본문 바로가기
728x90
[그래프 신경망] 그래프 신경망 커리큘럼 그래프 신경망 (GNNs) 기초 강의 계획안강의 목표그래프 신경망의 기본 개념과 원리 이해주요 그래프 신경망 모델 학습그래프 신경망의 실제 응용 분야 탐구Python과 PyTorch를 활용한 그래프 신경망 구현 및 실습강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차그래프 신경망 개요GNN의 개념, 역사, 응용 분야GNN 개념 요약2주차그래프 데이터 구조그래프의 표현, 인접 행렬, 인접 리스트그래프 데이터 구조 실습3주차그래프 신경망 기본 모델GCN, GraphSAGE 등 기본 모델 학습GCN 구현 실습4주차그래프 신경망의 수학적 배경그래프 이론, 행렬 연산, 스펙트럴 그래프 이론수학적 배경 이해5주차메시지 패싱 신경망Message Passing Neural Ne.. 2024. 6. 5.
[AutoML] AutoML 커리큘럼 AutoML 기초 강의 계획안강의 목표AutoML의 기본 개념과 원리 이해주요 AutoML 도구와 프레임워크 학습Python과 주요 AutoML 라이브러리를 활용한 실습 강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차AutoML 개요AutoML의 개념과 역사, 주요 원리AutoML 개념 요약2주차데이터 준비데이터 전처리, 특징 추출, 데이터 분할데이터 전처리 실습3주차AutoML 도구 소개주요 AutoML 도구 및 프레임워크 소개도구 설치 및 기본 사용법 실습4주차AutoML 파이프라인파이프라인 개념, 구성 요소AutoML 파이프라인 실습5주차하이퍼파라미터 튜닝하이퍼파라미터 튜닝의 중요성, 방법론하이퍼파라미터 튜닝 실습6주차모델 선택모델 선택의 개념과 전략다양한.. 2024. 6. 5.
[자연어처리] 자연어처리 커리큘럼 자연어 처리 (NLP) 기초 강의 계획안강의 목표자연어 처리의 기본 개념과 원리 이해주요 NLP 기법과 알고리즘 학습Python과 PyTorch를 사용한 NLP 실습 강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차NLP 개요NLP의 기본 개념 및 응용 분야NLP 개념 요약2주차텍스트 전처리토큰화, 정제, 정규화텍스트 전처리 실습3주차언어 모델N-그램 모델, 언어 모델 평가N-그램 모델 구현4주차단어 임베딩Word2Vec, GloVe단어 임베딩 실습5주차문서 분류TF-IDF, 나이브 베이즈문서 분류 구현6주차감정 분석감정 분석 개념 및 기법감정 분석 실습7주차순환 신경망 (RNN)RNN, LSTM, GRURNN 구현8주차시퀀스-투-시퀀스 모델Seq2Seq, 어텐션.. 2024. 6. 5.
[강화학습] 강화학습 커리큘럼 강화학습 (Reinforcement Learning) 강의 계획안강의 목표강화학습의 기본 개념과 원리 이해주요 강화학습 알고리즘 학습강화학습을 사용하여 실제 문제 해결 경험강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차강화학습 개요강화학습의 기본 개념 및 응용 분야강화학습 개념 요약2주차MDP와 기본 원리마코프 결정 과정(MDP)와 기본 원리 이해MDP 모델링 실습3주차가치 함수와 벨만 방정식가치 함수, 벨만 방정식 및 최적 정책벨만 방정식 구현4주차동적 프로그래밍정책 반복, 가치 반복정책 반복 및 가치 반복 구현5주차몬테카를로 방법몬테카를로 예측, 제어 방법몬테카를로 방법 실습6주차시간차 학습TD(0), Sarsa, Q-learningTD 학습 알고리즘 구현7.. 2024. 6. 5.
[딥러닝의 이론적 기초] 딥러닝의 이론적 기초 커리큘럼 딥러닝의 이론적 기초 강의 계획안강의 개요강의 제목: 딥러닝의 이론적 기초강의 목표: 딥러닝의 기본 개념과 원리를 이해하고, 다양한 신경망 구조와 학습 방법에 대해 학습하며, 이론적 배경을 통해 딥러닝 모델의 설계와 응용 능력을 배양한다.대상: 머신러닝 기초를 이해하고 있는 대학생 및 관련 종사자강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차딥러닝 개요딥러닝의 정의, 역사, 주요 응용 분야딥러닝 기본 개념 요약2주차신경망의 기초인공신경망의 기본 구조와 원리간단한 신경망 구현3주차활성화 함수와 손실 함수주요 활성화 함수와 손실 함수의 이해와 적용활성화 함수 및 손실 함수 실습4주차역전파 알고리즘역전파 알고리즘의 원리와 수학적 배경역전파 알고리즘 구현5주차신경망 학.. 2024. 6. 5.
