전체
공지사항Q&A

모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝

모두를 위한 머신러닝/딥러닝 강의입니다. 수학이나 컴퓨터 공학적인 지식이 없이도 쉽게 볼수 있도록 만들려고 노력하였습니다.

강좌 소개
난이도
보통
카테고리
프로그래밍 - 인공지능
태그
머신러닝, 딥러닝, 프로그래밍 기본
수료증
발급 가능
추천 수강대상
- 머신러닝/딥러닝의 개념을 알고 싶은 분
- 인공지능에 관심 있는 분
- 머신러닝을 직접 구현해보고 싶으신 분
완강 예상 시간 = 11시간



🌺누구나 편하게 볼 수 있는 머신러닝/딥러닝🌺

- 우리 생활 깊숙이 자리잡은 머신러닝 이야기 -


📝강좌 소개


🎲알파고와 이세돌의 경기를 보면서 이제 머신러닝이 인간이 잘 한다고 여겨진 직관과 의사 결정능력에서도 충분한 데이터가 있으면 어느정도 또는 우리보다 더 잘할수도 있다는 생각을 많이 하게 되었습니다. Andrew Ng 교수님이 말씀하신것 처럼 이런 시대에 머신 러닝을 잘 이해하고 잘 다룰수 있다면 그야말로 "Super Power"를 가지게 되는 것이 아닌가 생각합니다.

🙊더 많은 분들이 머신 러닝과 딥러닝에 대해 더 이해하고 본인들의 문제를 이 멋진 도구를 이용해서 풀 수 있게 하기 위해 비디오 강의를 준비하였습니다. 더 나아가 이론에만 그치지 않고 최근 구글이 공개한 머신러닝을 위한 오픈소스인 TensorFlow를 이용해서 이론을 구현해 볼수 있도록 하였습니다. 수학이나 컴퓨터 공학적인 지식이 없이도 쉽게 볼수 있도록 만들려고 노력하였으니 편한 마음으로 들어주시기 바랍니다.



📣참고 자료




강의자 소개


김성훈 교수님

  • HongKong University of Science and Technology에서 Computer Engineering 연구를 하고 계십니다.
  • 비디오나 강의에 대한 의견이 있으시면 아래로 이메일을 보내 주시면 됩니다.
  • 자료실 : http://hunkim.github.io/ml/
  • E-Mail: hunkim+ml@gmail.com
교육 과정
모두 펼치기
  • 01
    Chapter 0 오리엔테이션
  • 수업 소개와 개요
    텐서플로 2.x 버전 코드 다운로드
  • 02
    Chapter 1 머신러닝의 개념과 용어
  • 기본적인 Machine Learning의 용어와 개념 설명
    TensorFlow의 설치 및 기본적인 operations (new)
  • 03
    Chapter 2 Linear Regression의 개념
  • Linear Regression의 Hypothesis와 cost
    TensorFlow로 간단한 Linear Regression을 구현 (new)
  • 04
    Chapter 3 Linear Regression cost 함수 최소화
  • Linear Regression의 cost 최소화 알고리즘의 원리 설명
    Linear Regression의 cost 최소화의 TensorFlow 구현 (new)
  • 05
    Chapter 4 여러개의 입력(feature)의 Linear Regression
  • multi-variable Linear Regression (new)
    [lab 04-1] multi-variable Linear Regression을 TensorFlow에서 구현하기
    [lab 04-2] TensorFlow로 파일에서 데이터 읽어오기 (new)
  • 06
    Chapter 5 Logistic(Regression) Classification
  • Logistic Classification의 가설 함수 정의
    Logistic Regression의 cost 함수 설명
    [lab 05] TensorFlow로 Logistic Classification의 구현하기 (new)
  • 07
    Chapter 6 Softmax Regression (Multinomial Logistic Regression)
  • Multinomial 개념 소개
    Cost 함수 소개
    [lab 06-1] TensorFlow로 Softmax Classification의 구현하기 (new)
    [lab 06-2] TensorFlow로 Fancy Softmax Classification의 구현하기 (new)
  • 08
    Chapter 7 ML의 실용과 몇가지 팁
  • 학습 rate, Overfitting 그리고 일반화 (Regularization)
    Training/Testing 데이타 셋
    [lab 07-1] training/test dataset, learning rate, normalization (new)
    [lab 07-2] Meet MNIST Dataset (new)
  • 09
    Chapter 8 딥러닝의 기본 개념과 문제 그리고 해결
  • 딥러닝의 기본 개념: 시작과 XOR 문제
    딥러닝의 기본 개념2: Back-propagation과 2006/2007 '딥'의 출현
    [lab 08] Tensor Manipulation (new)
  • 10
    Chapter 9 Neural Network 1: XOR 문제와 학습방법, Backpropagation
  • XOR 문제 딥러닝으로 풀기
    특별편: 10분안에 미분 정리하기
    딥넷트웍 학습 시키기 (backpropagation)
    [lab 09-1] XOR을 위한 텐서플로우 딥넷트웍 (new)
    [lab 09-2] Tensor Board로 딥네트웍 들여다보기 (new)
  • 11
    Chapter 10 Neural Network 2: ReLU and 초기값 정하기 (2006/2007 breakthrough)
  • XSigmoid 보다 ReLU가 더 좋아
    Weight 초기화 잘해보자
    Dropout과 앙상블
    레고처럼 넷트웍 모듈을 마음껏 쌓아 보자
    [lab 10] 딥러닝으로 MNIST 90%이상 해보기 (new)
  • 12
    Chapter 11 Convolutional Neural Networks
  • ConvNet의 Conv 레이어 만들기
    ConvNet Max pooling과 Full Network
    ConvNet의 활용 예
    [lab 11-1] TensorFlow CNN의 기본
    [lab 11-2] TensorFlow로 구현하자 (MNIST 99%)
    [lab 11-3] Class, tf.layers, Ensemble (MNIST 99.5%)
  • 13
    Chapter 12 Recurrent Neural Network
  • NN의 꽃 RNN 이야기
    [lab 12-1] RNN - Basic (new)
    [lab 12-2] RNN - Hi Hello Training (new)
    [lab 12-3] Long Sequence RNN (new)
    [lab 12-4] Stacked RNN + Softmax Layer (new)
    [lab 12-5] Dynamic RNN (new)
    [lab 12-6] RNN with Time Series Data (new)
  • 14
    [BONUS] Deep Deep Network AWS에서 GPU와 돌려보기 (powered by AWS)
  • TensorFlow를 AWS에서 GPU와 함께 돌려보자
  • 15
    [BONUS] AWS에서 저렴하게 Spot Instance를 터미네이션 걱정없이 사용하기 (powered by AWS)
  • AWS에서 저렴하게 Spot Instance를 터미네이션 걱정없이 사용하기
  • 16
    [BONUS] Google Cloud ML을 이용해 TensorFlow 실행하기
  • Google Cloud ML with Examples 1
마지막 업데이트|2020년 12월 08일
강의자 소개
구름Teacher

강좌 후기
평균평점
5.0
난이도
보통
수강인원
50명