D-
,
(일) 밤 12시에 가격이 인상됩니다. 지금 신청 GO!

banner (1)

할인 마감까지 남은 시간!!!

이 가격은 다시 돌아오지 않습니다.
런칭 기념, 최저가를 놓치지 마세요!
일요일 자정 가격이 인상됩니다.

정가 :
할인 판매가 :

/ 무이자 12개월 할부 시

생활 깊숙이 침투한 인공지능, 그 중심엔 딥러닝이 있습니다

가장 강력한 머신러닝의 툴로서 주목받는 딥러닝은
생각보다 어려운 분야가 아닙니다

패스트캠퍼스와 딥러닝이 만났다

전세계 딥러너들의 툴, TensorFlow2.0과 Pytorch로 배우는 딥러닝/인공지능 올인원패키지 온라인

딥러닝에 관한 연구가 점점 활발해지고 실생활 적용 사례가 늘어나고 있습니다. 동시에 프로그래머들 사이에서 TensorFlow라는 툴을 사용하는 흐름이 나타나기 시작했으며 TensorFlow의 인기를 입증하듯 거대 기업들은 인공지능과 관련된 업무를 수행함에 있어 너도나도 TensorFlow를 채택하고 있습니다. NVIDIA, Twitter, Snapchat, Uber 등과 같은 유명 회사들이 그들의 주요 연구 및 인공지능 분야 실무에 TensorFlow를 사용하고 있다는 사실이 그 의견을 뒷받침합니다.

TensorFlow가 데이터 툴 설문조사에서 늘 상위인 이유 中

출처: https://hub.packtpub.com/

With more and more research and real-life use cases going mainstream, we can see a big trend among programmers, and developers flocking towards the tool called TensorFlow. The popularity for TensorFlow is quite evident, with big names adopting TensorFlow for carrying out artificial intelligence tasks. Many popular companies such as NVIDIA, Twitter, Snapchat, Uber and more are using TensorFlow for all their major operations and research areas.

Why TensorFlow  tops AI tool surveys?

source: https://hub.packtpub.com/

Pytorch는 Python을 위한 오픈소스 머신 러닝 라이브러리이다. Torch를 기반으로 하며, 자연어 처리와 같은 애플리케이션을 위해 사용된다. GPU사용이 가능하기 때문에 속도가 상당히 빠르다. 아직까지는 Tensorflow의 사용자가 많지만, 비직관적인 구조와 난이도 때문에, Pytorch의 사용자가 늘어나고 있는 추세이다. 이는 Facebook의 인공지능 연구팀이 개발했으며, Uber의 “Pyro”(확률론적 프로그래밍 언어)소프트웨어가 Pytorch를 기반으로 한다

PyTorch

출처: https://ko.wikipedia.org/wiki/PyTorch

PyTorch is software, specifically a machine learning library for the programming language Python, based on the Torch library, used for applications such as deep learning and natural language processing. It is primarily developed by Facebook’s artificial-intelligence research group, and Uber’s Pyro probabilistic programming language software is built on it. It is free and open-source software released under one of the BSD licenses.

What is PyTorch?

source: https://en.wikipedia.org/wiki/PyTorch

부활하는 딥러닝

30년이 훌쩍 넘은 이 기술, 왜 다시 주목받는 걸까요?

딥러닝이 재조명을 받은 것은 겨우 몇 년밖에 되지 않았으나
매순간 새로운 결과 및 방법론과 이전의 한계을 허무는 향상된 기술이 등장하고 있습니다

앞으로 수 년간, 딥러닝이 이끌어 온 혁명은 훨씬 더 빠르게 진행될 것입니다

점차 다양해지는 딥러닝/인공지능의 활용 사례

일상 곳곳에 숨어있는 딥러닝 기술들

자율주행의 시대를 열다.

Object Detection

넷플릭스가 내 취향을 다 아는 이유.

RNN for recommendation

인공지능 고흐가 그리는 새로운 그림.

Neural Style

손 글씨까지 모두 알아봐줄게.

MNIST

딥러닝 공부가 어려워 “보였던” 이유

막연한 두려움들-!

그래서 준비한 패스트캠퍼스의 딥러닝 강의

어렵지 않아요. 누구나 쉽게, 빠르게, 제대로 배워봅니다

데이터 과학자의 길, 그 첫 걸음을 패스트캠퍼스와 함께

대기업과 유명 스타트업에서 필요로 하는 스킬셋을 장착해볼까요?

