반응형 [MMDetection] 4주차: 모델 평가 및 시각화 강의 목표학습된 모델을 평가하고, 결과를 분석하는 방법을 이해한다.객체 검출 결과를 시각화하는 방법을 학습한다.강의 구성9강: 모델 평가 (45분)내용학습된 모델의 평가 방법 소개주요 평가 지표 설명 (mAP, Precision, Recall 등)평가 스크립트 사용 방법활동평가 스크립트 실행 예제 탐색Q&A 시간10강: 결과 시각화 (45분)내용객체 검출 결과를 시각화하는 방법 소개inference_detector 및 show_result_pyplot 함수 사용법결과 시각화 시 발생할 수 있는 문제와 해결 방법활동시각화 예제 코드 탐색Q&A 시간11강: 프로젝트 실습 (60분)내용개인 또는 팀 프로젝트 주제 선정데이터셋 준비, 모델 설정 및 학습, 평가 및 시각화 전 과정 실습활동프로젝트 계획서 작성팀별.. 2024. 5. 31. [MMDetection] 3주차: 모델 설정 및 학습 강의 목표MMDetection 설정 파일의 구조를 이해한다.다양한 객체 검출 모델을 설정하고 학습하는 방법을 학습한다.강의 구성6강: 설정 파일 이해 (45분)내용MMDetection 설정 파일의 구조와 주요 구성 요소 설명모델 설정, 데이터 설정, 학습 하이퍼파라미터 등 주요 항목 설명설정 파일 수정 방법활동설정 파일 예제 탐색Q&A 시간7강: 모델 선택 (45분)내용다양한 모델 아키텍처 소개 (Faster R-CNN, Mask R-CNN, RetinaNet 등)각 모델의 특징 및 적용 사례 설명프로젝트에 적합한 모델 선택 방법활동각 모델의 논문 읽기 및 이해모델 선택 실습8강: 학습 설정 및 실행 (60분)내용설정 파일 수정 및 학습 준비학습 스크립트 실행 및 로그 분석학습 과정 모니터링 및 문제 해.. 2024. 5. 31. [MMDetection] 2주차: 데이터 준비 강의 목표객체 검출에 사용되는 주요 데이터셋을 이해한다.COCO 데이터셋을 다운로드하고 전처리하는 방법을 학습한다.강의 구성4강: 데이터셋 이해 (45분)내용객체 검출에 사용되는 주요 데이터셋 소개 (COCO, VOC, Cityscapes 등)각 데이터셋의 구조와 어노테이션 형식 설명데이터셋 선택 기준 및 용도활동각 데이터셋의 예시 이미지 및 어노테이션 파일 탐색Q&A 시간5강: COCO 데이터셋 준비 (75분)내용COCO 데이터셋의 구성 및 다운로드 방법 설명데이터셋 디렉토리 구조 설정COCO 데이터셋 전처리 및 변환활동실습: COCO 데이터셋 다운로드 및 디렉토리 구조 설정실습: 데이터셋 전처리 스크립트 작성 및 실행강의 자료4강 자료슬라이드: 주요 객체 검출 데이터셋 소개 및 구조 설명자료: 데이터.. 2024. 5. 31. [MMDetection] 1주차: MMDetection 소개 및 환경 설정 강의 목표MMDetection과 객체 검출의 기본 개념을 이해한다.MMDetection을 설치하고 환경을 설정한다.강의 구성1강: 강의 소개 (30분)내용강의 목표 및 일정 안내객체 검출의 개요 및 응용 분야 소개강의 평가 방법 안내활동강사 소개 및 수강생 자기소개Q&A 시간2강: MMDetection 소개 (30분)내용MMDetection의 특징 및 주요 기능 설명MMDetection이 지원하는 모델 아키텍처 및 백본 소개MMDetection의 실제 적용 사례 및 데모활동MMDetection의 공식 웹사이트 탐색데모 영상 시청 및 이해3강: 환경 설정 (60분)내용Python, Conda, PyTorch 설치MMDetection 설치 및 기본 구조 설명활동실습: Python 및 Conda 설치실습: P.. 2024. 5. 31. [PyTorch] 21주차: AutoML 및 하이퍼파라미터 튜닝 강의 목표AutoML(Auto Machine Learning) 개념 및 중요성 이해다양한 AutoML 도구와 하이퍼파라미터 튜닝 기법 학습AutoML 및 하이퍼파라미터 튜닝을 활용한 모델 성능 최적화 경험강의 내용1. AutoML 개념 및 중요성AutoML 소개AutoML이란?AutoML의 필요성 및 이점주요 AutoML 도구H2O.aiGoogle AutoMLAutoKerasAuto-sklearn2. AutoML 도구 사용법H2O.ai 사용 예제import h2ofrom h2o.automl import H2OAutoML# H2O 서버 시작h2o.init()# 데이터 로드 및 H2O 프레임으로 변환data = h2o.import_file("path/to/your/dataset.csv")train, test.. 2024. 5. 