결제 취소나 환불은 어떻게 하나요?

결제 취소 및 환불이 필요하신 경우, 고객센터를 통해서 요청해주시기 바랍니다결제 취소 및 환불 내역은 ‘마이페이지 > 거래내역’에서 확인이 가능합니다. 환불 신청 절차 안내 1. 고객센터(help@fastcampus.co.kr)로 수강생 정보(성함 및 아이디), 강의명을 기재하시어 이메일로 환불 접수를 해주세요.2. 결제 수단에 맞춰 환불이 진행되며, 계좌 입금으로 결제하신 경우에는 환불받으실 계좌도 함께 기재해주시기 바랍니다.3. 이메일로 환불을 요청하신 경우, 카드/가상계좌/이니계좌 환불은 메일 답변 후 바로 취소 처리되며 결제사를 통해 실 환불이 진행되기 때문에 환불완료까지는 최대 3~7일 정도 소요될 수 있습니다.4. 무통장 결제건은 목요일까지 환불계좌정보와 함께 help@fastcampus.co.kr 로 환불 접수해주셨을 경우 다음 주 수~목요일 사이쯤 입금될 예정이오니 참고하셔서 추후 확인해 주시기 바랍니다.

현금영수증은 어디에서 발급 요청이 가능한가요?

현금영수증은 온라인 결제 시스템을 통해 결제를 진행하실 때, 해당 결제 시스템을 통해 신청이 가능하며 소득공제용(개인), 지출증빙용(사업자) 중 선택하실 수 있습니다.무통장 입금[우리 1005-902-393657 ㈜패스트캠퍼스)]으로 입금을 해주신 경우에는 고객센터(help@fastcampus.co.kr) 이메일 주소로 현금영수증 혹은 지출증빙 영수증을 발급하실 정보(핸드폰 번호 혹은 사업자번호)를 기재하여 따로 요청해주시기 바랍니다.

회사 비용으로 처리하기 위해 전자세금계산서를 발급받고 싶습니다.

전자세금계산서 발급을 원하실 경우, 무통장입금 방식으로 결제를 해주셔야 하며 입금하실 전용 계좌번호는 다음과 같습니다.패스트캠퍼스는 면세 사업자로 수강료에 별도의 부가세가 부과되지 않습니다. 수강료 입금 계좌 우리은행 1005-902-393657 패스트캠퍼스㈜전자세금계산서를 발급하실 귀사의 사업자등록증을 파일로 첨부하시어 고객센터 이메일 주소로 전자세금계산서 발행을 요청해주시기 바랍니다. 입금 시, 수강생명 혹은 계산서를 발급하신 회사명과 상이한 정보로 입금하시면 꼭 알려주시기 바랍니다. 상세 안내 1) 수강료 입금 후 발행을 원하실 경우전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명/교육과정명 / 아이디(계정정보) / 전자계산서를 발급 받을 담당자 이메일 주소 '를 기재하여 고객센터(help@fastcampus.co.kr)로 요청해주세요.2) 수강료 입금 전 청구 발행 요청 시수강하고자 하는 과정의 '수강신청서 제출 '을 먼저 완료 해 주신 후, 전자계산서 발급을 위해 귀사의 사업자등록증을 PDF파일로 첨부하신 후 '수강생명 / 교육과정명 / 아이디(계정정보) / 입금액(수강료) / 입금예정일자 / 전자계산서를 발급 받을 담당자 이메일 주소 '를 상세 기재하여 고객센터(help@fastcampus.co.kr)로 요청해 주시면 입금하실 전용 계좌정보를 안내드립니다. 얼리버드 할인의 경우 결제일자 기준으로 적용됩니다.따라서 전자세금계산서만 발급하시고 입금완료가 되지 않을 경우 수강료는 추후 상향조정될 수 있는 점 참고하시어 할인 마감일을 지켜주시기 바랍니다.

수강신청확인서 및 수료증은 어디에서 발급 요청이 가능한가요?

수강신청확인증은 수강료 결제가 완료된 경우, 수강신청을 증빙하기 위해 발급해드리는 증빙 서류이며수료증명서는 강의를 완강하신 경우에 강의 수료를 증빙하기 위해 발급해드리는 증빙 서류입니다. 수료증명서 발급 기준 안내 1) 오프라인 강의의 경우 : 강의를 완강하신 경우 발급2) 온라인 강의의 경우 : 80% 이상 수강하신 경우에 발급위 증빙 서류 발급을 희망하실 경우 저희 고객센터(help@fastcampus.co.kr) 이메일 주소로 아이디/수강생명 / 과정명을 기재하여 발급을 요청해주시면 PDF 파일을 첨부하여 메일로 안내해드리고 있습니다.

퀴즈처럼 풀면서 배우는 파이썬 딥러닝 300제+

런칭 기념 최저가 혜택이 곧 마감됩니다.

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

머신러닝 보다 많은 데이터가 있어야 하는 딥러닝,
데이터를 만져본 경험이 많을수록 구현이 쉬워집니다.

기본적인 코드 몇 개 칠 줄 알아서는
계속해서 나오는 새로운 문제를 해결할 수 없겠죠.

어떤 문제를 맞닥뜨려도 헤매지 않으려면
코드 변형의 기본이 되는
문제 해결 능력을 길러야 합니다!

문제를 풀면서 경험을 쌓는 것도 중요하지만
다양하고 많은 문제를 다뤄보는지도 꼭 체크해야죠!

실무에서 마주하는 여러 문제를 직접 풀면서
나만의 코드를 만드는 능력을 길러보세요.

타 강의에서는 절대 만나볼 수 없는 숫자!
300개 이상의 파이썬 딥러닝 문제를 준비했습니다.

자연어처리, 영상인식, 이미지인식, GAN.
요즘 핫한 딥러닝 토픽을 모두 담았습니다.

딥러닝을 활용하는 모든 분야의 문제를 풀면서
맞춤형 코드 짜는 연습을 시작해보세요!

코드는 이렇게 직접 쳐볼 수 있어요.
딥러닝에서 만날 수 있는 모든 파이썬 딥러닝 문제를 경험해보세요!

문제를 풀면서 공부하고,
해설을 보고 한 번 더 공부하세요.

수학을 전혀 못 한다구요? 걱정하지 마세요!
3단계만 반복해서 끝까지 따라오면
파이썬 딥러닝 최신 모델 구현까지 가능합니다!

🙋🏻‍♀ 머신러닝에도 관심이 있다면 주목하세요!

강의 보러 가기 »

강의 미리 엿보기👀

수강생들의 생생한 후기

부족하다고 느꼈던 부분을
실습으로 채워주는 강의

머신러닝과 딥러닝 이론들은 많이 접했지만 실제로 어떻게 적용되는지 연습이 부족하다고 생각해서 들어서 듣게 되었습니다. 최종적으로 지금은 모델을 보면 바로 구조를 파악할 수 있게 되었습니다.

확실한 무기를 가지고 싶어 신청했습니다.

비슷한 코드를 계속 작성해보면서 딥러닝에 익숙해질 수 있었습니다. 어느 정도 딥러닝에 대해 알고는 있는 분들이 확실하게 딥러닝에 숙련될 수 있는 강의라고 생각합니다.

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

경험의 차이가 커리어의 차이를 만듭니다.
문제 풀이로 제대로 된 경험을 쌓을 수 있도록
꼭 필요한 구성으로 혜택을 준비했어요.
양과 질을 모두 챙긴 압도적인 혜택을 확인하세요!

Check Point 1

딥러닝을 제대로 이해하기 위해
필요한 최소 단위 300.

문제 한두 개로는 기계도 학습할 수 없어요.
300개 이상의 문제로 경험의 차이를 만들어보세요!

Check Point 2

요즘 핫한 딥러닝 기술을 포함한
다양한 주제의 실습 구성.

문제수만 많고 기술 하나 알려주면 아무 의미 없어요.
여기 있는 실습만 다- 해도 필드에서 쓰는 기술 99% 정복할 수 있어요!

