[PyTorch] 강의 목차

강의 목표

이 강의는 학생들에게 PyTorch를 사용한 딥러닝 모델 구축 및 훈련의 기초를 소개하는 것을 목표로 합니다. 학생들은 PyTorch의 기본 개념부터 시작해, 실제 데이터셋을 이용한 모델링까지 경험하게 됩니다.

주차별 강의 내용

1주차: PyTorch 소개 및 설치

• PyTorch 소개
  • PyTorch란 무엇인가?
  • 다른 딥러닝 프레임워크와의 비교
• 환경 설정
  • Anaconda 설치
  • PyTorch 설치
• 기본 문법
  • Tensor 개념 및 기본 연산

2주차: PyTorch의 기본 연산

• Tensor 조작
  • Tensor 생성 및 변환
  • Indexing, Slicing, Joining, Reshaping
• 기초 연산
  • 기본 수학 연산
  • Broadcast 및 Element-wise 연산

3주차: 자동 미분과 Autograd

• 자동 미분 개념
  • Autograd란 무엇인가?
  • 자동 미분의 원리
• 기울기 계산
  • Tensor의 requires_grad 속성
  • 기울기 계산 및 활용

4주차: 신경망 기본 구조

• 신경망 개념
  • 신경망의 기본 구조
  • 신경망의 구성 요소 (레이어, 활성화 함수 등)
• PyTorch에서의 신경망 구현
  • nn.Module 소개
  • nn.Sequential과 같은 기본 신경망 모델 구축

5주차: 데이터셋 및 DataLoader

• 데이터셋 다루기
  • PyTorch Dataset 클래스
  • Custom Dataset 작성
• DataLoader 사용법
  • DataLoader의 기본 기능
  • 배치 처리 및 데이터셋 분할

6주차: 모델 훈련 및 평가

• 모델 훈련
  • 손실 함수와 옵티마이저
  • 훈련 루프 작성
• 모델 평가
  • 검증 데이터셋을 통한 평가
  • 모델 성능 지표 (정확도, 손실 등)

7주차: CNN(Convolutional Neural Network)

• CNN 개념
  • CNN의 기본 원리
  • CNN 레이어 설명 (Convolutional Layer, Pooling Layer 등)
• PyTorch에서 CNN 구현
  • 간단한 CNN 모델 구축
  • 실습: MNIST 데이터셋을 이용한 CNN 모델 훈련

8주차: 고급 주제 및 프로젝트

• 고급 주제
  • Transfer Learning
  • Fine-tuning
• 프로젝트
  • Kaggle 데이터셋을 이용한 프로젝트 수행
  • 모델 설계, 훈련 및 평가
  • 결과 발표 및 코드 리뷰

과제 및 평가

• 주별 과제
  • 각 주차에 배운 내용을 기반으로 한 실습 과제
• 중간 프로젝트
  • 5주차: 간단한 모델 구축 및 발표
• 최종 프로젝트
  • 8주차: 최종 프로젝트 수행 및 발표

교재 및 참고 자료

• 공식 문서: PyTorch Documentation
• 참고 도서: "Deep Learning with PyTorch" by Eli Stevens, Luca Antiga, and Thomas Viehmann
• 온라인 강의: Deep Learning with PyTorch: A 60 Minute Blitz

이 강의 계획서는 초안이며, 강의 진행 상황에 따라 유동적으로 변경될 수 있습니다. 추가적인 자료나 실습 예제는 강의 중 제공될 예정입니다.