딥러닝 올인원 패키지만의 학습 로드맵

단계별 학습을 거쳐 딥러닝을 정복하세요

딥러닝 학습 예시

자연스럽게 반복되는 커리큘럼으로 이론을 탄탄히!

Convolutional Neural Network Study
(컨볼루셔널 뉴럴 네트워크 학습)

RGB, 이미지 처리된 음성 데이터(spectrogram) 등에
주로 활용하는 합성곱 신경망(CNN).
신경망에 필터기술을 병합하여 2차원 영상/이미지를
학습에 최적화시킨 알고리즘 중의 하나입니다.

딥러닝 실습 예시

백문이 불여일견, 예시와 함께 학습하는 딥러닝

실습 예시 1. MNIST(숫자를 인식하다)

MNIST Dataset은 손글씨 숫자의 데이터입니다.
본 데이터셋을 Tensorflow 2.0 및 PyTorch,
두 프레임워크를 모두를 활용하여 실습해봅니다.

실습 예시 2. GAN (데이터를 생성하는 GAN)

variation autoencoder부터 gan 까지 다양한
모델을 소개하며 이를 통해서 예술, 이미지, 음악 등
여러분야에 대한 응용 가능성을 살펴봅니다.

강의의 특장점

딥러닝 실무에 필요한 내용을 꽉 채워넣은 딥러닝 올인원 패키지

비전공자도 코딩이 가능한 강의

입문자의 어려움을 해소해주는 수업

프로그래밍은 개발자와 비개발자 모두에게 어려움이 될 수 있습니다. 그러나 딥러닝의 기본 개념만 알고 있다면 템플릿처럼 동일한 코드이므로 프로그래밍에 있어서 부담없이 시작할 수 있습니다. 또한 대표 프레임워크 Tensorflow 2.0 및 Pytorch를 모두 다루어 볼 수 있습니다.

총 5단계로 학습하는 딥러닝

나도 모르게 세 번 복습하는 커리큘럼

본 강의의 커리큘럼은 기본적으로 3 STEP으로 구성되어 있습니다.기본적인 개념을 알려주는 STEP 1, 수식이 접목된 딥러닝을 배우는 STEP2,코드를 직접 구현해보는 STEP3까지. 자연스러운 반복학습을 통해 한 번의 완강으로 탄탄한 기본기를 다질 수 있습니다.

실전에 강하다

수식보다는 최신 딥러닝 트렌드를 실습으로

학습한 딥러닝 개념을 바타으로 최신의 트렌드로 많이 활용되는 딥러닝 기법을 바로 수강새들이 학습하고 이해할 수 있도록 4가지 분야(추후 공개)를 지정해서 제공해드립니다. 실생활에서 만나볼 수 있는 주제를 선정하여 즐거운 학습을 유도합니다.

실제 딥러닝 적용기

딥러닝 전문가와 함께하는 즐거운 실무 이야기

딥러닝의 현 주소가 어떻게 되고 유명 딥러닝 개발자들은 각 분야에서 어떻게 프로젝트를 진행하고 있는지 인터뷰를 진행할 예정입니다. 연사자는 5~10명 이하로 진행되어 학습한 내용들이 어떻게 적용되고 발전되고 있는지 알아보는 시간을 가집니다.

자주 묻는 질문 #FAQ

제게 이 코스가 적합할까요?

저는 코딩은 아무것도 모르는 경영학과 출신입니다. 본 강의를 들을 수 있을까요?

본 코스는 초보자부터 전문 개발자까지 들을 수 있는, 이론부터 실습까지 탄탄한 커리큘럼을 바탕으로 딥러닝을 쉽고 빠르게 이해할 수 있는 내용으로 제작되었습니다. 데이터 분석에 관심이 있는 누구나, 본 강의 수강을 추천 드립니다.

데이터 분석을 시작하고 싶습니다. 딥러닝 강의가 알맞은 난이도일까요?

딥러닝은 데이터 분석의 핵심입니다. 또한 기초 이론부터 실무까지, 총 3번을 반복하는 커리큘럼을 가지고 있는 강의 특성상 데이터 분석을 입문하시는 분께도 강의 수강을 추천드립니다.