누구나 실습만 잘 따라오면
이런 결과물을 구현할 수 있어요!
(*실제 코드 결과물과 함께 이해를 돕기 위한 예시 이미지가 포함되어 있습니다.)

Part1. 이미지 분류 기초

Part2. 이미지 변형 기초

Part 3. 텍스트 분류 기초

Part 4. 객체 인식 모델링

Part 5. 시계열 예측 및 자연어 처리 모델링

Part 6. 딥러닝 최신 논문 구현하기

Check Point 3

데이터 핸들링 경험을 만들어줄
100만 개 이상의 파이썬 딥러닝 실습 데이터.

딥러닝 알고리즘 훈련을 위해 쓰는 어마어마한 양의 데이터,
이 강의에서는 실제와 동일하게 직접 만져볼 수 있어요!

Check Point 4

문제 풀이 실습으로 배우면
입문자도 20개 이상 파이썬 딥러닝 모델 구현.

딥러닝 학습의 궁극적인 목표는 모델 구현이죠.
강의만 잘 따라오면 숙련자만큼의 경험이 생겨요!

모델 구현까지 필요한 라이브러리도
기능과 목적에 따라 다- 써볼 거예요!

🙋🏻‍♀ 머신러닝에도 관심이 있다면 주목하세요!

강의 보러 가기 »

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

파이썬 딥러닝 300제+ 커리큘럼.

아래의 모든 강의를 올인원 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!
(💻이 강의는 100% 실습으로 이루어져 있어요! 파이썬 딥러닝 강의, 책 한 번이라도 본 사람만 들어주세요.)

💻 Intro. 딥러닝 시작하기

Ch1. 딥러닝 소개

- 딥러닝이란?
- 딥러닝의 원리
- 딥러닝이 주로 다루는 문제들

Ch2. 딥러닝의 원리

- 딥러닝의 구조
- 비용 함수
- 경사하강법

Ch3. 딥러닝 공부법

- 딥러닝 라이브러리
- 딥러닝을 제대로 공부하는 법

💻 Part 1. 이미지 분류 기초

Ch1. RNN으로 손글씨 이미지 분류하기

[Step 0] 기초지식 개요: RNN 분류의 특색

[Step 1] 도입전 기본 처리
- 문제 01. mnist 데이터 살펴보기
- 문제 02. 데이터의 shape을 출력하세요
- 문제 03. (28, 28) 형태의 이미지를 plt을 이용하여 출력해보세요
- 문제 04. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 05. train_images의 dtype을 출력해보세요

[Step 2] 전처리
- 문제 06. train/test 이미지 데이터의 범위 확인
- 문제 07. train/test 이미지 데이터의 최소/최대값을 출력
- 문제 08. 정수형을 실수형으로 변경 후 dtype으로 비교
- 문제 09. 데이터 노말라이즈 수행
- 문제 10. 노말라이즈 후 데이터의 값이 변경되었는지 확인하세요

[Step 3] 시각화 방법
- 문제 11. train_image의 이미지를 5장 획득하여 (5, 28, 28)의 shape을 출력하세요
- 문제 12. 획득한 5장의 의미지를 (28, 28 * 5)의 shape으로 변경해보세요
- 문제 13. transpose 함수를 이용하여 (28, 28 * 5)로 shape을 변경해보세요
- 문제 14. (28, 140)이 된 tensor를 plt로 출력해보세요
- 문제 15. (28, 140)이 된 tensor를 plt로 흑백으로 출력하고 labels의 값도 print로 출력하세요

[Step 4] 데이터 Augmentation
- 문제 16. np.random.random 함수를 이용하여 0과 1 사이의 랜덤값을 3회 출력하세요
- 문제 17. np.random.random 함수와 shape parameter를 이용해 (28, 28)의 랜덤 노이즈를 생성하세요
- 문제 18. 생성된 random (28, 28) 노이즈를 plt를 통하여 확인해보세요
- 문제 19. 가우시안 노이즈 함수를 사용하여 평균 0, 표준편차 0.1, 사이즈 1로 랜덤 값을 3번 출력하세요
- 문제 20. 가우시안 노이즈 함수의 옵션을 문제 17과 동일하지만 평균이 3.0인 경우, 표준 편차가 0.01인 경우로 각각 3회씩 출력해보세요
- 문제 21. 가우시안 노이즈 함수를 문제 17의 옵션으로 size를 (28, 28)로 생성 후 plt로 출력해보세요
- 문제 22. train_images의 5번째 이미지와 가우시안 노이즈 (28, 28)를 생성 한 뒤 각각 tensor를 더한 뒤 noisy_image 변수에 할당 해보세요
- 문제 23. noisy_image를 plt를 통해서 출력해보세요
- 문제 24. noisy image를 생성했지만, max가 1이 넘습니다. max값을 1로 조절해보세요
- 문제 25. 위의 방법을 전부 활용하여 train_images와 test_images 데이터에 랜덤 노이즈를 추가한 train_noisy_images와 test_noisy_images를 생성해보세요
- 문제 26. labels에 onehot 인코딩을 적용하여 (배치 사이즈, 클래스 개수)의 shape으로 변경해보세요

[Step 5] 딥러닝 모델링
- 문제 27. 해당 학습셋을 처리하는 이미지 classificaion 모델을 작성하세요
- 문제 28. 모델 요약 정보를 출력해보세요
- 문제 29. 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 30. 모델에 train_noisy_images를 학습시켜 보세요
- 문제 31. 학습 진행 사항을 plt으로 출력하세요

[Step 6] 모델 학습 결과 확인
- 문제 32. 완성된 모델에서 test_noisy_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 33. test_noisy_images[0], test_images[0]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 34. res와 test_labels[0]의 결과를 plt.bar로 확인하세요

[Step 7] 모델 저장 및 로드, 다운
- 문제 35. 모델을 저장하세요
- 문제 36. 모델 파일을 새로운 모델에 로드하세요
- 문제 37. 로드한 모델을 test 데이터로 평가해보세요
- 문제 38. 모델을 내 컴퓨터에 저장해보세요

Ch2. 인물 사진에서 성별과 표정 분석하기

[Step 0] 기초지식 개요: 멀티 아웃풋 모델

[Step 1] 도입전 기본 처리
- 문제 01. tfds를 이용하여 데이터셋 사용하기
- 문제 02. celeba의 정보중 이용할 데이터만 추출하세요
- 문제 03. 데이터 용량을 축소하세요
- 문제 04. 사전 저장된 celeba small 데이터 확인해보세요
- 문제 05. celeba_small 데이터를 살펴보세요
- 문제 06. x와 y의 shape을 출력해보세요
- 문제 07. x, y를 각각 plt를 통하여 출력하세요
- 문제 08. celeba_small.npz 데이터에서 학습, 테스트 데이터를 로드하세요
- 문제 09. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 10. train_images의 dtype을 출력해보세요

[Step 2] 데이터 전처리
- 문제 11. 이미지 데이터의 범위 확인
- 문제 12. images/labels 이미지 데이터의 최소/최대값을 출력하세요
- 문제 13. labels의 shape을 (배치, 2)에서 (배치, 2), (배치, 2)으로 변경하세요. (배치, (성별,웃음)) => (배치, 남자, 여자), (배치, 웃음, 안웃음)
- 문제 14. labels의 shape을 (배치, 2), (배치, 2)에서 (배치, 4)로 합쳐보세요

[Step 3] 데이터 시각화
- 문제 15. train_image의 이미지를 5장 획득하여 (5, 세로, 가로, 3)의 shape을 출력하세요
- 문제 16. 획득한 5장의 의미지를 (세로, 가로 * 5, 3)의 shape으로 변경해보세요
- 문제 17. transpose 함수를 이용하여 (세로, 가로 * 5, 3)로 shape을 변경해보세요
- 문제 18. (72, 295, 3)이 된 tensor를 plt로 출력해보세요
- 문제 19. smile, male label도 5개 출력해보세요
- 문제 20. smile, male이 각각 몇개 있는지 측정해보세요

