홈 > 강의소개
딥러닝
조선화 교수
강원대학교 컴퓨터 과학 석사 과정
강원대학교 컴퓨터 과학 박사 졸업
강원대학교 컴퓨터 과학 석사 과정
강원대학교 컴퓨터 과학 박사 졸업
강원대학교
한국공학대학교
현) 유니와이즈 전임교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 8개 챕터, 14강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 오리엔테이션 | ||
|
[1강] OT
|
0:
08:
48
|
|
|
딥러닝 과목 소개 및 주요 모델 개요
• 딥러닝 핵심 개념: 다층 인공신경망으로 데이터 특징을 자동 추출하는 머신러닝 기법으로, 개발자의 수동 개입 최소화가 핵심. • 딥러닝 주요 모델: 이미지 처리에 특화된 CNN, 순차 데이터용 RNN, 대규모 데이터셋을 다루는 트랜스포머 등 구조별 역할 학습. • 딥러닝 학습 로드맵: 기초 인공신경망(ANN)부터 CNN, RNN, 트랜스포머, 생성 모델(VAE, GPT)까지 주요 모델의 이론과 실습을 병행. |
||
| 1장. 딥러닝 개요 | ||
|
[2강] 딥러닝이란? 인공신경망의 탄생, 딥러닝의 역사, 순방향신경망의 구조와 설계 항목
|
0:
59:
37
|
|
|
딥러닝 개요: 인공신경망의 역사와 구조
• 딥러닝과 인공신경망: 생체 신경망을 모방한 머신러닝 기법으로, 퍼셉트론의 한계를 역전파 알고리즘으로 극복하며 발전. • 순방향 신경망(FNN): 입력, 은닉, 출력층으로 구성되며 뉴런의 가중합과 활성 함수를 통해 신호를 순차 전달하는 기본 모델. • 활성 함수: 신호 비선형 변환 및 기울기 소실 문제 해결을 위한 핵심 요소로 ReLU, Softmax 등이 사용됨. |
||
|
[3강] 딥러닝 개발환경, 코랩 시작, 인공신경망(ANN)으로 이미지 분류 (실습)
|
0:
21:
19
|
|
|
텐서플로우와 케라스를 이용한 패션 MNIST 이미지 분류
• Fashion MNIST 데이터 전처리: 픽셀 값 정규화(0~1 스케일링) 및 인공 신경망 입력에 맞게 2차원 이미지를 1차원 벡터로 변환 • 케라스 Sequential 모델 구축: 입력층(Input), 출력층(Dense)을 순차적으로 쌓아 모델을 구성하며, 다중 분류를 위해 softmax 활성화 함수를 사용 • 모델 컴파일 및 학습: 손실 함수(sparse_categorical_crossentropy)와 평가 지표(accuracy)를 설정하여 컴파일하고, 에포크(Epoch) 단위로 훈련을 실행 |
||
| 2장. 신경망 학습 | ||
|
[4강] 신경망학습의 의미, 최적화, 정규화
|
0:
46:
24
|
|
|
신경망 학습의 최적화와 정규화
• 신경망 최적화 (Optimization): 손실 함수의 전역 최소 지점을 탐색하여 모델의 가중치, 편향 등 파라미터를 갱신하는 핵심 학습 과정. • 경사 하강법 기반 알고리즘: 확률적 경사 하강법(SGD)의 한계를 개선하기 위해 모멘텀, RMSProp, Adam 등 적응적 학습률 기법을 적용. • 정규화 (Regularization): 모델의 과적합을 방지하고 일반화 성능을 높이기 위해 사용하는 데이터 증강, 드롭아웃, 조기 종료 등의 기법. |
||
|
[5강] 심층신경망(DNN), 신경망 모델 학습 (실습)
|
0:
33:
41
|
|
|
케라스 심층 신경망 모델 생성, 최적화 및 정규화
• 케라스 심층 신경망 모델: Sequential API를 통해 레이어를 순차적으로 구성하고 Adam 옵티마이저로 학습 성능을 최적화. • 드롭아웃(Dropout): 훈련 과정에서 은닉층의 일부 뉴런을 무작위로 비활성화하여 과대적합을 방지하는 정규화 기법. • 콜백(Callbacks): ModelCheckpoint로 최적 가중치를 저장하고 EarlyStopping으로 학습을 조기 종료하여 과대적합을 제어. |
||
| 3장. 이미지를 위한 딥러닝 | ||
|
[6강] 합성곱신경망(CNN) 모델 이해, 다양한 CNN 모델
|
1:
01:
02
|
|
|
합성곱 신경망(CNN)의 구조, 연산 및 주요 모델
• 합성곱 신경망(CNN): 필터를 이용한 합성곱 연산으로 이미지 특징을 추출하고 풀링으로 공간 정보를 압축하는 딥러닝 모델. • CNN 아키텍처: LeNet-5 기본 구조에서 출발하여 GoogLeNet의 인셉션 모듈과 ResNet의 잔차 블록으로 발전하며 효율성 및 깊이 확보. • 합성곱 연산 제어: 필터(커널)를 통해 특징을 정의하고, 스트라이드와 패딩으로 특징 맵의 크기와 정보 손실을 조절하는 핵심 원리. |
||
|
[7강] CNN 이미지 분류 (실습)
|
0:
41:
30
|
|
|
LeNet, AlexNet 등 주요 CNN 모델의 Keras 구현
