IBM
교육개요
이 강의에서는 컴퓨터 비전의 세계로 첫발을 디디게 됩니다. PyTorch와 TensorFlow를 통한 기본적인 신경망 구축부터 VGGNet, U-Net에 이르기까지, CNN 모델의 구조를 탐구하며 객체 검출과 영상 분할의 기초를 마스터하게 될 것입니다. 실용적인 FastAPI 프레임워크를 사용하여 RESTful API를 구축하는 실습을 통해, 당신의 개발 역량은 물론 전문 기술 스택을 한 단계 업그레이드할 여정이 여러분을 기다리고 있습니다.
교육목표
파이썬 개발 문법 및 FastAPI 프레임워크의 핵심 기능을 습득하고, RESTful API를 구축하며 실전 프로젝트에서 필요한 기술 스택을 확보합니다.
강의내용
[Chapter1. Pytorch 기본]
· 학습 목표
PyTorch와 TensorFlow의 장단점 및 기본구조를 이해한다.
· 주요 내용
1. Pytorch vs Tensorflow
2. Pytorch기반 신경망 구축 코드리뷰
[Chapter2. CNN architectures]
· 학습 목표
주요 딥러닝 모델의 개념과 구조를 파악하며, Convolution Block의 다양한 구조와 특성을 이해한다.
ImageNet 데이터셋을 사용한 전이 학습의 개념을 이해하고, PyTorch를 활용하여 구현한다.
· 주요 내용
1. VGGNet, GoogleNet, ResNet, MobileNet, EfficientNet
2. 각 구조 별 Convolution block의 구조와 특성 이해
3. ImageNet CNN을 활용한 전이학습 기반 영상분류
[Chapter3. Object detection]
· 학습 목표
객체 검출의 개념 및 다양한 방법을 이해하고, 대표적인 알고리즘을 파악한다.
· 주요 내용
1. 객체검출 개론
2. RCNN, FastRCNN, FasterRCNN : two stage detectors
3. SSD, RetinaNet : one stage detectors
[Chapter4. image compression]
· 학습 목표
Autoencoder / Variational Autoencoder의 개념과 활용을 이해한다.
· 주요 내용
1. Auto encoder
2. Variational Auto Encoder
[Chapter5. Semantic segmentation]
· 학습 목표
픽셀 수준의 클래스 예측과 영상 분할의 관계 파악하며, U-Net에서 사용되는 핵심 레이어의 역할 및 특징을 이해한다.
· 주요 내용
1. 영상분할 개론
2. U-Net 구조 및 학습