PyTorch로 시작하는
딥러닝 입문
CAMP.

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

기 간 일 정 장 소 준비물 문 의
1월 12일 ~ 3월 9일
(주 1회, 총 8회)
2/2 설 휴강
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?


PYTORCH는 Python에 기반을 둔 딥러닝 라이브러리이기에, 쉽고 빠르게 학습할 수 있습니다.
결과물 구현을 우선하는 실습 중심의 강의로 지금 당장 PYTORCH를 시작해보세요!

강의 특징.

icon_basic

딥러닝 개념부터
PYTORCH 코드 실습까지

딥러닝 기본 개념에 대한 이론 설명 뿐만 아니라, PyTorch 코드를 ‘뜯어보고’ 이해하는 실습이 함께 진행됩니다.

icon_atoz

딥러닝의
문제 해결 방안 이해

딥러닝 학습 시 부딪치는 수학적인 부담을 최소화할 수 있도록 수식 설명보다 개념 이해와 문제 해결 방안에 초점을 맞추어, 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 실습 중심의 강의로 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.

Part 1. PyTorch & Deep Learning Basic

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] PyTorch 4.0

2회차 :Basics for Model Training: 모델 학습을 이해하면서 PyTorch를 통해 회귀/분류 모델을 구현해 봅니다.

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

Regression Models
> Linear Regression
> Multivariate Linear Regression

Classification Models
> Logistic Regression

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

Part 2. Neural Network & Convolutional Neural Network

3회차 : NN & CNN: 딥러닝의 기초가 되는 NN(Neural Network)을 배워보고, 다양한 데이터에 적용해 봅니다. 더 나아가 이미지 데이터를 다루기 위한 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

Part 3. Natural Language Processing & Recurrent Neural Network

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

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 Bag of Words & Hamlet
[실습] LSTM with Word2Vec & Moby Dick
[실습] RNN for Cryptocurrency Price Predicting

Part 4. Auto-Encoder & Generative Adversarial Networks

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

[실습] Standard Auto-Encoder
[실습] Convolutional Auto-Encode
[실습] Variational Auto-Encoder
[실습] Denoising Auto-Encoder

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
[실습] DCGAN
[실습] cGAN
[실습] Pix2Pix

강의 실습 예시.

1. 간편한 데이터 처리: Python을 알고 있다면 이해할 수 있는 코드로 쉽게 데이터를 처리할 수 있습니다.

2. 직관적인 모델링: 아래 슬라이드에서 Linear(64*3*3, 100)을 활용한다고 설명된 것처럼, 딥러닝의 개념을 코드에 그대로 적용 가능합니다.

3. 편한 오류 수정 및 디버깅: 코드 실행 단계에서 중간중간 결과 확인이 되어, 어디에서 오류가 있는지 빠르게 파악 가능합니다.

4. 빠른 모델 검증 및 확인: 간결한 코드로 모델의 정확도를 검증할 수 있습니다.

추천 대상.

icon_man4_4_unhappy

실습 중심 학습으로
딥러닝에 입문하고 싶은 분

icon_man4_2_happy

주요 논문, 수식 등 깊이 있는 이론적인 이해 이전에
딥러닝을 적용한 결과물을 구현해보고 싶은 분

본 강의는 Python 코드에 기반을 둔 pythonic한 딥러닝 라이브러리 PyTorch로 진행됩니다.
따라서 다음과 같은 내용을 알고 계셔야 PyTorch 코드를 빠르게 이해하실 수 있습니다.

1. 파이썬에서 def가 무엇을 위한 명령어인지 알고 있다.
2. 파이썬에서 array나 dictionary가 무슨 의미인지 알고 있다.
3. Numpy와 Pandas를 학습한 경험이 있다. (* 중요)

※ 딥러닝 학습 경험은 없어도 괜찮습니다. 딥러닝의 기본이 되는 regression, classification은 알고 계시면 좋지만, 모르시더라도 강의 초반부에 핵심적인 내용을 정리해 드립니다.

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 2019.1.12.~ 2019.3.9. | 휴강 1회: 2/2 설 연휴
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 🙂

정가 120만 원

다음 기수 일정이 궁금하다면,
[출시알림]을 신청해 주세요.
※할인가는 매주 목요일 자정에 변경됩니다.
※ 카드 12개월 무이자 할부 가능!

출시알림 신청

강의 장소.