딥러닝과 TensorFlow 학습을 막 시작하였습니다. 코스 수강이 가능할까요?

본 강의의 목적은 CNN, RNN, LSTM 등 기본적인 딥러닝 모델에 대한 이해와 TensorFlow 코드를 읽고 의미를 파악하는 데 있습니다. 수강 전 선수 지식이 많으면 많을수록 좋으나, 없다고 하여 큰 문제가 되지는 않습니다. 

실습을 위해서는 컴퓨터 사양이 어떻게 되어야 하나요?

수강생 여러분의 PC(로컬 PC)로도 무리없이 수강이 가능하나, 일부 실습 부분에서는 AWS를 사용하여 진행될 수 있습니다.

영상인식 기법이 적용된 결과물 구현에 관심이 있습니다. 이 강의가 적합할까요?

본 코스는 영상인식을 위한 많은 이론들을 체계적으로 정리하고, 실제로 실습하여 내 것으로 만드는 것을 목표로 합니다. 나만의 결과물 구현에 관심 있으시다면 본 강의 수강을 추천 드립니다.

가장 최신에 가장 가까운 PyTorch/Tensorflow 2.0 커리큘럼

데이터 사이언스 실무교육 1위 패스트캠퍼스가 만들었습니다

가격 안내

사전 예약 판매는 일요일 자정 마감됩니다.

최저 가격 마감까지 남은시간

정가
지금 구매시
/ 무이자 12개월 할부 시

12개 주제, 100여개 강의
#기초통계 #용어정리 #R실습
데이터 분석 왕초보를 위한 개념, 용어정리부터 R 실습까지!

8개 주제, 200여개 강의
#SQL #데이터베이스 #데이터전처리
실무에 필요한 DB 역량까지 하나의 강의로 마스터할 수 있습니다.

400여개 강의
#파이썬 #Python #머신러닝 #딥러닝
Python부터 머신러닝, 딥러닝에 이르는 슈퍼 커리큘럼!

7개 주제, 300여개 강의
#JAVA #객체지향 #스프링 #스프링부트
개발자 커리어의 시작은 JAVA, 기초 문법부터 프로젝트를 통해 스프링(부트) 프레임워크까지 마스터하세요!

사전예약 판매 중
#인공지능 #PyTorch #TensorFlow
딥러닝 대표 프레임워크를 정복할 수 있습니다.

딥러닝 학습의 시작과 끝
올인원 패키지로 한 번에 해결하세요

여러분의 학습 고민, 이렇게 해결합니다.

막막한 딥러닝 학습의 방향성을 잡아드립니다.

수강대상

딥러닝은 누가 공부하면 좋을까요?

완강 후, 우리는

딥러닝 전문가에 가까워져 있을 거예요

학습 커리큘럼

상세 커리큘럼 및 미공개 파트는 추후 업데이트 됩니다

Part 1. Tensorflow 2.0과 PyTorch

Chapter.1 Tensorflow 2.0 & Pytorch Basic

Anaconda부터 Tensorflow 및 Pytorch 설치 (Windows/Mac)부터 Anaconda 활용에 필요한 단축키 활용까지 딥러닝의 프레임워크에 필요한 준비를 시작합니다.

Chapter 2. 딥러닝 프레임워크 개념 및 비교

Tensorflow 2.0과 Pytorch의 개념은 무엇이고 2가지의 프레임워크의 비교설명부터 시작합니다. 이 파트를 학습하면서 코드비교/성능비교/가능성 및 기능적 비교를 학습하여 본인에게 맞는 프레임워크가 무엇인지 알아봅니다.

Chapter 3. 딥러닝의 구조

무작정 프로그래밍을 배우는 것이 왕도가 아닙니다. 딥러닝의 구조와 개념을 명확히 이해한 뒤에 프레임워크를 학습하게 되면 입문자들의 이해도 높아지기 마련입니다. 본 챕터에서는 Tensor를 이해를 바탕으로 기초가 되는 Layer를 알아보고 전체적인 CNN의 구조로 딥러닝의 큰 그림을 알아봅니다.

