구분　

1.25(수)

초급: 딥러닝기초

1.26(목)

중급 : CNN, RNN 이해하기

1.27(금)

고급 : SK 가이드 프로젝트 일부 수정

09:00~11:00

• 딥러닝 개요: 이름의 유래, 기존 기계학습과 다른 점

• 딥러닝의 시작: 퍼셉트론

• 퍼셉트론의 문제점: XOR 문제

• 다층 퍼셉트론

• 퍼셉트론으로 전반적인 딥러닝 내용 훑어보기 (Recap)

• 이미지 처리 모델인 CNN 개요

• Convolution 연산

• Convolution 연산의 hyper parameter:padding과 stride

• Pooling 연산과 Classifier

• 최신 인공지능 트렌드 살펴보기: 언어모델과 생성모델

• 최신 언어모델의 핵심 요소: Attention과 Transformer

• Transformer 모델 구조 살펴보기

11:00~14:00

(12:00~13:00: 점심시간)

• 활성화함수: 다층퍼셉트론에 활성화함수가 필요한 이유

• 대표적인 활성화함수: Sigmoid, tanh, ReLU

• 손실함수의 개념

• 대표적인 손실함수 (분류): Sigmoid, Cross Entropy

• 대표적인 손실함수 (회귀): MSE

• AlexNet

• VGGNet

• ResNet: Vanishing Gradient와 Skip Connection

• ResNet으로 MNIST 분류해보기

• Transformer를 통해 감성 분류 해보기

• BERT 알아보기

• 사전 학습된 BERT 불러오기:Hugging Face의 transformers 라이브러

리 사용

• BERT로 Fine-tuning을 통해 감성 분류 해보기

14:00~16:00)

• 다층퍼셉트론학습하기: Computational Graph와 Back Propagation

• 모델학습의꽃 - 최적화 (Optimization): Gradient Descent와 Stochastic Gradient Descent (SGD)

• 과적합방지와정규화 (Regularization)

• 자연어 처리 개요

• Tokenization과 Embedding

• RNN 모델 구조

• RNN 모델 학습의 특징: Back Propagation Through Time (BPTT)

• 생성 모델 알아보기

• 생성 모델의 원리: 어떻게 무에서 새로운 이미지를 만들어 내는가?

• 생성 모델의 한 갈래인 GAN 알아보기

• GAN으로 MNIST 학습하여 생성해보기

16:00~18:00

• MNIST 데이터셋 개요

• 데이터 불러와서 정규화(Normalization) 하기

• 다층 퍼셉트론으로 MNIST 분류해보기

• RNN 모델의 단점

• LSTM과 GRU

• LSTM을 통한 감성 분류 해보기

• 생성 모델의 다른 갈래인 VAE 알아보기

• VAE의 원리

• VAE로 MNIST 학습하여 생성해보기