[실습] Multivariate Linear Model
[실습] Non-Linear Regression
[실습] Logistic Regression

3회차 : Neural Network & CNN(Convolutional Neural Networks): Neural Network를 통해 복잡한 모델에 대해서도 높은 성능의 분류를 구현하고, 공간적 데이터를 다루기 위해 Filter 연산 기반의 CNN을 활용해 봅니다.

Neural Networks
> Activation Functions
> Neural Network
> MNIST
> Batch Training

CNN
> Convolution Layer
> Pooling Layer
> Fully Connected Layer
> GRAY/ RGB

[실습] Activation Functions
[실습] Neural Networks
[실습] Neural Network with MNIST
[실습] CNN with MNIST
[실습] Simple CNN with HANGUL JAMO

4회차 : Method for Improving Models: 기존 모델들의 성능 한계를 확인하고, 이를 극복하기 위해 뛰어난 성능을 보였던 CNN 모델들의 특징과 구조를 익혀 분석해 봅니다.

Methods for Improving Model
> Data Preprocessing
> Other Optimizers
> Weight Initialization/ Regularization
> Batch Normalization/ Dropout

Advanced CNN
> AlexNet/ VGGNet
> GoogLeNet/ ResNet
> Inception

Transfer Learning
> Feature Extraction
> Fine Tuning

[실습] Improving Simple CNN
[실습] CNN with CIFAR10
[실습] Feature Extraction with VGG16
[실습] Transfer Learning with Inception v3

5회차 : NLP(Natural Language Processing): SNS, 리뷰, 기사 등 자연어 분석을 위한 방법을 익히고, 실제 리뷰 데이터를 기반으로 감성 분석을 진행해 봅니다.

Preprocessing with Natural Language
> Tokenize
> Stopping/ Stemming
> POS-tagging
> N-gram

Bag of Words
> TF-IDF

Word2Vec
> Skip-Gram
> CBOW
> Negative Sampling

Sentimental Analysis

[실습] NLTK & Konlpy
[실습] Sentimental Analysis with Bag of Words and NN
[실습] Sentimental Analysis with Word2Vec and CNN

6회차 : RNN(Recurrent Neural Network): Sequential 데이터를 분석하기 위한 기법인 RNN을 익힙니다. 또한 앞서 학습한 자연어 처리 기법을 적용하여 셰익스피어의 문체를 모방하고, 시계열 데이터인 가상화폐 가격을 예측해 봅니다.

Sequential Data
RNN
GRU(Gated Recurrent Unit)
LSTM (Long Short-Term Memory Models)

[실습] RNN with Hamlet
[실습] LSTM with Moby Dick
[실습] RNN for Cryptocurrency Price Predicting

7회차 : Auto-Encoder: 이미지의 특성을 추출하여 이미지를 재구성하는 Generative Model 구현을 위한 Auto-Encoder를 익힙니다. 또한 Denoising 기법을 통해 이미지의 노이즈를 제거해 봅니다.

Auto-Encoders
VAE(Variational Auto-Encoders)
Convolutional Auto-Encoders

[실습] Standard Auto-Encoder with MNIST
[실습] Convolutional Auto-Encoder with MNIST
[실습] Variational Auto-Encoder with MNIST
[실습] Denoising Auto-Encoder with MNIST/ SVHN

8회차 : GAN(Generative Adversarial Networks): Generative Model의 강자인 GAN을 통해 생성 모델의 무한한 가능성을 확인해 봅니다.

GAN
DCGAN(Deep Convolutional Generative Adversarial Networks)
cGAN(Conditional GAN)
> Pix2Pix

Recent Works
> InfoGAN
> Progressive GAN

[실습] GAN with MNIST
[실습] DCGAN with MNIST
[실습] Pix2Pix with HANGUL JAMO
[실습] PyTorch 4.0

강의 실습 예시.

1-7회차 실습 예시

8회차 DCGAN with MNIST 실습 예시

추천 대상.

icon_man4_4_unhappy

딥러닝을 TensorFlow로 시도하면서
어려움을 겪은 개발자/ 연구원

icon_man4_2_happy

딥러닝의 개념을 정리하고
PyTorch를 사용하고 싶은 개발자/ 연구원

강의를 듣기 전 미리 공부하면 좋은 자료를 추천드립니다.
아래 버튼에 연결된 [ 모두를 위한 딥러닝 강좌 ]를 미리 예습해오세요!
단, 해당 강좌는 TensorFlow로 실습이 진행되니, 전체적인 딥러닝 개념을 잡는 정도로만 수강하신 후 본 CAMP에 참석하시면 됩니다.

강사 소개.

cb036064838-200x200

강사 Harry Kim

코딩은 ‘Learning by Doing’이라고 생각합니다. 이론만 안다고 할 수 있는 것도 아니고, 공개된 코드를 한 번 따라 써봤다고 할 수 있는 것은 더더욱 아닙니다. 자기 자신이 생각한 아이디어를 구현할 수 있을 때, 비로소 코딩을 배우고 익혔다고 생각합니다.
이런 점에서 딥러닝은 기존에 불가능했던 모델을 구현할 수 있게 해주는 굉장히 매력적인 분야입니다. 본 강의 [PyTorch로 시작하는 딥러닝 입문 CAMP]에서는 친숙해지기 쉬운 딥러닝 라이브러리 PyTorch를 기반으로, 자그마한 아이디어부터 큰 아이디어까지 차근차근 실현해 나아가는 것을 목표로 합니다.

[ 약력 ]

– 서울대학교 산업공학과 석박사통합과정 재학 중
– 서울대학교 산업공학과 학사
– 입문자 대상 파이썬 교육 다수 진행

수강 전에 꼭 확인하세요!

본 강의는 Python에 기반을 둔 딥러닝 라이브러리 PyTorch로 진행되기 때문에 다음과 같은 파이썬 기본 개념을 알고 계신 상태에서 수강하실 것을 권장 드립니다.
아래 항목 중 3개 이상 yes라고 답하실 수 있어야, 수강에 어려움이 없습니다.

1) 파이썬이 개인 laptop에 설치되어 있다.

2) 파이썬에서 list, tuple, dictionary가 무슨 의미인지 알고 있다.

3) 조건문 if 나 반복문 for/ while이 어떻게 구성되는 개념인지 알고 있다.

4) 파이썬에서 def가 무엇을 위한 명령어인지 알고 있다.

5) 파이썬 스크립트를 읽어 보면 무슨 의미인지 어느 정도 해석할 수 있다.

수강료 안내.

PyTorch로 보다 빠르게 딥러닝에 입문하라!

PyTorch로 시작하는 딥러닝 입문 CAMP

일    정 2018.10.6.~ 2018.11.24.
매주 토요일 14:00 ~ 17:00 | 총 8회
준비물 개인 노트북 사용 추천
(본인 PC에 맞는 개발 환경 설정 및 원활한 개별 실습을 위하여)
장    소 강남역 4번출구 부근
문    의 윤형진 매니저 : 02-517-0641
궁금하신 사항이 있으면 언제든 연락주세요 🙂

일반 등록가 120만 원

#카드 결제 시, 12개월 무이지 할부 제공
#할인 마감일은 매 주 목요일에 변경됩니다.

출시알림 신청하기

강의 장소.