Deep Learning
신경망, CNN, RNN, Transformer 등 딥러닝의 핵심 모델과 학습 알고리즘을 직접 구현하고 정리한 노트들입니다.
Deep Learning
7-4. GPT: Generative Pre-trained Transformer
GPT 모델의 특징과 학습 방법을 설명하고, 텍스트 생성 능력에 대한 이해를 돕습니다.
Deep Learning
4-2. Keras API: 딥러닝 모델 구축 및 학습 간소화
Keras API를 사용하여 딥러닝 모델을 쉽게 구축하고 학습하는 방법을 소개하고, 다양한 예제 코드를 제공합니다.
Deep Learning
6-7. 챗봇(Chatbot) 구현: Seq2Seq with Attention 실습
Seq2Seq 모델과 Attention 메커니즘을 활용하여 간단한 챗봇을 구현하는 실습을 진행합니다. 데이터 전처리부터 모델 학습, 평가, 챗봇 인터페이스 구현까지 다룹니다.
Deep Learning
8-6. 이미지 생성 실습: GAN 모델 구현 및 학습
GAN 모델을 직접 구현하고, 간단한 이미지 데이터셋(MNIST, CIFAR-10)을 이용하여 이미지를 생성하는 실습 과정을 상세히 설명합니다.
Deep Learning
2-1. 선형대수 기초: 벡터, 행렬, 텐서
딥러닝의 수학적 기초인 선형대수의 핵심 개념(벡터, 행렬, 텐서)을 정의하고, 연산 방법을 설명합니다.
Deep Learning
3-1. 퍼셉트론: 딥러닝의 가장 기본적인 모델
퍼셉트론의 구조와 작동 원리를 설명하고, 단층 퍼셉트론의 한계를 분석합니다.
Deep Learning
6-6. 자연어 생성 (Text Generation) 실습: RNN 모델 활용
RNN 모델을 이용하여 자연어 생성 문제를 해결하는 실습 과정을 상세히 설명하고, 생성된 텍스트의 품질을 평가합니다.
Deep Learning
11-1. Object Detection 기초: IoU, Non-Maximum Suppression (NMS)
Object Detection의 기본적인 개념(IoU, NMS)을 설명하고, 객체 탐지 성능 평가 지표를 소개합니다.
Deep Learning
10-2. 딥러닝 모델 경량화: Quantization, Pruning
Quantization, Pruning 등 딥러닝 모델을 경량화하는 기법의 원리와 효과를 설명하고, 모바일 및 임베디드 환경에 적용하는 방법을 제시합니다.
Deep Learning
7-2. Transformer: Self-Attention 기반의 혁신적인 모델
Transformer 모델의 구조와 작동 원리를 상세히 설명하고, Self-Attention 메커니즘의 중요성을 강조합니다.
Deep Learning
4-5. MNIST 손글씨 숫자 인식: PyTorch 실습
MNIST 손글씨 숫자 인식 문제를 PyTorch를 이용하여 해결하는 실습 과정을 상세히 설명합니다.
Deep Learning
8-3. Generative Adversarial Network (GAN): 생성 모델의 새로운 패러다임
GAN의 구조와 작동 원리를 설명하고, 생성자와 판별자의 경쟁적 학습 방식을 이해합니다.