31. [PyTorch] 20주차: 최신 딥러닝 연구 및 기술 동향 강의 목표최신 딥러닝 연구 동향 및 기술 트렌드 이해최신 기술 및 도구의 적용 방법 학습실전 프로젝트를 통해 최신 기술을 활용한 모델 개발 경험강의 내용1. 최신 딥러닝 연구 동향연구 동향 개요딥러닝의 발전과 주요 연구 분야최신 연구 동향 소개주요 연구 분야자율주행의료 영상 분석자연어 처리(NLP)강화 학습(Reinforcement Learning)생성 모델(Generative Models)2. 자연어 처리(NLP) 최신 기술Transformer 기반 모델Transformer 개념 및 구조BERT, GPT 등의 최신 언어 모델BERT를 활용한 문서 분류 예제from transformers import BertTokenizer, BertForSequenceClassificationfrom transform.. 2024. 5. 31. [PyTorch] 19주차: 딥러닝 모델의 윤리 및 책임감 있는 AI 개발 강의 목표AI와 딥러닝 모델의 윤리적 문제 이해책임감 있는 AI 개발 원칙 학습윤리적 AI 개발을 위한 실천 방법 논의 및 실습강의 내용1. AI와 딥러닝 모델의 윤리적 문제AI 윤리 개요AI와 딥러닝 모델의 사회적 영향력윤리적 문제와 책임감 있는 AI 개발의 필요성주요 윤리적 문제편향성(Bias)프라이버시(Privacy)투명성(Transparency)공정성(Fairness)신뢰성(Reliability)2. 책임감 있는 AI 개발 원칙공정성(Fairness)데이터 편향성 인식 및 제거다양한 인구통계학적 그룹에 대한 공정한 모델 개발투명성(Transparency)모델의 의사결정 과정 설명 가능성AI 시스템의 투명성 확보 방법프라이버시(Privacy)데이터 수집 및 처리 과정에서의 프라이버시 보호데이터 익명.. 2024. 5. 31. [PyTorch] 18주차: 최종 프로젝트 제출 및 개인 피드백 강의 목표최종 프로젝트 제출 및 발표각 프로젝트에 대한 개인별 피드백 제공향후 학습 및 커리어 발전 방향 제시강의 내용1. 최종 프로젝트 제출프로젝트 제출 준비각 그룹 또는 개인은 최종 프로젝트를 정리하여 제출 준비제출 항목: 프로젝트 코드, 보고서, 발표 자료프로젝트 제출프로젝트 코드 및 보고서 제출발표 자료 제출제출 기한: 강의 시작 전까지2. 최종 프로젝트 발표발표 준비각 그룹 또는 개인은 프로젝트 발표 준비발표 내용: 프로젝트 목표, 데이터셋, 모델 설계, 성능 평가, 결과 분석, 향후 과제 등발표 진행각 그룹 또는 개인이 발표를 진행발표 시간: 그룹당 10-15분, 발표 후 질의응답 시간 포함3. 프로젝트 평가 및 피드백평가 기준프로젝트의 창의성 및 독창성문제 정의 및 데이터 전처리 과정모델 설.. 2024. 5. 31. [PyTorch] 17주차: 심화 학습 및 최신 기술 동향 강의 목표심화 학습 주제 탐구최신 딥러닝 연구 동향 및 기술 트렌드 이해심화 학습 주제에 대한 실습 및 프로젝트 진행강의 내용1. 심화 학습 주제 소개딥러닝의 심화 학습 주제 소개강화 학습(Reinforcement Learning)생성적 적대 신경망(GANs, Generative Adversarial Networks)Transformer 및 BERT, GPT 등 최신 언어 모델메타 학습(Meta-Learning) 및 Few-Shot Learning2. 강화 학습(Reinforcement Learning)강화 학습 개념에이전트와 환경, 보상 및 정책주요 알고리즘: Q-Learning, Deep Q-Networks(DQN), Policy GradientsDQN 구현 예제import gymimport torc.. 2024. 5. 31. [PyTorch] 16주차: 최종 프로젝트 평가 및 종합 리뷰 강의 목표최종 프로젝트 결과 발표 및 평가종합 리뷰를 통해 학습 내용 정리 및 피드백 제공향후 학습 및 개발 방향 제시강의 내용1. 최종 프로젝트 발표프로젝트 발표 준비각 그룹 또는 개인은 최종 프로젝트 결과 발표 준비발표 내용: 프로젝트 목표, 데이터셋, 모델 설계, 성능 평가, 배포 및 운영, 결과 분석 등발표 진행각 그룹 또는 개인이 발표를 진행발표 시간: 그룹당 10-15분, 발표 후 질의응답 시간 포함2. 프로젝트 평가평가 기준프로젝트의 창의성 및 독창성문제 정의 및 데이터 전처리 과정모델 설계 및 성능 평가 방법모델 배포 및 운영의 적절성발표 내용의 명확성 및 완성도피드백 제공각 프로젝트에 대한 피드백 제공개선할 점 및 잘한 점 공유3. 종합 리뷰강의 내용 요약주요 주제 및 학습 목표 복습각 .. 2024. 5. 31. 이전 1 2 3 4 5 6 다음 반응형