[Step 4] 딥러닝 모델링
- 문제 21. smile과 gender 학습셋을 각 각 처리하는 이미지 classification 모델 2개를 작성하세요. (단 label을 각각 따로 처리)
- 문제 22. 2개의 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 23. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 24. 만든 모델에 train_images를 학습시켜 보세요
- 문제 25. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델 학습 결과 확인
- 문제 26. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 27. res와 test_images[1]을 plt로 출력하세요

[Step 6] 멀티 아웃풋 모델링
- 문제 28. 해당 학습셋을 처리하는 이미지 classification 모델을 작성하세요. (단 label을 2개 동시에 처리)
- 문제 29. 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 30. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 31. 만든 모델에 train_images를 학습시켜 보세요
-문제 32. 학습 진행 사항을 plt으로 출력하세요

[Step 7] 멀티 아웃풋 모델 결과 확인
- 문제 33. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 34. res와 test_images[1]을 plt로 출력하세요

[Step 8] 모델 분리
- 문제 35. model의 뒷단을 수정하여 성별 모델을 분리해보세요
- 문제 36. 성별모델에서 테스트 데이터 확인
- 문제 37. 통합 모델에서 스마일 모델을 분리해보세요
- 문제 38. 스마일 모델에서 테스트 데이터를 확인해보세요

[Step 9] 통합 모델 저장 및 로드, 다운
- 문제 39. 모델을 저장하세요
- 문제 40. 모델 파일을 새로운 모델에 로드하세요
- 문제 41. 로드한 모델을 test 데이터로 평가해보세요
- 문제 42. 모델을 내 컴퓨터에 저장해보세요

Ch3. 여러 의상 사진에서 옷 종류 구분하기

[Step 0] 기초지식 개요: 멀티레이블 분류란?

[Step 1] 도입전 기본 처리
- 문제 01. fashion mnist 데이터 살펴보기
- 문제 02. train_images/labels와 test_images/labes의 shape을 출력해보세요
- 문제 03. (28, 28) 형태의 이미지를 plt을 이용하여 출력해보세요
- 문제 04. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 05. train_images의 dtype을 출력해보세요

[Step 2] 데이터 전처리
- 문제 06. train/test 이미지 데이터의 범위 확인
- 문제 07. train/test 이미지 데이터의 최소/최대값을 출력
- 문제 08. 정수형을 실수형으로 변경 후 dtype으로 비교
- 문제 09. 데이터 노말라이즈 수행
- 문제 10. 노말라이즈 후 데이터의 값이 변경되었는지 확인하세요

[Step 3] 데이터 시각화
- 문제 11. train_image의 이미지를 5장 획득하여 (5, 28, 28)의 shape을 출력하세요
- 문제 12. 획득한 5장의 의미지를 (28, 28 * 5)의 shape으로 변경해보세요
- 문제 13. transpose 함수를 이용하여 (28, 28 * 5)로 shape을 변경해보세요
- 문제 14. (28, 140)이 된 tensor를 plt로 출력해보세요

[Step 4] 데이터 Augmentation
- 문제 15. 이미지 한장의 크기를 4배로 확대하고, 객체는 4분면 영역중 랜덤으로 1공간에 넣는 함수를 작성하여보세요
- 문제 16. 4배 이미지 변환을 전체 train/test 데이터에 실행하여 train_expend_images, test_expend_images를 생성하세요
- 문제 17. 4배 이미지 변환 함수를 수정하여 이미지 사이즈를 4배 확대 시킨 뒤, 객체를 랜덤으로 0~4개, 랜덤 4분면에 위치시키는 함수를 작성하세요
- 문제 18. 4배 이미지 변환을 전체 train/test 데이터에 실행하여 train_multi_images, test_multi_images, train_multi_labels, train_multi_labels를 생성하세요
- 문제 19. multi labels와 train_labels의 값의 형태를 비교해보세요
- 문제 20. train_labels에서 label들의 분포를 구해보세요
- 문제 21. multi labels에서 label들의 분포와 평균 사진 개수 분포를 구하세요

[Step 5] 딥러닝 모델링
- 문제 22. train_expand_images, train_labels로 초벌 모델을 생성해보세요
- 문제 23. 모델을 할당 받고 서머리를 출력해보세요
- 문제 24. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 25. 만든 모델에 train_expand_images를 학습시켜 보세요
- 문제 26. 학습 진행 사항을 출력하세요

[Step 6] 모델링 결과 확인
- 문제 27. 완성된 모델에서 test_expand_images를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 28. res의 결과와 실제 label을 비교하고 test_exnpand_images[0]을 plt로 출력하세요

[Step 7] 멀티 레이블 모델링
- 문제 29. train_multi_images 와 train_multi_labels를 처리 할 수 있는 모델을 작성하세요
- 문제 30. 기존 모델을 멀티 모델로 변환하여 모델 서머리를 출력하세요
- 문제 31. 문제 25과 같은 세팅으로 train_multi_images를 학습시키세요
- 문제 32. 완성된 모델에서 test_multi_images를 1장 넣고 결과를 res 변수에 저정한뒤 실제 test_multi_labels와 비교해보세요

[Step 8] 모델 저장 및 로드, 다운
- 문제 33. 모델을 저장하세요
- 문제 34. 모델 파일을 새로운 모델에 로드하세요
- 문제 35. 로드한 모델을 test 데이터로 평가해보세요
- 문제 36. 모델을 내 컴퓨터에 저장해보세요

💻 Part 2. 이미지 변형 기초

Ch1. 손상된 의류 이미지 화질 복구하기

[Step 0] 기초지식 개요: 오토인코더

[Step 1] 도입전 기본 처리
- 문제 01. fashion mnist 데이터 살펴보기
- 문제 02. 데이터의 shape을 출력
- 문제 03. 하나의 배열을 plt를 통하여 출력
- 문제 04. 이미지 데이터에서 0이 아닌 값을 출력하기
- 문제 05. 데이터의 dtype을 출력하기

[Step 2] 데이터 전처리
- 문제 06. train/test 이미지 데이터의 범위 확인
- 문제 07. train/test 이미지 데이터의 최소/최대값을 출력
- 문제 08. 정수형을 실수형으로 변경 후 dtype으로 비교
- 문제 09. 데이터 노말라이즈 수행
- 문제 10. 노말라이즈 후 데이터의 값이 변경되었는지 확인하세요
- 문제 11. 흑백 이미지를 칼라 이미지의 shape으로 변경하세요

[Step 3] 데이터 시각화
- 문제 12. train_image의 이미지를 5장 획득하여 (5, 28, 28, 3)의 shape을 출력하세요
- 문제 13. 획득한 5장의 의미지를 (28, 28 * 5, 3)의 shape으로 변경해보세요
- 문제 14. transpose 함수를 이용하여 (28, 28 * 5, 3)로 shape을 변경해보세요
- 문제 15. (28, 140, 3)이 된 tensor를 plt로 출력해보세요

[Step 4] 데이터 Augmentation
- 문제 16. np.random.random 함수를 이용하여 0과 1 사이의 랜덤값을 3회 print로 출력해보시오
- 문제 17. np.random.random 함수와 shape parameter를 활용하여 (28, 28. 3)의 칼라 랜덤 노이즈를 생성해보세요
- 문제 18. 생성된 random (28, 28, 3) 노이즈를 plt를 통하여 확인해보세요
- 문제 19. 가우시안 노이즈 함수를 사용하여 평균 0, 표준편차 0.1, 사이즈 1로 랜덤 값을 3번 출력하세요. (np.random.normal)
- 문제 20. 가우시안 노이즈 함수를 사용하여 평균 3.0인 경우, 표준 편차가 0.01인 경우로 각각 3회씩 출력해보세요
- 문제 21. 가우시안 노이즈 함수를 size를 (28, 28, 3)로 생성 후 plt로 출력해보세요(범위는 0-1의 사이로 고정)
- 문제 22. train_images의 5번째 이미지와 가우시안 노이즈 (28, 28, 3)를 생성 한 뒤 각각 tensor를 더한 뒤 noisy_image 변수에 할당 해보세요
- 문제 23. noisy_image를 plt를 통해서 출력해보세요
- 문제 24. 위의 방법을 전부 활용하여 train_images와 test_images 데이터에 랜덤 노이즈를 추가한 train_noisy_images와 test_noisy_images를 생성해보세요
- 문제 25. 노이즈가 추가된 train_noisy_images에서 5장을 plt으로 출력해보세요