Chapter 4. 자주 활용되는 Layer

딥러닝 코드를 작성하기 위해서 필수적으로 알아야하는 layer(conv2d / pooling / activation fuction / dense)에 대해서 빠르게 이해하고 이를 실습해봅니다. (tensorflow 2.0 과 Pytorch)

Chapter 5. 더 알아보는 딥러닝 코딩

사람이 지정해주어야 하는 Hyperparameter Tuning( Learning Rate / Epoch / Batch Size)에 대해서 살펴보고, 데이터가 어떻게 입력되고 나온 결과물에 대한 개념을 이해하는데 알아봅니다.

Chapter 6. MNIST 데이터로 완성하는 프레임워크

이미지(PNG)를 딥러닝이 학습가능한 데이터로 전처리하는 방법을 학습하여 본인 스스로 데이터를 커스텀마이징 하는데 초점을 둡니다. 이를 토대로 숫자이미지(MNIST) 데이터 셋을 활용하여 우리가 학습한 프레임워크(tensorflow/pytorch)로 하나의 딥러닝 프로젝트를 수행해봅니다.

Part 2. 딥러닝의 3 STEP 기초

Chapter 1. 딥러닝이 무엇인가요?

머신러닝의 부분집합인 딥러닝은 인공지능의 시작점이라고 할 수 있습니다. 머신러닝보다 복잡한 수학구조를 모델링 하기 위해서 왜 딥러닝이 고안되었으며 이미지인식, 음성인식, 자연어 처리등에서 이러한 딥러닝이 만들어 내는 놀라운 성과들에 대해서 살펴봅니다. 그리고 딥러닝의 역사에 대해서도 간단히 이해해봅니다.

Chapter 2. 가장 단순한 신경망을 통해 작동 원리 이해하기

딥러닝의 조상격이라고 할 수 있는 퍼셉트론은 인공신경망의 뉴런을 본따 만들어진 알고리즘 구조입니다. 이러한 퍼셉트론들의 단일 층으로 구성된 것이 shallow neural network 이며 이는 딥러닝을 이해하기 위한 가장 기본 단위 구조이다. 우리는 본 챕터에서 shallow neural network 를 수학적으로 이해함으로써 딥러닝 네트워크를 이해하기 위한 초석을 다지는데 초점을 둡니다.

Chapter 3. 쉽게 배우는 경사하강 학습법

뉴럴 네트워크(인공신경망)로 우리가 원하는 결과를 내도록 학습시키기 위해서는 효율적으로 오차를 계산해주는 딥러닝 학습 방법인 경사하강법이 필요합니다. 이러한 오차를 나타내는 목표 cost 함수를 최소화하는 것이 경사하강에 목표이며 이를 최소화 하기 위한 optimization(최적화)를 학습하고 최적화를 위한 gradient 계열 알고리즘들과 optimizer 들에 대해서 공부합니다. 최종적으로는 최적화 학습을 통해서 우리가 원하는 결과를 내는 함수를 뉴럴 네트워크를 통해서 모델링 하는 것이 핵심입니다.

Chapter 4. 쉽게 배우는 역전파 학습법

경사하강법에서 계산된 오차를 효과적으로 모델에 전달하는 학습 방법인 역전파(Backpropagation)에 대해 학습하는 것이 목표입니다. 이 챕터에서는 앞서 살펴본 shallow neural network 에서보다 다층을 가진 deep neural network 로 확장하여 뉴럴 네트워크의 학습된 weight(가중치) 값을 갱신하는 과정에서 필요한 back propagation 의 개념을 이해하게 됩니다. 앞서배운 gradient 알고리즘과 backpropagation 을 통해 뉴럴 네트워크의 학습과정 전체를 이해하게 됩니다.

Chapter 5. 합성곱 신경망(CNN) 작동 원리

입력이 이미지로 되어있는 경우에는 RGBD 등의 여러 색깔 채널(차원)으로 존재합니다. 이러한 차원을 딥러닝으로 고안된 방식인 CNN 이며 Convolution 연산을 통해서 연산과정을 효율적으로 수행하게 설계된 네트워크입니다. 즉, RGB이미지, 이미지 처리된 음성 데이터(spectrogram) 등에 주로 활용하는 합성곱 신경망(CNN)에 대해 알아봅니다.

