Deep Learning
신경망, CNN, RNN, Transformer 등 딥러닝의 핵심 모델과 학습 알고리즘을 직접 구현하고 정리한 노트들입니다.
Deep Learning
10-3. ONNX (Open Neural Network Exchange): 모델 포맷 변환
ONNX 포맷의 특징과 장점을 설명하고, 다양한 딥러닝 프레임워크 간 모델 호환성을 높이는 방법을 제시합니다.
Deep Learning
8-1. Autoencoder: 비지도 학습 기반의 차원 축소
Autoencoder의 구조와 작동 원리를 설명하고, 차원 축소 및 특징 추출에 어떻게 활용되는지 보여줍니다.
Deep Learning
10-4. Docker를 이용한 딥러닝 환경 구축 및 배포
Docker를 이용하여 딥러닝 개발 환경을 구축하고, 모델을 컨테이너화하여 배포하는 방법을 설명합니다.
Deep Learning
8-4. Conditional GAN (CGAN): 조건부 데이터 생성
CGAN의 구조와 작동 원리를 설명하고, 특정 조건을 만족하는 데이터를 생성하는 방법을 제시합니다.
Deep Learning
9-4. 하이퍼파라미터 튜닝 (Hyperparameter Tuning): Grid Search, Random Search
Grid Search, Random Search 등 하이퍼파라미터 튜닝 방법을 소개하고, 최적의 하이퍼파라미터 조합을 찾는 전략을 제시합니다.
Deep Learning
9-1. 딥러닝 모델 최적화: Regularization, Dropout
딥러닝 모델의 과적합을 방지하기 위한 Regularization, Dropout 기법의 원리와 효과를 설명합니다.
Deep Learning
2-4. 파이썬과 NumPy: 딥러닝을 위한 필수 도구
딥러닝 개발에 필수적인 파이썬과 NumPy 라이브러리의 기본적인 사용법을 소개하고, 예제 코드를 제공합니다.
Deep Learning
3-5. 손실 함수 (Loss Function): 모델 성능 평가 지표
다양한 손실 함수(MSE, Cross-Entropy 등)의 종류와 특징을 설명하고, 문제 유형에 따른 적절한 손실 함수 선택 방법을 제시합니다.
Deep Learning
7-3. BERT: Pre-training 기반의 자연어 처리 모델
BERT 모델의 특징과 학습 방법을 설명하고, 다양한 자연어 처리 태스크에 적용하는 방법을 소개합니다.
Deep Learning
1-1. 인공지능과 머신러닝 개요: AI, ML, DL의 관계
인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 개념과 역사, 그리고 이들 간의 관계를 이해합니다.
Deep Learning
9-3. 가중치 초기화 (Weight Initialization): Xavier, He 초기화
Xavier, He 초기화 등 다양한 가중치 초기화 방법의 원리를 설명하고, 학습 안정성 확보에 미치는 영향을 분석합니다.
Deep Learning
1-4. 딥러닝의 주요 응용 분야: 이미지, 음성, 자연어 처리
딥러닝이 활발하게 활용되는 주요 분야(이미지 인식, 음성 인식, 자연어 처리)의 대표적인 사례를 소개합니다.