[Step 5] 딥러닝 모델링
- 문제 26. 해당 학습셋을 처리하는 이미지 classificaion 모델을 작성하세요
- 문제 27. 모델 요약 정보를 출력해보세요
- 문제 28. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 29. 만든 모델에 train_noisy_images를 학습시켜 보세요
- 문제 30. 학습 진행 사항을 plt으로 출력하세요

[Step 6] 모델 학습 결과 확인
- 문제 31. 완성된 모델에서 test_noisy_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 32. res와 test_noisy_images[0], test_images[0]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 33. 5장의 test_noisy_images를 모델에 넣은 뒤 결과를 31번의 방식으로 비교하세요

[Step 7] 모델 저장 및 로드, 다운
- 문제 34. 모델을 저장하세요
- 문제 35. 모델 파일을 새로운 모델에 로드하세요
- 문제 36. 로드한 모델을 test 데이터로 평가해보세요
- 문제 37. 모델을 내 컴퓨터에 저장해보세요

Ch2. 이미지 세그멘테이션 - 인물 사진에서 배경 없애기

[Step 0] 기초지식 개요: 오토인코더 및 세그먼트

[Step 1] 도입전 기본 처리
- 문제 01. 구글 드라이브와 코렙 연동
- 문제 02. pfcn 데이터 살펴보기
- 문제 03. x와 y의 shape을 출력해보세요
- 문제 04. x, y를 각각 plt를 통하여 출력하세요
- 문제 05. (800, 600)의 의미지는 colab에서 돌리기에 너무 큽니다. (100, 75)로 이미지를 줄여보세요
- 문제 06. pfcn_small.npz 데이터에서 학습, 테스트 데이터를 로드하세요
- 문제 07. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 08. train_images의 dtype을 출력해보세요

[Step 2] 데이터 전처리
- 문제 09. images/matters 이미지 데이터의 범위 확인
- 문제 10. images/matters 이미지 데이터의 최소/최대값을 출력
- 문제 11. mattes의 shape을 (배치, 100, 75, 3)에서 (배치, 100, 75, 1)으로 변경하세요

[Step 3] 데이터 시각화
- 문제 12. train_image의 이미지를 5장 획득하여 (5, 100, 75, 3)의 shape을 출력하세요
- 문제 13. 획득한 5장의 의미지를 (100, 75 * 5, 3)의 shape으로 변경해보세요
- 문제 14. (100, 375, 3)이 된 tensor를 plt로 출력해보세요
- 문제 15. mettes도 (100, 375)으로 plt로 출력해보세요

[Step 4] AE 모델링
- 문제 16. 해당 학습셋을 처리하는 이미지 segmentation 모델을 작성하세요
- 문제 17. 모델을 할당 받고 서머리를 출력해보세요
- 문제 18. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 19. 만든 모델에 train_noisy_images를 학습시켜 보세요
- 문제 20. 학습 진행 사항을 plt으로 출력하세요

[Step 5] AE 모델 학습 결과 확인
- 문제 21. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 22. test_images[1], test_mattes[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 23. res에 0.5의 값을 기준으로 0과 1로 2원화 시키고 다시 문제 22처럼 출력해보세요
- 문제 24. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 22 방식으로 비교하세요
- 문제 25. test_images[1]과 res를 곱한뒤 plt에 출력해보세요

[Step 6] Unet 모델링
- 문제 26. 해당 학습셋을 처리하는 이미지 segmentation 모델을 작성하세요
- 문제 27. 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 28. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 29. 만든 모델에 train_noisy_images를 학습시켜 보세요
- 문제 30. 학습 진행 사항을 plt으로 출력하세요

[Step 7] Unet 모델링 학습 결과 확인
- 문제 31. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 32. test_images[1], test_mattes[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 33. res에 0.5의 값을 기준으로 0과 1로 2원화 시키고 다시 문제 32처럼 출력해보세요
- 문제 34. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 32 방식으로 비교하세요
- 문제 35. test_images[1]과 res를 곱한뒤 plt에 출력해보세요

[Step 8] 모델 저장 및 로드, 다운
- 문제 36. 모델을 저장하세요
- 문제 37. 모델 파일을 새로운 모델에 로드하세요
- 문제 38. 로드한 모델을 test 데이터로 평가해보세요
- 문제 39. 모델을 내 컴퓨터에 저장해보세요

Ch3. 칼라 흑백 전환 - 칼라 사진을 흑백 사진으로 변경 하기

[Step 0] 기초지식 개요: 오토인코더 및 colorization

[Step 1] 도입전 기본 처리
- 문제 01. 구글 드라이브와 코렙 연동하기
- 문제 02. pfcn 데이터 살펴보기
- 문제 03. x와 shape을 출력해보세요
- 문제 04. x를 plt를 통하여 출력하세요
- 문제 05. (800, 600)의 의미지는 colab에서 돌리기에 너무 큽니다. (100, 75)로 이미지를 줄여보세요
- 문제 06. pfcn_small.npz 데이터에서 학습, 테스트 데이터를 로드하세요.
- 문제 07. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 08. train_images의 dtype을 출력해보세요.

[Step 2] 데이터 전처리
- 문제 09. images/matters 이미지 데이터의 범위 확인
- 문제 10. images/matters 이미지 데이터의 최소/최대값을 출력
- 문제 11. train_images와 test_images로 흑백인 train_gray_images, test_gray_images를 생성하세요

[Step 3] 데이터 시각화
- 문제 12. train_image의 이미지를 5장 획득하여 (5, 100, 75, 3)의 shape을 출력하세요
- 문제 13. 획득한 5장의 의미지를 (100, 75 * 5, 3)의 shape으로 변경해보세요
- 문제 14. (100, 375, 3)이 된 tensor를 plt로 출력해보세요

[Step 4] 딥러닝 모델링
- 문제 15. 칼라 이미지를 흑백으로 변환하는 모델을 작성하세요
- 문제 16. 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 17. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 18. 만든 모델에 train_images, train_gray_images를 학습시켜 보세요
- 문제 19. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델 학습 결과 확인
- 문제 20. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 21. res와 test_gray_images[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 22. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 21 방식으로 비교하세요

[Step 6] 더 간단한 모델링
- 문제 23. 칼라 이미지를 흑백으로 변환하는 모델을 작성하세요
- 문제 24. 모델을 할당 받고 서머리를 출력해보세요
- 문제 25. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 26. 만든 모델에 train_images, train_gray_images를 학습시켜 보세요
- 문제 27. 학습 진행 사항을 plt으로 출력하세요

[Step 7] 모델 학습 결과 확인
- 문제 28. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 29. res와 test_gray_images[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 30. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 21 방식으로 비교하세요

[Step 8] 극단적 선형 흑백 모델
- 문제 31. 극단적 선형 흑백 모델을 구현하세요
- 문제 32. res와 test_gray_images[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 33. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 21 방식으로 비교하세요

[Step 9] 모델 저장 및 로드, 다운
- 문제 34. 모델을 저장하세요
- 문제 35. 모델 파일을 새로운 모델에 로드하세요
- 문제 36. 로드한 모델을 test 데이터로 평가해보세요
- 문제 37. 모델을 내 컴퓨터에 저장해보세요

Ch4. 흑백 칼라 전환 - 오래된 흑백 사진을 흐릿한 컬러 사진으로 복원하기

[Step 0] 기초지식 개요: 오토인코더 및 colorization

[Step 1] 도입전 기본 처리
- 문제 01. 구글 드라이브와 코렙 연동하기
- 문제 02. pfcn 데이터 살펴보기
- 문제 03. x와 shape을 출력해보세요
- 문제 04. x를 plt를 통하여 출력하세요
- 문제 05. (800, 600)의 의미지는 colab에서 돌리기에 너무 큽니다. (100, 75)로 이미지를 줄여보세요
- 문제 06. pfcn_small.npz 데이터에서 학습, 테스트 데이터를 로드하세요
- 문제 07. train_images에서 0이 아닌 값들을 출력해보세요
- 문제 08. train_images의 dtype을 출력해보세요

