메인메뉴로 이동 본문으로 이동

수강신청

lnb영역

수강신청

컨텐츠 내용

  1. 수강신청
  2. 과정정보

[AI 딥러닝 백과사전] 통합 패키지

과정 이미지
맛보기
[AI 딥러닝 백과사전] 통합 패키지 과정정보
과정명 [AI 딥러닝 백과사전] 통합 패키지
학습기간 180 일
학습차시 70차시
교육비 180,000원
학습목표
인공지능과 딥러닝 활용의 기반이 되는 핵심 개념 및 원리를 이해하고 주요 모델의 작동 방식을 설명할 수 있다.
※ 본 과정은 '통합 패키지' 입니다. 개별 과정 학습을 희망하시는 경우 별도 과정을 신청하여주시기 바랍니다.
교육대상
인공지능 및 딥러닝 분야 진입을 희망하는 초급 학습자
※ 본 과정 수강을 위해서는 대학수학 수준(함수, 미분, 확률과 통계 등)의 사전 지식이 필요합니다.
과정소개

수료기준
수료기준
평가기준 진도율 총점
배점 100% 100점
수료기준 80% 80점
※ 수료기준은 각 평가항목의 점수가 수료기준 점수 이상이고 총점이 80점 이상이어야 합니다.
강의목차
차시 강의명
수학으로 다지는 기초
1차시 [수학으로 다지는 기초] 단변수 함수의 미분과 근사
2차시 [수학으로 다지는 기초] 다변수 함수의 미분
3차시 [수학으로 다지는 기초] 확률 변수
4차시 [수학으로 다지는 기초] 다양한 확률 분포
5차시 [수학으로 다지는 기초] 다변수 확률 변수
6차시 [수학으로 다지는 기초] 정보와 Entropy
7차시 [수학으로 다지는 기초] 다변수 확률 변수의 Entropy
8차시 [수학으로 다지는 기초] Mutual Information, Cross entropy, KL Divergence
딥러닝 기반 메커니즘
9차시 [딥러닝 기반 메커니즘] Deep Learning Intro
10차시 [딥러닝 기반 메커니즘] Perceptron의 이해
11차시 [딥러닝 기반 메커니즘] Multi-layer Perceptron과 Neural Network
12차시 [딥러닝 기반 메커니즘] Forward Propagation
13차시 [딥러닝 기반 메커니즘] Forward Propagation 예시 MNIST Classification Model
14차시 [딥러닝 기반 메커니즘] Softmax Classifier와 Logistic Regression
15차시 [딥러닝 기반 메커니즘] Backpropagation을 위한 수학적 배경 지식
16차시 [딥러닝 기반 메커니즘] Backpropagation 1
17차시 [딥러닝 기반 메커니즘] Backpropagation 2
18차시 [딥러닝 기반 메커니즘] Linear Layer의 Backpropagation
19차시 [딥러닝 기반 메커니즘] Softmax Classifier 및 Logistic Regression의 Backpropagation
파이토치로 이해하는 딥러닝 모델과 연산
20차시 [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Intro
21차시 [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Tensor Operation 1
22차시 [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Tensor Operation 2
23차시 [파이토치로 이해하는 딥러닝 모델과 연산] Forward, Backward Propagation, Autograd
딥러닝 모델의 성능 개선과 평가
24차시 [딥러닝 모델의 성능 개선과 평가] Gradient Descent와 Learning Rate
25차시 [딥러닝 모델의 성능 개선과 평가] 변형된 Gradient Descent 방법들 (1) Momentum
26차시 [딥러닝 모델의 성능 개선과 평가] 변형된 Gradient Descent 방법들 (2) AdaGrad, RMSProp, Adam
27차시 [딥러닝 모델의 성능 개선과 평가] Activation Function
28차시 [딥러닝 모델의 성능 개선과 평가] Batch Normalization
29차시 [딥러닝 모델의 성능 개선과 평가] Dropout
30차시 [딥러닝 모델의 성능 개선과 평가] Data Augmentation
31차시 [딥러닝 모델의 성능 개선과 평가] Binary Classification Model의 평가
32차시 [딥러닝 모델의 성능 개선과 평가] Multi-Class Classification Model의 평가
딥러닝 주요 모델 원리
33차시 [딥러닝 주요 모델 원리] Convolution 연산
34차시 [딥러닝 주요 모델 원리] Stacking Convolution Layers
35차시 [딥러닝 주요 모델 원리] Convolutional Neural Network
36차시 [딥러닝 주요 모델 원리] RNN
37차시 [딥러닝 주요 모델 원리] Language Modeling
38차시 [딥러닝 주요 모델 원리] Seq2seq with Attention
39차시 [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 1
40차시 [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 2
41차시 [딥러닝 주요 모델 원리] Transformer 모델 (2) 기타 구성 요소 1
42차시 [딥러닝 주요 모델 원리] Transformer 모델 (2) 기타 구성 요소 2
이미지 처리를 위한 딥러닝 모델
43차시 [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 1
44차시 [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 2
45차시 [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 3
46차시 [이미지 처리를 위한 딥러닝 모델] Two-stage Object Detection
47차시 [이미지 처리를 위한 딥러닝 모델] Object Detection의 평가 방법
48차시 [이미지 처리를 위한 딥러닝 모델] Single-Stage Object Detection
딥러닝 모델로 자연어 다루기
49차시 [딥러닝 모델로 자연어 다루기] Tokenization
50차시 [딥러닝 모델로 자연어 다루기] Word Embedding
51차시 [딥러닝 모델로 자연어 다루기] Self-Supervised Pretrained Model 1 BERT
52차시 [딥러닝 모델로 자연어 다루기] Self-Supervised Pretrained Model 2 Generative Pretrained Transformer (GPT)
53차시 [딥러닝 모델로 자연어 다루기] Decoding을 통한 자연어 생성
54차시 [딥러닝 모델로 자연어 다루기] Evaluation for Text Generation
시계열 데이터의 예측부터 이상탐지까지
55차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 데이터 특성 및 처리 방법
56차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 분해 기법
57차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 예측 모델 1
58차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 예측 모델 2
59차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 이상 탐지 1
60차시 [시계열 데이터의 예측부터 이상탐지까지] 시계열 이상 탐지 2
LLM의 원리부터 활용법까지
61차시 [LLM의 원리부터 활용법까지] 거대언어모델 1
62차시 [LLM의 원리부터 활용법까지] 거대언어모델 2
63차시 [LLM의 원리부터 활용법까지] Alignment Tuning 1
64차시 [LLM의 원리부터 활용법까지] Alignment Tuning 2
65차시 [LLM의 원리부터 활용법까지] Alignment Tuning 3
66차시 [LLM의 원리부터 활용법까지] Prompt Engineering 1
67차시 [LLM의 원리부터 활용법까지] Prompt Engineering 2
68차시 [LLM의 원리부터 활용법까지] Prompt Engineering 3
69차시 [LLM의 원리부터 활용법까지] Prompt Engineering 4
70차시 [LLM의 원리부터 활용법까지] Prompt Engineering 5