Chapter 6. 순차식 신경망(RNN)

데이터 중에서도 시간에 따른 변화를 나타내는 시계열 데이터의 경우는 시간 차원에서 데이터들의 연계성을 고려한 네트워크를 필요로 하게 됩니다. 이를 고려하여 RNN은 시간 연속적인 데이터 모델링에 적합한 구조를 가지고 있으며 RNN 을 이용하면 주식, 날씨, 음악 등 시간에 따른 변화를 가지는 데이터들을 모델링하고 예측할때 자주 활용되고 있습니다.

Chapter 7.맥락을 파악하는 attention 기법

딥러닝 자연어처리에서 주로 사용하는 강력한 기법 attention에 대해 알아봅니다. 이제는 이미지 등 다른 데이터에서도 많이 활용하고 있습니다.

Chapter 8. 효과적이면서도 쉽게 쓸 수 있는 기법들

딥러닝 모델을 보다 더 잘 학습시키기 위해서는 여러가지 테크닉이 필요하게 됩니다. 학습 데이터에 너무 과적합하게 학습될 시에 실제 데이터에서는 오차가 크게 나타날 수 있는 fine fitting 현상을 막기 위한 기법과 데이터를 학습 시킬때의 표준화 등 방법을 통해서 딥러닝 모델의 학습 성과를 높이는 방법에 대해서 알아봅니다.

Part 3. 딥러닝 최신 트렌드

Chapter 1. 이미지 처리 분야 딥러닝 모델 ( Image Classification )

Imagenet 데이터 베이스를 이용한 챌린지 대회에서 우수한 성능을 내었던 이미지 분류 딥러닝 알고리즘들의 역사를 살펴보면서 이미지 분류 모델에 대한 역사를 알아봅니다. 이후 딥러닝 핵심 이미지 분류 모델( 강아지 사진이야? 고양이 사진이야?) / 이미지 복원 모델 소개(흑백 사진을 컬러 사진으로, 저화질 사진을 고화질 사진으로) 을 구현해보고 각 이미지 분류 모델의 특징점과 성능 향상 기법에 대해서 주로 살펴봅니다.

Chapter 2. 이미지처리 분야 딥러닝 모델 ( Image Segmentation )

주어진 이미지에서 관심이 있는 영역만을 분리해 내는 과정을 segmentation 이라고 하며, 이를 통해서 관심사 영역에 대해서만 원하는 정보를 얻어낼 수 있게됩니다. segmentation 알고리즘들을 살펴보고 이 알고리즘들이 응용되는 분야에 대해서 살펴봅니다.

Chapter 3. 이미지처리 분야 딥러닝 모델 ( Multi Object Detection )

뇌 MRI에서 종양에 해당하는 부위는 어디에 있는지와 영상 안에 사람, 차, 고양이 등이 어디쯤 있는지를 탐지하는 다중 물체 검출에 대한 모델에 대해서 알아봅니다. 그중에서도 다중 물체를 검출하여 인식하기 위한 알고리즘 중 높은 성능을 기록한 알고리즘들에 대해서 소개하고, 해당 모델에 대한 구조에 대해서 살펴봅니다.

Chapter 4. 자연어처리 분야 딥러닝 모델 ( Natural Language Processing )

자연어를 처리하는 딥러닝(챗봇, 번역 등) 을 만들기 위해서는 자연어의 특성에 맞는 전처리과정을 거칩니다. 이에 사용되는 기법들과 보다 학습성능을 높이기위한 방법과 여러가지 모델에 대해서 알아봅니다.

Chapter 5. 무엇이든 진짜처럼 생성하는 생성 모델 ( Generative Networks )

생성모델(generative)은 앞서배운 분별모델(discriminative)과 달리 데이터의 분포 자체를 학습함으로써 이를 통해 생성이 가능하게 됩니다. 생성모델의 기초가 되는 variation autoencoder 부터 gan 까지 다양한 모델을 소개하며 진짜 같은 이미지, 음성 등을 생성해주는 모델, 생성모델과 판별모델의 차이, 주요 3가지 기법(VAE,GAN,Autoregressive)과 대표 모델을 학습합니다.

Chapter 6. 스스로 전략을 짜는 강화학습 ( Reinforcement Learning )

지도학습과 비지도학습의 경우 데이터를 학습 이전에 필요로 하는 문제가 있습니다. 하지만 강화학습의 경우는 시행착오를 통해서 환경에 적응하며 학습을 하는 알고리즘으로써 경험을 통한 시도들을 통해 상황(환경)에 대한 전략 또는 모델을 학습을 하게 됩니다. 강화학습의 대표적인 알고리즘들에 대해서 살펴보고 게임, 로봇, 자율주행등의 분야에서 강화학습이 응용되는 사례에 대해서 살펴봅니다.