[Step 2] 데이터 전처리
- 문제 09. images/matters 이미지 데이터의 범위 확인
- 문제 10. images/matters 이미지 데이터의 최소/최대값을 출력
- 문제 11. train_images와 test_images로 흑백인 train_gray_images, test_gray_images를 생성하세요

[Step 3] 데이터 시각화
- 문제 12. train_image의 이미지를 5장 획득하여 (5, 100, 75, 3)의 shape을 출력하세요
- 문제 13. 획득한 5장의 의미지를 (100, 75 * 5, 3)의 shape으로 변경해보세요
- 문제 14. (100, 375, 3)이 된 tensor를 plt로 출력해보세요
- 문제 15. gray도 (100, 375)으로 plt로 출력해보세요

[Step 4] 딥러닝 모델링
- 문제 16. 흑백 이미지를 칼라로 변환하는 모델을 작성하세요
- 문제 17. 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 18. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 19. 만든 모델에 train_images, train_gray_images를 학습시켜 보세요
- 문제 20. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델 학습 결과 확인
- 문제 21. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 22. res와 test_gray_images[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 23. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 29 방식으로 비교하세요

[Step 6] lab 칼라 모델링
- 문제 24. rgb 칼라를 lab 칼라로 바꿔보세요
- 문제 25. lab 칼라 이미지를 채널별로 최대, 최소 값을 출력해보세요
- 문제 26. lab 칼라는 채널별 최대값을 [0-100, 128-255, 128-255]로 가지고 있습니다. 0-1 노말라이즈 하세요
- 문제 27. lab 칼라의 이미지 하나를 고르고 첫번째 채널을 plt으로 출력해보세요
- 문제 28. lab 칼라 첫번째 채널로 나머지 2채널을 예측하는 모델을 작성하세요
- 문제 29. 모델을 할당 받고 요약 정보를 출력해보세요
- 문제 30. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 31. 만든 모델에 train_lab_images[...,0], train_lab_images[...,1:]를 학습시켜 보세요
- 문제 32. 학습 진행 사항을 plt으로 출력하세요

[Step 7] lab 칼라 모델 학습 결과 확인
- 문제 33. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 34. res와 test_gray_images[1]를 width 방향으로 결합하여 plt로 출력하세요
- 문제 35. 5장의 test_images를 모델에 넣은 뒤 결과를 문제 29 방식으로 비교하세요

[Step 8] 모델 저장 및 로드, 다운
- 문제 36. 모델을 저장하세요
- 문제 37. 모델 파일을 새로운 모델에 로드하세요
- 문제 38. 로드한 모델을 test 데이터로 평가해보세요
- 문제 39. 모델을 내 컴퓨터에 저장해보세요

Ch5. 선명한 사진 확대 - 학종이만한 사진을 사진만한 크기로 확대하기

[Step 0] 기초지식 개요: 오토인코더 및 colorization

[Step 1] 도입전 기본 처리
- 문제 01. pfcn 데이터 살펴보기
- 문제 02. x와 shape을 출력해보세요
- 문제 03. x를 plt를 통하여 출력하세요
- 문제 04. (800, 600)의 의미지는 colab에서 돌리기에 너무 큽니다. (100, 75)로 이미지를 줄여보세요
- 문제 05. (50, 37)로 이미지를 줄여보고 출력해보세요
- 문제 06. pfcn_small.npz 데이터에서 학습, 테스트 데이터를 로드하세요
- 문제 07. train_big_images, tset_big_images를 (50, 37, 3)으로 줄인 이미지를 할당하세요
- 문제 08. train_big_images에서 0이 아닌 값들을 출력해보세요
- 문제 09. train_big_images의 dtype을 출력해보세요

[Step 2] 데이터 전처리
- 문제 10. train/test_big_images 이미지 데이터의 범위 확인
- 문제 11. images 이미지 데이터의 최소/최대값을 출력

[Step 3] 데이터 시각화
- 문제 12. train_big_image의 이미지를 5장 획득하여 (5, 100, 75, 3)의 shape을 출력하세요
- 문제 13. transpose 함수를 이용하여 (100, 75 * 5, 3)로 shape을 변경해보세요
- 문제 14. (100, 375, 3)이 된 tensor를 plt로 출력해보세요
- 문제 15. small도 (50, 37 * 5, 3)으로 plt로 출력해보세요

[Step 4] 딥러닝 모델링
- 문제 16. small 학습셋을 big으로 고해상도 변경하는 모델을 작성하세요
- 문제 17. 모델을 할당받고 요약 정보를 출력하세요
- 문제 18. 만든 모델에 로스와 옵티마이저, 메트릭을 설정하세요
- 문제 19. 만든 모델에 train_small_images를 학습시켜 보세요
- 문제 20. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델링 학습 결과 확인
- 문제 21. 완성된 모델에서 test_image를 1장 넣고 결과를 res 변수에 저정하세요
- 문제 22. test_small_images[1]을 resize 함수를 이용하여 (100, 75)으로 2배 확대시키세요
- 문제 23. res와 확대한 이미지, test_big_images[1]을 동시에 출력시켜 보세요
- 문제 24. 3장의 test_small_images를 모델에 넣은 뒤 결과를 문제 23 방식으로 비교하세요

[Step 6] 모델 저장 및 로드, 다운
- 문제 25. 모델을 저장하세요
- 문제 26. 모델 파일을 새로운 모델에 로드하세요
- 문제 27. 로드한 모델을 test 데이터로 평가해보세요
- 문제 28. 모델을 내 컴퓨터에 저장해보세요

💻 Part 3. 텍스트 분류 기초

Ch.1 시계열 분석 - 딥러닝으로 Seq2Seq 계산기 만들기

[Step 0] 기초지식 개요: Seq2Seq란?

[Step 1] 도입전 기본 처리
- 문제 01. 랜덤 2자리 더하기 데이터와 정답셋 생성

[Step 2] 데이터 전처리
- 문제 02. train_text, train_answer를 bow 형태로 변경하세요
- 문제 03. vacab의 역형태인 map 형태도 생성하세요
- 문제 04. train_text와 train_anser를 BOW 형태로 변경하세요

- 문제 05. train_bow_text와 train_bow_answer에 padding을 추가하여 완전한 np.array로 변경하세요
- 문제 06. train_bow_text를 train_data_bow, test_data_bow로 (98%, 2%의 개수) 분리해보세요

[Step 3] 데이터 시각화
- 문제 07. train_data_bow에서 등장하는 token의 분포를 출력해보세요
- 문제 08. train_answer_bow에서 등장하는 token의 분포를 출력해보세요

[Step 4] Seq2Seq용 입출력 보정
- 문제 09. train/test_answer_bow를 한쪽씩 당겨서 decoder에 주입시킬 데이터를 생성해보세요
- 문제 10. 정답으로 처리될 train/test_answer_bow를 onehot 인코딩으로 바꿔보세요
- 문제 11. data_bow, anser_bow, shift_answer_bow, onehot를 1개씩 출력해보세요
- 문제 12. onehot를 readable하게 바꿔주는 함수를 작성해보세요
- 문제 13. bow를 readable하게 바꿔주는 함수를 작성해보세요

[Step 5] Seq2Seq 모델링
- 문제 14. Seq2Seq 모델 구축
- 문제 15. seq2seq 학습 모델을 생성하고 요약 정보를 출력하세요
- 문제 16. encoder, decoder에 대한 요약 정보를 출력하세요
- 문제 17. 모델 학습
- 문제 18. 학습 진행 사항을 plt으로 출력하세요

[Step 6] 모델 학습 결과 확인
- 문제 19. plain2bow를 이용하여 encoder에 bow를 주입하고 z를 받아보세요
- 문제 20. z와 PAD를 이용하여 첫번째 decoder 값을 획득해보세요
- 문제 21. first_pred에 값이 가장 큰 index를 이용하여 문자로 decoding 하세요
- 문제 22. first_z와 first_pred를 이용해서 second_pred를 획득하고 문자로 decoding 해보세요
- 문제 23. 입력 text가 주어지면 bow로 바꾼뒤 pad가 나올 때까지 문자를 decoding하는 함수를 만드세요
- 문제 24. decoding으로 몇가지 산술 연산을 테스트해보세요
- 문제 25. 모델을 평가해보세요

[Step 8] 모델 저장 및 로드, 다운
- 문제 26. 모델을 저장하세요
- 문제 27. 모델 파일을 새로운 모델에 로드하세요
- 문제 28. 로드한 모델을 test 데이터로 평가해보세요
- 문제 29. 모델을 내 컴퓨터에 저장해보세요

Ch2. 시계열 분석 - Seq2Seq의 Encoder로 뉴스기사 토픽 예측하기

[Step 0] 기초지식 개요: Encoder로 토픽예측을?