• 주요 CNN 모델 아키텍처: LeNet-5의 기본 구조부터 AlexNet의 깊이, VGGNet의 반복적 필터 사용까지 CNN 모델의 구조적 발전 과정 요약 • ResNet 잔차 블록: 스킵 연결(skip connection)을 통해 깊은 신경망의 기울기 소실 문제를 해결하는 핵심 원리 및 `layers.Add` 구현 • Keras 사전 훈련 모델 활용: `keras.applications`에서 VGG, ResNet, InceptionV3 모델을 로드하고 `preprocess_input`을 통한 이미지 전처리 및 분류 수행 절차 |
||
| 4장. 텍스트 감성 분류를 위한 딥러닝 | ||
|
[8강] 기억을 갖는 순환 신경망, 순환 신경망의 주요 모델, LSTM와 GRU
|
0:
42:
07
|
|
|
순환 신경망(RNN)의 기본 구조와 LSTM, GRU 모델
• 순환 신경망(RNN): 순차 데이터 처리를 위해 이전 단계의 은닉 상태(Hidden State)를 다음 입력으로 사용하는 순환 구조의 신경망 모델. • LSTM(Long Short-Term Memory): 장기 의존성 문제를 해결하기 위해 셀 상태(Cell State)와 망각/입력/출력 게이트를 도입하여 정보 흐름을 제어하는 모델. • GRU(Gated Recurrent Unit): LSTM의 구조를 간소화한 모델로, 리셋 게이트와 업데이트 게이트만 사용하여 기억을 효율적으로 갱신. |
||
|
[9강] RNN 텍스트 감성 분류 (실습)
|
0:
33:
56
|
|
|
순환 신경망(RNN)을 이용한 IMDB 리뷰 감성 분석
• 워드 임베딩(Word Embedding): 원핫 인코딩의 공간 비효율성을 해결하는 단어의 밀집 벡터 표현 기법. • 순환 신경망(RNN) 구조: SimpleRNN의 장기 의존성 문제를 게이트(Gate) 메커니즘으로 해결하는 LSTM, GRU 모델의 작동 원리. • RNN 모델 최적화: 드롭아웃(Dropout)을 통한 과대적합 방지 및 return_sequences를 활용한 다층 구조 설계 기법. |
||
| 5장. 언어 모델을 위한 신경망 | ||
|
[10강] 언어 모델, 어텐션 메커니즘, 트랜스포머, 전이학습
|
0:
56:
51
|
|
|
언어 모델을 위한 신경망: 어텐션과 트랜스포머
• 어텐션 메커니즘: seq2seq 모델의 정보 손실 문제를 보완하기 위해 쿼리(Q)·키(K)·값(V)을 이용, 입력 시퀀스 내 연관성 높은 단어에 가중치를 부여하는 기법. • 트랜스포머: 순환 신경망(RNN)을 배제하고 셀프 어텐션과 위치 인코딩을 기반으로 데이터 전체를 병렬 처리하는 인코더-디코더 아키텍처. • 전이 학습: 대규모 데이터로 사전 훈련된 모델(BERT, GPT 등)을 특정 과제에 맞게 가중치를 미세 조정(Fine-tuning)하여 활용하는 학습 방식. |
||
|
[11강] 트랜스포머 KerasNLP와 BERT, 허깅페이스 활용 (실습)
|
0:
47:
28
|
|
|
트랜스포머 기반 BERT 모델: KerasNLP와 Hugging Face 실습
• 트랜스포머 인코더 기반 BERT 모델 : 토큰·위치·세그먼트 임베딩 합으로 입력을 구성하고 GELU 활성화 함수를 사용하는 사전 훈련 언어 모델 • KerasNLP 및 Hugging Face Transformers : 사전 훈련된 모델을 로드하여 텍스트 분류 등 특정 과제에 맞게 미세 튜닝(Fine-tuning)을 수행하는 주요 라이브러리 • BERT 토크나이저 : 텍스트를 부분 단어(subword) 단위로 분절하고, 문장 시작에 분류용 특수 토큰 `[CLS]`를 추가하는 전처리기 |
||
| 6장. 생성 모델 | ||
|
[12강] 생성 모델이란, 이미지 생성 모델, 텍스트 생성 모델
|
0:
41:
07
|
|
|
생성 모델의 원리: VAE, GAN, GPT/BART 분석
• 생성 모델(Generative Model): 훈련 데이터의 확률 분포를 학습하여 새로운 데이터를 생성하는 모델의 기본 원리 및 유형. • 이미지 생성 모델(VAE·GAN): 확률적 잠재 공간을 활용하는 VAE와 생성자-판별자 간 적대적 학습 구조의 GAN 원리 비교. • 텍스트 생성 모델(GPT·BART): 자기회귀 방식(GPT)과 노이즈 제거 오토인코더 방식(BART)을 통한 텍스트 생성 원리 분석. |
||
|
[13강] 생성 모델 GPT, BART (실습)
|
0:
32:
42
|
|
|
KerasNLP와 Hugging Face를 이용한 텍스트 생성 모델
• GPT-2 텍스트 생성: KerasNLP 및 Hugging Face 라이브러리로 사전 훈련된 디코더 모델을 활용하는 순차적 텍스트 생성 원리 • 토큰 샘플링 기법: Top-K, Top-P, Greedy 방식으로 다음 토큰을 확률적으로 선택하여 생성 결과의 다양성과 일관성을 제어하는 전략 • Seq2Seq 모델 응용: 인코더-디코더 구조의 KoBART를 이용한 텍스트 요약 및 채팅 템플릿 기반 EXAONE을 활용한 챗봇 구현 |
||
| ※ 실습 파일 다운로드 | ||
|
[14강] 실습 파일(.ipynb) 다운로드 - 첨부파일
|
0:
00:
00
|
|
|
|
||
조선화 교수님
딥러닝
