러닛 회원가입
러닛 회원 로그인
사용자 인증
비밀번호 찾기
텐서플로를 활용한 머신러닝 코드랩
일정 2019년 03월 예정 시간 미정 장소 러닛 압구정센터 지도보기 참가비 36만원  x 1.5개월 = 54만원 20% 할인 43.2만원

찜하기 클릭 시 강의 시작 전 알려드립니다.

강의 소개

소개

머신러닝은 여러 산업분야에서 아래와 같은 해결하기 어려웠던 문제들을 효율적인 방법으로 해결해나가고 있습니다.
✔ 기존 솔루션으로는 많은 수동 조정과 규칙이 필요한 문제
✔ 전통적인 방식으로는 전혀 해결 방법이 없는 복잡한 문제
✔ 대량의 데이터로 인해 통찰을 얻기 어려운 문제

또한 머신러닝은 이제 컴퓨터공학을 넘어서 대부분의 엔지니어링 영역의 기본이 될 정도로 주요한 테크닉이자 필수로 익혀야하는 개념입니다. 대부분의 SOTA(State of Art) 성능을 내는 기법은 딥러닝뿐 아니라 여타 다른 머신러닝 테크닉들과의 앙상블 모델입니다.

본 강의는 머신러닝의 기초부터 손으로 하나둘씩 코딩해가며 빠르게 익혀가는 스터디이며, 분류/회귀 문제, 앙상블 기법, 딥러닝, 강화학습 일부까지 다룰 예정입니다 :)

참가대상

✔ 머신러닝에 대해서 관심은 있지만 어려울 것 같아서 도전 못하신 분
✔ <핸즈온 머신러닝>에 도전은 해봤지만 도무지 혼자서는 이해가 안되는 분
✔ 낮은 단계의 데이터 분석은 알고 있으나 보다 더 어려운 부분에 도전하고 싶은 분
✔ 개발자라서 텐서플로우는 따라할 수 있는데 머신러닝/딥러닝 이론이 약한 분
✔ 수리/통계는 자신있지만 텐서플로우 실습이 힘든 분

머신러닝을 학습할 수 있는 콘텐츠는 인터넷에 무궁무진합니다. 다만 함께한다면 시행착오를 줄이고, 올바른 방향으로 빠르게 나아갈 수 있습니다.

상세정보

  • 일정2019년 03월 예정
  • 시간미정
  • 장소러닛 압구정센터 지도보기
  • 참가비 36만원  x 1.5개월 = 54만원 20% 할인 43.2만원

후기

    커리큘럼 소개

    주교재로 <핸즈온 머신러닝>을 사용합니다.
    텐서플로를 활용한 머신러닝 코드랩
    • 1장. 데이터와 학습 모델
      1.1 머신러닝이란?
      1.2 왜 머신러닝을 사용하는가?
      2.3 데이터 가져오기
      2.4 데이터 이해를 위한 탐색과 시각화
      2.5 머신러닝 알고리즘을 위한 데이터 준비
      2.6 모델 선택과 훈련
      2.7 모델 세부 튜닝

      2장. 분류
      2.1 MNIST
      2.2 다중 분류
      2.3 에러 분석
      2.4 다중 레이블 분류
      2.5 다중 출력 분류

    • 3장. 회귀
      3.1 선형 회귀
      3.2 경사 하강법
      3.3 다항 회귀
      3.4 학습 곡선
      3.5 규제가 있는 선형 모델
      3.6 로지스틱 회귀

      4장. 서포트 벡터 머신
      4.1 선형 SVM 분류
      4.2 비선형 SVM 분류
      4.3 SVM 회귀
      4.4 SVM 이론

      5장. 결정 트리
      5.1 결정 트리 학습과 시각화
      5.2 예측하기
      5.3 클래스 확률 추정
      5.4 CART 훈련 알고리즘
      5.5 계산 복잡도

    • 6장. 앙상블 학습과 랜덤 포레스트
      6.1 투표 기반 분류기
      6.2 배깅과 페이스팅
      6.3 랜덤 패치와 랜덤 서브스페이스
      6.4 랜덤 포레스트
      6.5 부스팅
      6.6 스태킹

      7장. 차원 축소
      7.1 차원의 저주
      7.2 차원 축소를 위한 접근 방법
      7.3 PCA
      7.4 커널 PCA
      7.5 LLE
      7.6 다른 차원 축소 기법

    • 8장. 심층 신경망 훈련
      8.1 텐서플로우의 구조
      8.2 Neural Network 구조 만들기
      8.3 옵티마이저와 하이퍼파라메터 튜닝
      8.4 과대적합을 피하기 위한 방법
      8.5 실용적 가이드라인

    • 9장. 합성곱 신경망
      9.1 합성곱층
      9.2 풀링층
      9.3 CNN 구조

      10장. 오토인코더
      10.1 과소완전 선형 오토인코더로 PCA 수행하기
      10.2 적층 오토인코더
      10.3 적층 오토인코더를 사용한 비지도 사전훈련
      10.4 잡음제거 오토인코더
      10.5 희소 오토인코더
      10.6 변이형 오토인코더
      10.7 다른 오토인코더들

    • 11장. 강화 학습
      11.1 보상을 최적화하기 위한 학습
      11.2 정책 탐색
      11.3 OpenAI 짐(Gym)
      11.4 신경망 정책
      11.5 행동 평가: 신용 할당 문제
      11.6 정책 그래디언트
      11.7 마르코프 결정 과정
      11.8 시간차 학습과 Q-러닝


    리더 소개

    장혁

    - 기술 스타트업 Co-Founder
    - 서울대학교 컴퓨터공학 석사
    Q. 이 강의를 왜 만들게 되었나요?
    머신러닝은 이제 엔지니어링의 기본 툴킷이자 부문을 가리지 않고 쓰이는 테크닉입니다. 이 때문에 손으로 직접 써보고 코드를 만지는 작업이 필수적으로 필요하고 딥러닝 뿐 아니라 다른 머신러닝 테크닉에 대해서도 익숙하게 다룰 줄 알아야합니다. 그래서 머신러닝 실습 위주의 스터디를 만들었습니다.

    Q. 강의를 어떻게 운영하실 계획인가요?
    ① 스터디 리더가 당일 학습할 개념 설명
    ② 스터디 리더가 배운 개념을 어떻게 문제 풀이에 적용하는지 책에 있는 예제 및 준비한 예제를 통해 코드랩
    ③ 책에 있는 문제 또는 본인이 풀고 싶은 문제를 미리 공유하고 이를 풀 수 있는 방법을 논의한 뒤 단계별로 과제를 해나갑니다.

    Q. 이 강의만의 특장점이 있다면 말해주세요.
    앞서 언급했듯이 기본적인 툴킷으로 변모하고 있는 머신러닝에 있어서 광범위한 문제 적용을 할 수 있는 코드랩 위주로 진행할 예정입니다. 본인이 풀고자 하는 문제에 대해서 머신러닝을 어떻게 적용할 수 있는지 공유하고 함께 토의하면서 실제 코딩으로 증명해봅니다.

    Q. 이 강의에 참여하려는 사람들에게 꼭 하고 싶은 말이 있다면?
    머신러닝의 개념만 아는 건 부족합니다. 기초부터 차근차근히 손과 머리로 실제 코딩을 해가면서 알아봅시다. 머리도 기억하지만 손이 기억하는 테크닉은 한차원 높은 엔지니어링을 가능케할 것입니다.

    강의 참가신청