[Step 1] 도입전 기본 처리
- 문제 01. reuters 데이터 살펴보기
- 문제 02. train_images/labels와 test_images/labes의 shape을 출력해보세요
- 문제 03. train_text에서 각 원소의 길이를 y축으로 bar plot를 그려보세요

[Step 2] 데이터 전처리
- 문제 04. train_text, test_text에서 등장한 정수들을 확인해보세요
- 문제 05. train_text와 test_text를 BOW 형태로 변경하세요
- 문제 06. train과 test에 나온 word들의 count를 측정해보세요
- 문제 07. word_count를 이용해서 n번 이하로 나온 word를 삭제하여 train과 test를 구성해보세요
- 문제 08. pad 추가된 bow 형태로 변화하여 width 길이를 확인해보세요
- 문제 09. train_text/test_text에 길이 제한을 줘서 bow를 생성해보세요
- 문제 10. topic을 onehot encoding으로 변경해보세요
- 문제 11. topic 인덱스를 text label로 변환하는 함수를 만드세요

[Step 3] 데이터 시각화
- 문제 12. train_bow_text의 길이 분포를 출력해보세요
- 문제 13. train_cut_bow_text의 길이 분포를 출력해보세요
- 문제 14. train_cut_bow_text2의 길이 분포를 출력해보세요
- 문제 15. label 분포를 출력해보세요
- 문제 16. seabon을 이용하여 label 분포를 출력해보세요
- 문제 17. reuters.get_word_index()를 이용해서 text를 decode해보세요
- 문제 18. train/test 데이터에서 문서당 가장 많은 횟수로 출현한 word 분포를 출력하세요
- 문제 19. train/test 전체 문서 당 출현이 가장 높은 word 분포를 출력하세요

[Step 4] Seq2Seq의 Encoder 이용 모델링
- 문제 20. Encoder이용 classification 모델 구축
- 문제 21. 학습 모델을 생성하고 summary를 출력하세요
- 문제 22. 모델을 학습해보세요
- 문제 23. 학습 진행 사항을 plt으로 출력하세요
- 문제 24. train_cut_bow_text를 위한 학습 모델을 생성하고 summary를 출력하세요
- 문제 25. 학습모델을 학습해보세요. 단, train_cut_bow_text를 200으로 길이를 수정하고 실행하세요
- 문제 26. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델 학습 결과 확인
- 문제 27. 완성된 모델1, 2에서 test 하나를 예측하고 결과를 res1, res2 변수에 저정하세요
- 문제 28. res1, res2의 결과를 확인하세요
- 문제 29. reuters.get_word_index()를 이용하여 평문을 bow로 변환해보세요
- 문제 30. text2bow를 이용하여 model1을 통해 결과를 확인하세요
- 문제 31. cut_by_count를 이용하여 20회 이상 등장한 word만 사용하는 bow를 만들어보세요
- 문제 32. text2bow를 이용하여 model1을 통해 결과를 확인하세요
- 문제 33. confusion 매트릭스 생성
- 문제 34. confusion 매트릭스 시각화
- 문제 35. classification 결과 리포팅

[Step 6] 모델 저장 및 로드, 다운
- 문제 36. 모델을 저장하세요
- 문제 37. 모델 파일을 새로운 모델에 로드하세요
- 문제 38. 로드한 모델을 test 데이터로 평가해보세요
- 문제 39. 모델을 내 컴퓨터에 저장해보세요

Ch.3 시계열 분석 - Seq2Seq로 네이버 영화평점 평가하기

[Step 0] 기초지식 개요: Encoder로 토픽예측을?

[Step 1] 도입전 기본 처리
- 문제 01. 네이버 데이터 다운 받기
- 문제 02. 네이버 데이터 판다스 데이터프레임에 로드하기
- 문제 03. train_df/test_df의 shape/dtype을 출력해보세요
- 문제 04. train_df에서 각 원소의 길이를 y축으로 bar plot를 그려보세요

[Step 2] 데이터 전처리
- 문제 05. 형태소 분석기 설치
- 문제 06. sentencepiece 설치 및 data 학습
- 문제 07. sentencepiece 모델 로드 및 텍스트 분석
- 문제 08. 텍스트 id로 인코딩/디코딩을 수행하고 sentencepiece로 train/test document 필드 분석/저장하세요
- 문제 09. 형태소 분석기로 document 필드 분석 - 문제 10. train/test 에 대한 x, y 데이터를 만들어보자 (train_text, train_sentiment, test...)
- 문제 11. train_text, test_text에서 등장한 정수들을 확인해보세요
- 문제 12. train_text와 test_text를 BOW 형태로 변경하세요
- 문제 13. train과 test에 나온 word들의 count를 측정해보세요
- 문제 14. word_count를 이용해서 n번 이하로 나온 word를 삭제하여 train과 test를 구성해보세요
- 문제 15. pad 추가된 bow 형태로 변화하여 width 길이를 확인해보세요
- 문제 16. train_text/test_text에 길이 제한을 줘서 bow를 생성해보세요
- 문제 17. sentiment을 onehot encoding으로 변경해보세요
- 문제 18. sentiment 인덱스를 text label로 변환하는 함수를 만드세요

[Step 3] 데이터 시각화
- 문제 19. train_bow_text의 길이 분포를 출력해보세요
- 문제 20. train_cut_bow_text의 길이 분포를 출력해보세요
- 문제 21. train_cut_bow_text2의 길이 분포를 출력해보세요
- 문제 22. label 분포를 출력해보세요
- 문제 23. seabon을 이용하여 label 분포를 출력해보세요
- 문제 24. reuters.get_word_index()를 이용해서 text를 decode해보세요
- 문제 25. train/test 데이터에서 문서당 가장 많은 횟수로 출현한 word 분포를 출력하세요
- 문제 26. train/test 전체 문서 당 출현이 가장 높은 word 분포를 출력하세요

[Step 4] Seq2Seq의 Encoder 이용 모델링
- 문제 27. Encoder이용 classification 모델 구축
- 문제 28. 학습 모델을 생성하고 summary를 출력하세요
- 문제 29. 모델을 학습해보세요
- 문제 30. 학습 진행 사항을 plt으로 출력하세요
- 문제 31. train_cut_bow_text를 위한 학습 모델을 생성하고 summary를 출력하세요
- 문제 32. 모델을 학습해보세요. 단, train_cut_bow_text를 100으로 길이를 수정하고 실행하세요
- 문제 33. 학습 진행 사항을 plt으로 출력하세요

[Step 5] 모델 학습 결과 확인
- 문제 34. 완성된 모델1, 2에서 test 하나를 예측하고 결과를 res1, res2 변수에 저정하세요
- 문제 35. res1, res2의 결과를 확인하세요
- 문제 36. reuters.get_word_index()를 이용하여 평문을 bow로 변환해보세요
- 문제 37. text2bow를 이용하여 model1을 통해 결과를 확인하세요
- 문제 38. cut_by_count를 이용하여 20회 이상 등장한 word만 사용하는 bow를 만들어보세요
- 문제 39. text2bow를 이용하여 model1을 통해 결과를 확인하세요
- 문제 40. confusion 매트릭스 생성
- 문제 41. confusion 매트릭스 시각화
- 문제 42. classification 결과 리포팅

