왜 배워야 할까요? 

요즘 AI에서 가장 각광받고 있는 기술은 바로 딥러닝입니다.
최근 기사에 나오는 신기한 인공지능은 90% 이상이 인공지능이라고 볼 수 있습니다.
그중에서도 핫한 건 언어 모델입니다.

언어 모델은 언어를 처리하는 인공지능인데,
GPT3라는 큰 언어 모델은 인터넷에서 엄청나게 많은 텍스트들을 학습하고 말이 되는 말을 하기 시작했습니다.
그리고 많은 단어와 말을 학습하다 보니 GPT3는 상식이 생기게 되었습니다.

‘사과는 축구공보다 작다.’라는 것을 알려준 적이 없고 인터넷에 축구공과 사과를 비교하는 텍스트는 잘 없을 것입니다.
하지만 GPT3가 언어를 너무 많이 학습하다 보니까 축구공의 크기와 사과의 크기가 어느 정도라는 걸 적당히 알게 된 것 같았습니다.

이렇듯 인공지능의 발전은 무궁무진하며 점점 중요해질 것이고, 인공지능의 핵심은 딥러닝입니다.
딥러닝이라는 중요한 기술을 일반 대중들이 이해하는 것이 중요한 과제라고 생각합니다.

쉽게 설명된 강의를 통해 누구나 딥러닝의 기초를 이해하시고,
인공지능이 어떠한 과제를 수행했다고 할 때 어떻게 된 건지를
조금 더 이해하실 수 있었으면 좋겠습니다!

어떤 내용을 배우는지
살펴볼까요?
#데이터 기반 학습
: 학습이라는 추상적인 개념의 구체화, 학습 개념을 수학적으로 이해하기, 데이터 기반 학습에 대한 이해를 공부합니다. 

#파이썬 고속 데이터 처리
: 딥러닝을 포함한 신경망 학습 알고리즘은 벡터 및 행렬 연산으로 데이터 표현하고 최적의 학습 모델을 추정합니다. 
파이썬은 데이터가 클 경우 계산속도가 느려 사용하기 어려우므로 다차원, 고속 배열을 지원하는 numpy 모듈을 이해하고 간단한 실습 및 예제를 수행합니다.

#TensorFlow 데이터 연산
: 계산 구조와 목표 함수만 정의하면 자동으로 미분 계산이 가능하고, CPU를 사용한 빠른 계산이 가능한 TensorFlow의 기본 개념과 원리,
tensor 정의 및 사칙연산 수행, TensorFlow를 이용한 다양한 코드 실습을 소개합니다.

#TensorFlow 행렬연산 및 데이터 예측과 학습 시각화
: 다양한 형태의 텐서 행렬 생성, 평균 최댓값을 쉽게 계산할 수 있는 reduce 함수,
텐서 간 행렬 및 역행렬, 수학점수 예측 및 주가지수 예측 및 데이터 시각화 실습을 진행합니다. 

#선형회귀
: 특성 요인에 따라 결과가 어떻게 변동되는지 예측 가능하고, 신경망 학습 알고리즘의 핵심인 경사하강법 이해 및 실습과
경사하강법을 개선할 수 있는 TnesorFlow 함수 및 보스턴 교외 주택 집값 예측 학습모델 실습을 진행합니다. 

#로지스틱 회귀
: 선형회귀야 로지스틱 회귀의 공통점과 차이점을 비교하고 TensorFlow를 사용해
로지스틱 회귀 학습 구현 실습 및 당뇨병 예측 및 스팸 필터링 예제 실습을 진행합니다.

#다중분류
: 여러 범주의 데이터를 분류할 수 있는 SoftMax라는 학습 알고리즘으로 붓꽃 품종 분류와 와인 분류 예제 실습을 진행합니다.

#인공신경망의 이해
: 인간의 신경망의 매커니즘을 단순화한 단순 퍼셉트론 이해, 기본 논리소자를 퍼셉트론으로 교환하기, 단순  퍼셉트론의 한계를 소개합니다.

#다층신경망
: 인간의 신경망은 컴퓨터와 비교할 수 없을 만큼의 연결성과 대규모 병렬처리 기능을 가지고 있어 복잡한 문제 해결이 가능합니다.
은닉층을 추가로 구조를 변경한 다층퍼셉트론과 다층구조를 가지고있는 신경학습을 소개하고 관련 예제를 실습해봅니다.

#컨볼루션 필터
: 사람의 시각을 닮은 컨볼루션 신경망에 대해서 살펴봅니다. 공간정보의 특성을 반영해서 영상과 같은
2D 데이터에서 구조적인 특징을 추출해서 학습할 수 있는 컨볼루션 네트워크에 대해서 소개합니다. 

#컨볼루션 신경망
: 인간의 시각적 특성 중 하나는 물체의 이동, 회전, 크기의 변형 특성을 반영한 컨볼루션 신경망의 개념과
컨볼루션 신경망의 계층 구성, 각 계층의 특징을 이해하도록 합니다.

#깊은 신경망 딥러닝 최적화 방법
: 지금까지 사용한 다층신경망에서 학습 알고리즘들은 학습 알고리즘을 학습오류를 출력층에서
입력층으로 거꾸로 전달해가며 오류를 줄여 나가는 알고리즘을 사용하고 있습니다.
복잡한 문제를 해결하기 위해 깊은 은닉층이 필요한데 은닉층이 깊어지면 학습이 잘 이루어지지 않습니다.
따라서 깊은 신경망 에서도 학습의 정확도를 높일 수 있는 최적화 방법들을 소개합니다.

#딥러닝을 이용한 영상 인식
: 손글씨 인식기 및 패션 영상 인식기 구현하고 학습 데이터가 많을 때 방법을 소개합니다.

[강의 미리보기]