IBM
교육개요
이 강의는 딥러닝의 신경망 구조부터 복잡한 이미지와 시퀀스 데이터 처리에 이르기까지, 다층적인 학습의 모든 것을 탐색합니다. 실무자 여러분, 이제 CRISP-DM 프로세스를 따라 CNN과 LSTM을 실습하며 모델을 평가하고 최적화하는 방법을 직접 경험하세요. 이 강의를 통해 당신은 예측 모델링의 능력을 넓히고, 딥러닝 모델을 효율적으로 구성하고 서빙하는 전문가로 거듭날 것입니다.
교육목표
딥러닝 모델의 다양한 유형을 이해하고 구축하는 능력과 이미지 및 순차적 데이터에 대한 딥러닝 응용 역량을 향상시킵니다.
강의내용
[Chapter1. 모델링 개요]
· 학습 목표
딥러닝 모델링의 기본 개념과 구성 요소를 이해하고 모델링 프로세스를 학습한다.
· 주요 내용
1. CRISP-DM
2. 모델링과 평가
3. 머신러닝과 딥러닝 코드 차이
[Chapter2. 딥러닝 개념이해]
· 학습 목표
인공신경망, 딥러닝의 기본 개념과 원리를 파악하여 심층 학습의 핵심을 이해한다.
· 주요 내용
1. 신경망 이해
2. 학습 절차 - 가중치 업데이트
3. 학습 절차 - epochs, 학습률
[Chapter3. 딥러닝 모델링 - 회귀]
· 학습 목표
딥러닝을 활용한 회귀 모델링을 실습하고 결과를 평가하는 방법을 익힌다.
· 주요 내용
1. 모델 구조와 Dense Layer
2. 회귀 모델 평가
3. 은닉층과 활성함수
[Chapter4. 딥러닝 모델링 - 이진분류]
· 학습 목표
이진 분류 문제에 대한 딥러닝 모델을 구축하고 성능을 향상시키는 방법을 습득한다.
· 주요 내용
1. 모델 구조와 활성화 함수
2. 이진분류의 loss function
3. 분류 모델 평가
[Chapter5. 딥러닝 모델링 - 다중분류]
· 학습 목표
다중 분류 문제에 대한 딥러닝 모델을 구성하고 정확도를 높이는 방법을 학습한다.
· 주요 내용
1. 다중분류 모델링을 위한 전처리
2. 다중분류의 Output layer
[Chapter6. 성능 관리]
· 학습 목표
모델의 성능을 측정하고 최적화하기 위한 방법과 기술을 이해하여 딥러닝 모델의 효율성을 높인다.
· 주요 내용
1. Early Stopping
2. Drop out
3. 모델 저장
[Chapter7. CNN 기초]
· 학습 목표
CNN의 구조와 활용 방법을 이해하고 이미지 처리에 적용하는 기초 기술을 습득한다.
· 주요 내용
1. CNN 개념 이해
2. CNN 모델 구조
3. ConvNet, MaxPooling 이해
[Chapter8. RNN 기초]
· 학습 목표
RNN의 개념과 활용을 학습하여 순차적 데이터 처리에 적합한 모델을 구성한다.
· 주요 내용
1. RNN 개념 이해와 전처리
2. SimpleRNN Layer
3. LSTM 이해