[Step 6] 모델 저장 및 로드, 다운
- 문제 43. 모델을 저장하세요
- 문제 44. 모델 파일을 새로운 모델에 로드하세요
- 문제 45. 로드한 모델을 test 데이터로 평가해보세요
- 문제 46. 모델을 내 컴퓨터에 저장해보세요

💻 Part 4. 중급 이미지 인식 & 분류 모델링

Ch1. Image Classification 모델 구현 및 성능 개선하기

[Step 0] Image Classfication 이론

[Step 1] 데이터 다운로드 및 전처리
- 문제 01~05

[Step 2] Pretrained MobileNetV3로 Training하기
- 문제 06~08

[Step 3] Model 성능 올리기
- 문제 09~18

Ch2. Image Localization 구현 및 성능 개선하기

[Step 0] Image Localization 이론

[Step 1] 데이터 다운로드 및 전처리
- 문제 01~04

[Step 2] tfrecord 파일 만들기
- 문제 05~08

[Step 3] Image Localization 모델 작성 및 학습
- 문제 09~16

[Step 4] Multi-task Learning을 활용하여 성능 개선하기
- 문제 17~21

Ch3. Object Detection 모델 구현하기

[Step 0] Object Detection 이론

[Step 1] Data 다운로드 및 확인
- 문제 01~03

[Step 2] Data Augmentation
- 문제 04~07

[Step 3] Anchor Box 정보 만들기 - 문제 08~11
- 문제 08~11

[Step 4] Label Encoding
- 문제 12~16

[Step 5] Dataset 만들기
- 문제 17~19

[Step 6] RetinaNet Model 만들기
- 문제 20~21

[Step 7] Model 학습하기
- 문제 22~25

[Step 8] 학습된 Model로 결과 확인하기
- 문제 26~27

💻 Part 5. RNN 실전 모델링

Ch1. LSTM을 활용해 주가 예측 모델 구현하기

[Step 1] 데이터 불러오기 및 EDA
- 문제 01~10

[Step 2] 시계열 데이터 시각화
- 문제 11~14

[Step 3] 시계열 데이터의 전처리
- 문제 15~18

[Step 4] 모델 구현하기
-문제 19~21

[Step5 5] 모델을 활용한 예측 및 결과 시각화
-문제 24~26

Ch2. 딥러닝 기반 뉴스 기사 생성 모델 구현하기

[Step 0]Intro

[Step 1]데이터불러오기 및 전처리
-문제 01~05

[Step 2]단어 사전 만들기
-문제 06~08

[Step 3]데이터셋 생성 및 EDA
-문제 09~10

[Step 4]Sequential 모델 구현하기
-문제 11~15

[Step 5]모델을 활용한 뉴스 기사 생성
-문제 16~19

Ch3. seq2seq 모델을 활용한 챗봇 구현하기

[Step 1] seq2seq 모델의 개요
- 인트로~문제 03

[Step 2] 데이터 전처리
- 문제 04~06 [Step 3] 데이터셋 구성
- 문제 07~09

[Step 4] 토큰화(Tokenizer)
- 문제 10~14

[Step 5] 데이터셋 변환 함수 정의
- 문제 15~16

[Step 6] 모델 생성
- 문제 17~19

[Step 7] 학습
- 문제 20~22

[Step 8] 예측
- 문제 23~24

[Step 9] 테스트
- 문제 25

💻 Part 6. 고급 영상 인식 & 생성 모델링

Ch1. StyleGAN을 활용한 Face Editing

[Step 0] 챕터 개요

[Step 1] StyleGAN을 활용한 얼굴 생성 및 모핑
- 핵심 아이디어 설명
- 문제 01~11

[Step 2] 얼굴 임베딩(Face Embedding)
- 핵심 아이디어 설명
- 문제 07~11

[Step 3] 얼굴 교차(Crossover)
- 핵심 아이디어 설명
- 문제 12~14

[Step 4] 임베딩 벡터 연산(Latent Vector Arithmetic)
- 핵심 아이디어 설명
- 문제 15~19

[Step 5] 시멘틱 정보 변경(Semantic Editing)
- 핵심 아이디어 설명
- 문제 20~24

[Step 6] 스타일 전공(Style Transfer)
- 핵심 아이디어 설명
-문제 25~26

[Step 7] 얼굴 복구(Face Reconstruction)
- 핵심 아이디어 설명
- 문제 27~29

Ch2. 딥페이크(DeepFakes) 가짜 비디오제작 및 탐지기술

[Step 0] 딥페이크 개요 및 강의 소개

[Step 1] Single Image 얼굴 표정 재연(Face Reenactment)
- 문제 01~08

[Step 2] Single Image 얼굴 교체(Face Swapping)
- 문제 09~18

[Step 3] 딥페이크 탐지(DeepFakes Detection)
- 문제 19~28

[Step 4] 영상 기반 얼굴 교체(Face Swapping)
- 문제 29~33

Ch3. YOLO v5를 이용한 실시간 객체 검출
(Real-time Object Detection)

[Step 0] 실시간 객체 탐지 개요 및 강의 소개

[Step 1] 다양한 데이터셋 둘러보기
- 문제 01~05

[Step 2] YOLO v5 아키텍처 핵심 정리

[Step 3] Mask Wearing Dataset으로 YOLO v5 모델 학습하기
- 문제 06~13

[Step 4] 커스텀 데이터셋 라쿤(Raccoon)
- 문제 22~28

Ch4. 초해상도(Super-resolution) 1부

[Step 0] SinGAN을 활용한 자연 이미지 해상도 개선 개요

[Step 01] SinGAN 아키텍처 핵심 정리

[Step 02] SinGAN을 활용한 초해상도(Super-Resolution) 실습
- 문제 01~05

[Step 03] SinGAN을 활용한 랜덤 샘플링(Random Sampling) 및 애니메이션(Animation)
- 문제 06~07

Ch5. 초해상도(Super-Resolution) 2부

[Step 0] SRGAN을 활용한 해상도 개선 개요

[Step 1] SRGAN 아키텍처 핵심 정리

[Step 2] SRGAN을 활용한 초해상도(Super-Resolution) 실습
- 문제 01~09

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

딥러닝 경험을 만들어줄 강사진을 소개합니다.

나동빈
AI / Security Researcher

“정말 재미있는, 흥미로운 주제들로 구성했습니다. 실습 중심의 강의로 실무 스킬을 가져가세요.”

💻약력
· 포항공과대학교 컴퓨터공학과 석사
· Software Maestro 9기
· Best of the Best 6기

💻기타
· [한빛미디어] 이것이 취업을 위한 코딩 테스트다 with 파이썬 저자
· Deep Learning Security 관련 주저자 국제 학회 논문 보유
· KISA, 한국표준협회 및 다양한 고등학교/대학교에서 진행한 강의 경험 다수

손근영
Deep Learning Engineer

“딥러닝, 어려운 수학 몰라도 할 수 있습니다. 문제풀이 강의라고 겁먹지 마세요.”

💻약력
· 현 IT대기업 AI부서 소속
· 현 연세대학교 디지털애널리스틱 일반대학원 겸임교수
· 전 SK텔레콤 Data Cell 검색&분석 파트장
· 전 SK텔레콤 Tech Expert Board member
· 연세대학교 컴퓨터공학과 석사 졸업

💻기타
· 2020 연세대학교 디지털애널리스틱 일반대학원 겨울 학기, 연세대학교 학사 방학특강
· 2019 연세대학교 디지털애널리스틱 일반대학원 겨울 학기, 연세대학교 학사 방학특강
· 2018 연세대학교 Bigdata X YONSEI 특강
· 2016 한국SW산업협회 데이터 기반 데이터사이언티스트 양성과정

이진원
Deep Learning Engineer

“노력과 의지가 필요한 강의. 그리고 확실한 결과를 얻을 수 있는 강의.”