Chapter 7. 이미지 복원 모델 ( Image Reconstruction )

딥러닝으로 새로운 국면을 맞은 영상 복원 알고리즘 소개 (SR, FRUC, Image Colorization, Image Completion 등 다수; Autoencoder 등 구조 소개) 하고 이를 알아봅니다.

Chapter 8. 좋은 딥러닝 구조를 찾아내는 딥러닝 ( Neural Architecture Search )

뛰어난 성능의 뉴럴 네트워크를 생성하는 NAS (AutoML 등) 에 대해서 간단하게 알아봅니다.

Part 4. 딥러닝 프로젝트 활용기

추후 업데이트 됩니다.

Part 5. 대한민국 딥러닝 적용기

추후 업데이트 됩니다.

함께 구매하신 강의

데이터 과학자로서의 첫 걸음, 패스트캠퍼스와 함께 하세요

평생소장기초통계용어정리R실습

데이터분석 입문 올인원 패키지

데이터 분석 왕초보를 위한 개념, 용어정리부터 R 실습까지!

전체오픈 | 12개 주제, 100여개 강의

머신러닝 알고리즘의 응용을 통해 데이터 특성에 맞는 알고리즘 개발. 즉, 자연어 처리를 위한 toolkit을 직접 개발할 수 있는 역량을 기르는 강의

강의 자세히 보기

머신러닝 알고리즘의 응용을 통해 데이터 특성에 맞는 알고리즘 개발. 즉, 자연어 처리를 위한 toolkit을 직접 개발할 수 있는 역량을 기르는 강의

강의 자세히 보기
평생소장기초통계용어정리R실습

데이터분석 입문 올인원 패키지

데이터 분석 왕초보를 위한 개념, 용어정리부터 R 실습까지!

전체오픈 | 12개 주제, 100여개 강의

머신러닝 알고리즘의 응용을 통해 데이터 특성에 맞는 알고리즘 개발. 즉, 자연어 처리를 위한 toolkit을 직접 개발할 수 있는 역량을 기르는 강의

강의 자세히 보기

머신러닝 알고리즘의 응용을 통해 데이터 특성에 맞는 알고리즘 개발. 즉, 자연어 처리를 위한 toolkit을 직접 개발할 수 있는 역량을 기르는 강의

강의 자세히 보기

강사진 소개

체계적인 프론트엔드 학습을 도와줄 강사님들을 소개합니다.

이준호 강사님

J.AI Labs CEO
인공지능 및 빅데이터 연구 및 개발


 

[주요 경력 사항]

> 유명 대학병원 및 기업 외주 프로젝트 진행

– 인공지능 Visual Training Board 개발
– 의료 빅데이터 및딥러닝 연구 및 개발(2017 / 2018)
– 마케팅 분석 및 분석 알고리즘 개발 (2016)

[주요 강의이력]

AI 전문가 양성 프로그램, 삼성전기(2019)
– LG CTO AI 교육, LG CTO (2019)
– 2019 기업 대상 인공지능 특강 및 해커톤 강의
-인공지능을 활용한 업무자동화 코딩캠프 with GDG, 제주산학융합원 (2019)

양서연 강사님

現 L 기업 로봇 연구원
現 AI Robotics KR 운영
現 SLAM KR 운영


 

[주요 경력 사항]

– 딥러닝 음성기반 파킨슨병 진단기 – 블로터(naver main), 구글코리아 기사, Google AI for Social Good, Google Cloud, GDG Seoul speaker
– Google Northasia women techmaker deep learning / machine learning
– Tensorflow kr deep learning camp 2기 (562 applications from 50+ countries and only 24 were selected)
– 서울대학원 기계항공공학 제어항법유도, 석사논문 – 스마트폰 센서 데이터 기반 context recognition 딥러닝
– 연세대학교 물리학, 기계공학 전공

김형섭 강사님

現 팀엘리시움 의료영상 딥러닝 개발
現 facebook 커뮤니티 ‘GAN KR 딥러닝 생성모델’ 운영
딥러닝 의료영상 모달리티 변환, 세그멘테이션 등 개발


