[생성 AI] 생성모델 커리큘럼

생성 모델 강의 계획안

강의 개요

• 강의 제목: 생성 모델의 이해와 응용
• 강의 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 종사자
• 강의 기간: 12주 (주 1회, 회당 2시간)

강의 일정 및 내용

주차주제내용실습/과제

1주차	생성 모델 개요	생성 모델의 정의와 역사, 주요 응용 분야	논문 읽기: Generative Adversarial Networks (GANs) 원본 논문
2주차	확률적 생성 모델	확률적 모델의 기본 개념, Gaussian Mixture Model (GMM), Hidden Markov Model (HMM)	GMM을 이용한 데이터 클러스터링 실습
3주차	Variational Autoencoder (VAE)	VAE의 원리와 구조, Latent Space 개념	간단한 VAE 구현 및 MNIST 데이터셋 적용
4주차	GAN 개요	GAN의 기본 개념, Generator와 Discriminator의 역할	GAN 논문 리뷰 및 토론
5주차	기본 GAN 구현	GAN의 기본 구조 및 구현 방법	간단한 GAN 구현 및 실습
6주차	다양한 GAN 구조	Conditional GAN (cGAN), Deep Convolutional GAN (DCGAN)	DCGAN을 이용한 이미지 생성 실습
7주차	최근 GAN 연구	StyleGAN, BigGAN 등 최신 연구 동향	최신 논문 리뷰 및 적용 사례 분석
8주차	강화학습과 생성 모델	강화학습 개념, 생성 모델에서의 활용	강화학습과 GAN 결합 실습
9주차	자율적 생성 모델	Autoregressive Models, PixelRNN, PixelCNN	PixelCNN 구현 실습
10주차	변형 가능한 생성 모델	Flow-based Models, RealNVP, Glow	Flow-based 모델 실습
11주차	생성 모델 응용	이미지 생성, 텍스트 생성, 데이터 증강 등	다양한 생성 모델을 이용한 프로젝트 제안서 작성
12주차	프로젝트 발표 및 피드백	최종 프로젝트 발표, 피드백 세션	프로젝트 결과물 발표 및 토론

평가 방법

• 출석 및 참여: 20%
• 과제 및 실습: 40%
• 최종 프로젝트: 40%

참고 자료

• Ian Goodfellow et al., "Generative Adversarial Networks," 2014.
• Diederik P Kingma, Max Welling, "Auto-Encoding Variational Bayes," 2013.
• 최신 GAN 관련 논문 및 리뷰 자료

기타 안내

• 실습은 Python과 TensorFlow 또는 PyTorch를 사용합니다.
• 각 주차별로 제공되는 자료를 사전에 읽고, 강의에 참여하시기 바랍니다.

강사 정보

• 강사 이름: [강사 이름]
• 이메일: [이메일 주소]
• 사무실 위치: [사무실 위치]

준비물

• 노트북
• Python 프로그래밍 환경 (Anaconda 권장)
• TensorFlow 또는 PyTorch 설치