💻약력
· 서울대학교 전기공학부 학부, 석사 졸
· 딥러닝 영상처리 전공

💻기타
· 개발자 대상 딥러닝 교육 다수
· 이미지처리 강의 다수
· 모두를 위한 딥러닝 시즌 2 main creator

강사 인터뷰 »

이경록
Data Scientist

“국내 유일무이한 딥러닝 실전 강의.”

💻약력
· 현 브레인크루 대표이사
· 전 삼성전자 무선사업부 엔지니어
· 삼성전자 SCSA 1기
· C-LAB 삼성전자 사내벤처
· 위스콘신 주립대 경제학

💻기타
· 사용자 관심사 기반 뉴스 추천 B2B 솔루션 개발
· 딥러닝 블로그 운영(테디노트)
· 인공지능 이력서 채용 프로젝트 프리랜서 팀장
· 블루투스 BLE 펌웨어 및 앱개발
· 파이썬 데이터분석, 머신러닝, 딥러닝 강의 다수
· 텐서플로 강의 다수

강사 인터뷰 »

강의 목표.

딥러닝 이론을 실무 필드에서 활용할 수 있게 됩니다.
수많은 실전 문제를 풀면서 파이썬 딥러닝 경험을 쌓고, 실제 업무에 응용하거나 모델을 구현할 수 있습니다.

딥러닝의 본질인 문제 해결 능력이 올라갑니다.
막연하고 파편화되어 있던 지식을 체계화하여 필요한 코드를 변형해서 짤 수 있게 됩니다.

어떤 데이터를 마주하더라도 효과적으로 활용할 수 있게 됩니다.
100만 개 이상의 다양한 데이터로 실습하기 때문에 어떤 상황에도 쉽게 적용할 수 있습니다.

추천 대상.

• 딥러닝 이론 수업만 듣고, 직접 코드를 쳐본 경험이 없는 사람
• 실전 문제를 풀면서 파이썬 딥러닝 경험을 쌓고 싶은 사람
• 딥러닝을 배운 후에 실제 프로젝트에 응용해보고 싶은 사람
• 파이썬 라이브러리를 실용적으로 활용해보고 싶은 사람
• 많은 양의 데이터를 활용해서 파이썬 딥러닝 실습을 해보고 싶은 사람

강의 장점.

딥러닝을 쉽고 재미있게 배울 수 있어요!

직접 코드를 치면서 배우기 때문에 이론 강의처럼 지루하고 어렵지 않아요.

상세한 문제 풀이로 빠르게 이해할 수 있어요!

왜 이런 코드가 나왔는지 문제 하나하나 꼼꼼하게 해설해드려요.

세상에 존재하는 파이썬 딥러닝 문제를 다 모았어요!

300개 이상의 문제를 모두 풀고 딥러닝을 마스터하세요.

딥러닝 모델 구현 경험을 쌓을 수 있어요!

입문자도 강의만 잘 따라오면 20개 이상의 딥러닝 모델을 구현할 수 있어요.

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

구매 안내.

결제 후, 언제 어디서나 하루 10분 공부 시작.

• 홈페이지 회원가입 및 로그인
• 원하는 강의 결제하기
• 마이페이지에서 강의 시청하기

하루 10분으로
파이썬 딥러닝 완전 정복.

걸음마부터.
코드를 하나하나 짚어가며 꼼꼼하게 알려드립니다.

실무 활용도 100%.
실제와 같이 많은 양의 데이터를 활용해서 딥러닝을 배워보세요.

원하는 장소 어디서나.
내가 마음먹은 곳 어디든 나만의 강의장이 됩니다.

무제한 반복 학습과 평생 소장.
이해가 잘 되지 않는 내용도 몇 번이고 반복 재생하여 학습할 수 있습니다.

퀴즈처럼 풀면서 배우는 파이썬 딥러닝 300제+
문제은행 패키지 상세정보.

수업 시수

• 7개 대주제, 300 여개 강의 클립
• 약 50시간 분량

난이도

• 입문 - 실전
• 선수지식
① 파이썬 기본 문법(for문, 함수 이해)
② 기본 데이터 전처리(pandas, numpy 라이브러리 이해)
③ 기본 데이터 시각화(matplotlib, seaborn 라이브러리 이해)

강의 특징

• 수강료 1회 결제로 평생 소장

부가 학습 자료

• 강의 영상 공개 후, 마이페이지 > 내 강의 보기 > 온라인 강의장에서 확인 가능
• 문제 파일, 해설 파일 제공

주의사항 * 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

– 총 학습기간 :
정상 수강기간(유료 수강기간) 최초 2개월(60일), 무료 수강 기간은 61일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 51시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일 :
수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 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.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 수강시작 후 7일 이내, 5강 미만 수강 시에는 100%환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강시 수강기간인 2개월(60일) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 8일 ~20일 미만 경과시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 21일~30일 미만 경과시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 30일 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.

파이썬

🙋🏻‍♀ 머신러닝에도 관심이 있다면 주목하세요!

부족하다고 느꼈던 부분을 실습으로 채워주는 강의

확실한 무기를 가지고 싶어 신청했습니다.

Check Point 1

Check Point 2

Check Point 3

Check Point 4

🙋🏻‍♀ 머신러닝에도 관심이 있다면 주목하세요!

Ch1. 딥러닝 소개

Ch2. 딥러닝의 원리

Ch3. 딥러닝 공부법

Ch1. RNN으로 손글씨 이미지 분류하기

Ch2. 인물 사진에서 성별과 표정 분석하기

Ch3. 여러 의상 사진에서 옷 종류 구분하기

Ch1. 손상된 의류 이미지 화질 복구하기

Ch2. 이미지 세그멘테이션 - 인물 사진에서 배경 없애기

Ch3. 칼라 흑백 전환 - 칼라 사진을 흑백 사진으로 변경 하기

Ch4. 흑백 칼라 전환 - 오래된 흑백 사진을 흐릿한 컬러 사진으로 복원하기

Ch5. 선명한 사진 확대 - 학종이만한 사진을 사진만한 크기로 확대하기

Ch.1 시계열 분석 - 딥러닝으로 Seq2Seq 계산기 만들기

Ch2. 시계열 분석 - Seq2Seq의 Encoder로 뉴스기사 토픽 예측하기

Ch.3 시계열 분석 - Seq2Seq로 네이버 영화평점 평가하기

Ch1. Image Classification 모델 구현 및 성능 개선하기

Ch2. Image Localization 구현 및 성능 개선하기

Ch3. Object Detection 모델 구현하기

Ch1. LSTM을 활용해 주가 예측 모델 구현하기

Ch2. 딥러닝 기반 뉴스 기사 생성 모델 구현하기

Ch3. seq2seq 모델을 활용한 챗봇 구현하기

Ch1. StyleGAN을 활용한 Face Editing

Ch2. 딥페이크(DeepFakes) 가짜 비디오제작 및 탐지기술

Ch3. YOLO v5를 이용한 실시간 객체 검출(Real-time Object Detection)

Ch4. 초해상도(Super-resolution) 1부

Ch5. 초해상도(Super-Resolution) 2부

상세 커리큘럼.

나동빈AI / Security Researcher

손근영Deep Learning Engineer

이진원 Deep Learning Engineer

이경록Data Scientist

딥러닝을 쉽고 재미있게 배울 수 있어요!

상세한 문제 풀이로 빠르게 이해할 수 있어요!

세상에 존재하는 파이썬 딥러닝 문제를 다 모았어요!

딥러닝 모델 구현 경험을 쌓을 수 있어요!

결제 후, 언제 어디서나 하루 10분 공부 시작.

수업 시수

난이도

강의 특징

부가 학습 자료

수강료.

부족하다고 느꼈던 부분을
실습으로 채워주는 강의

Ch3. YOLO v5를 이용한 실시간 객체 검출
(Real-time Object Detection)

나동빈
AI / Security Researcher

손근영
Deep Learning Engineer

이진원
Deep Learning Engineer

이경록
Data Scientist