[컴퓨터비전] 추가 학습 목록 1. 강화학습 (Reinforcement Learning)이유응용 분야 다양성: 게임 AI, 로봇 제어, 자율 주행 등 다양한 분야에서 응용.생성 모델과의 연계성: 강화학습을 사용하여 생성 모델의 성능을 향상시키는 연구가 많음.기본 개념: MDP (Markov Decision Process), 정책, 가치 함수, 보상, Q-러닝, SARSA.고급 주제: 딥 Q-러닝 (DQN), 정책 경사 방법 (Policy Gradient), Actor-Critic 방법, 강화학습을 통한 게임 플레이 (e.g., AlphaGo).2. 자연어 처리 (Natural Language Processing, NLP)이유생성 모델과의 연계성: GPT, BERT와 같은 생성 모델이 NLP에서 큰 역할을 하고 있음.실생활 응용: 챗봇.. 2024. 6. 5.
[컴퓨터비전] 컴퓨터비전 커리큘럼 컴퓨터 비전 강의 계획안강의 개요강의 제목: 컴퓨터 비전의 이해와 응용강의 목표: 컴퓨터 비전의 기본 개념과 주요 기술을 이해하고, 다양한 컴퓨터 비전 응용 사례를 학습하며, 실습을 통해 직접 구현해보는 것을 목표로 한다.대상: 머신러닝 기초를 이해하고 있는 대학생 및 관련 종사자강의 기간: 12주 (주 1회, 회당 2시간)강의 일정 및 내용주차주제내용실습/과제1주차컴퓨터 비전 개요컴퓨터 비전의 정의와 역사, 주요 응용 분야논문 읽기: ImageNet Classification with Deep Convolutional Neural Networks2주차이미지 처리 기본이미지 필터링, 엣지 검출, 히스토그램 평활화OpenCV를 이용한 이미지 처리 실습3주차기초 딥러닝인공신경망, CNN 기본 구조와 원리간단.. 2024. 6. 5.
[생성 AI] 추가 학습 목록 생성 모델을 마스터한 후 다음으로 공부할 주제는 딥러닝과 인공지능 분야에서 다음과 같은 고급 주제들을 고려해 볼 수 있습니다:1. 강화학습 (Reinforcement Learning, RL)기본 개념: MDP (Markov Decision Process), 정책, 가치 함수, 보상, Q-러닝, SARSA.고급 주제: 딥 Q-러닝 (DQN), 정책 경사 방법 (Policy Gradient), Actor-Critic 방법, 강화학습을 통한 게임 플레이 (e.g., AlphaGo).2. 자연어 처리 (Natural Language Processing, NLP)기본 개념: 토큰화, 어휘사전, 문서 표현, 순환 신경망 (RNN), LSTM, GRU.고급 주제: 트랜스포머 (Transformer), BERT, GP.. 2024. 6. 5.
[생성 AI] 생성모델 커리큘럼 생성 모델 강의 계획안강의 개요강의 제목: 생성 모델의 이해와 응용강의 목표: 생성 모델의 기본 개념을 이해하고, 다양한 생성 모델의 구조와 원리를 학습하며, 실습을 통해 직접 생성 모델을 구현해 보는 것을 목표로 한다.대상: 머신러닝 기초를 이해하고 있는 대학생 및 관련 종사자강의 기간: 12주 (주 1회, 회당 2시간)강의 일정 및 내용주차주제내용실습/과제1주차생성 모델 개요생성 모델의 정의와 역사, 주요 응용 분야논문 읽기: Generative Adversarial Networks (GANs) 원본 논문2주차확률적 생성 모델확률적 모델의 기본 개념, Gaussian Mixture Model (GMM), Hidden Markov Model (HMM)GMM을 이용한 데이터 클러스터링 실습3주차Varia.. 2024. 6. 5.
반응형

티스토리툴바