 

[주요 경력 사항]

– SK브로드밴드 딥러닝 최신 기술과 동향 발표
– 오픈 세미나 ‘오후 내내 GAN’ 보는 날 발표
– 2nd DLCAT(함께하는 딥러닝 컨퍼런스) -GAN 동향 발표

신제용 강사님

現 L기업 CTO 딥러닝 자문
서강대학교 전자공학과 석사 최우수 졸업 (영상처리, 컴퓨터비전 전공)
딥러닝 공정 이미지 분석, 스마트팜, 차량 카메라 프로젝트 진행


 

[주요 강의 이력]

– L기업 딥러닝 최신 기술 강의
– L기업 딥러닝 기초/심화 강의

딥러닝 올인원 패키지의 압도적인 가성비

데이터 사이언스 실무교육 1위 딥러닝 올인원 패키지 입니다

바쁜 당신을 위해 하루 10분, 어디서나!

온라인 학습의 장점을 살려 이렇게 공부해보세요.

강의 공개 일정

영상은 총 4차에 걸쳐 전체 업데이트 됩니다.

가격 안내

사전 예약 판매는 일요일 자정 마감됩니다.

최저 가격 마감까지 남은시간

정가
지금 구매시
/ 무이자 12개월 할부 시

data_1
data_2
[ 주의사항 및 환불규정 ]
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제 완료를 하신 분들께는 결제 후 8월 23일 1차 강의 영상이 오픈된 후, 수강 권한을 부여해드립니다. 이용방법 또한 결제 후 기재하신 이메일 주소로 결제 후 24시간 이내에 일괄 안내됩니다. 연락처와 이메일을 정확하게 기입 부탁드립니다.

본 패키지는 예약 판매 중인 상품이며 영상은 순차적으로 공개됩니다.
– 총 학습기간
본 패키지는 약 40시간 분량으로, 일 1시간 30분 내외의 학습 시간을 통해 정상수강기간(=유료수강기간) 내에 모두 수강이 가능합니다.
– 수강시작일 : 수강 시작일은 패스트캠퍼스가 수강안내를 한 날짜부터 기간이 산정됩니다. 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
- 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
- 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.

– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 수강시작 후 7일 미만, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이상, 5강 이상 수강 시 수강기간인 1개월 (30일) 대비 잔여일에 대해 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 7일 초과, 10일 이하 경과 시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 11일 초과, 15일 이하 경과 시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 15일 초과 시, 환불금액 없음

 

패스트캠퍼스 아이디 공유 금지 정책 안내

아이디 공유란? 1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다.

패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다. 동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.
[ 주의사항 및 환불규정 ]

* 프리패스 수강 신청 및 결제 완료를 하신 분들께는 구매 후 24시간 이내에 수강권한을 부여해드립니다. 이용방법 또한 결제 후 기재하신 이메일 주소로 안내됩니다. 연락처와 이메일을 정확하게 기입 부탁드립니다.

– 총 학습기간
프리패스 패키지의 학습기간은 개별 올인원 패키지의 정책을 따릅니다.
– 수강시작일 : 수강 시작일은 패스트캠퍼스가 수강안내를 한 날짜부터 기간이 산정됩니다. 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
- 패키지 구매 시, 환급 이벤트 적용은 불가합니다.
- 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
- 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.

– 프리패스 환불규정
– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 패키지 중 일부 환불은 불가능합니다.
– 패키지 환불 시 무료 제공된 강의의 수강 권한은 자동 소멸 됩니다.
– 수강시작 후 7일 미만, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이상, 5강 이상 수강 시 수강기간인 1개월 (30일) 대비 잔여일에 대해 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 7일 초과, 10일 이하 경과 시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 11일 초과, 15일 이하 경과 시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 15일 초과 시, 환불금액 없음
– 일부 상품은 아직 모든 영상이 공개되지 않았습니다. 공개 일정은 다음과 같습니다.
- 사전 예약 : 딥러닝/인공지능
- 1차 오픈 : 디지털마케팅 MAX, Java 웹 개발 마스터
- 2차 오픈 : 프론트엔드(React), 머신러닝과 데이터분석 A-Z - 3차 오픈 : 모두를 위한 SQL/DB