반응형 [참고자료] 인공지능 1. PyTorch- PyTorch 2.3 공식 문서: https://pytorch.org/docs/stable/index.html- [교재] 2. Tensorflow- Tensorflow 2.17 공식 문서: https://www.tensorflow.org/- [교재] 3. 참고자료- [사이트] paperwithcode : 인공지능 관련 논문 및 코드 정리- [교재] Understanding Deep Learning : 인공지능 최신 정보 교재 및 학습 자료 총정리 2024. 7. 13. [pytorch] 프로젝트 구조 원칙 1. 데이터 처리(Data Handling)데이터 로딩 및 전처리: 데이터를 로드하고 전처리하는 코드는 data/ 또는 datasets/ 디렉토리에 위치할 수 있습니다. 데이터셋 클래스나 데이터 로더 함수들이 포함될 수 있습니다.데이터 변환(Transforms): 이미지나 텍스트 등의 데이터에 대한 변환 코드는 transforms/ 디렉토리에 위치할 수 있습니다.2. 모델 정의(Model Definition)신경망 모델: 주로 models/ 디렉토리에 저장됩니다. 각 모델은 별도의 파일로 정의될 수 있습니다.모델 유틸리티 함수: 모델 관련 유틸리티 함수들은 필요에 따라 utils/ 디렉토리에 포함될 수 있습니다.3. 학습과 평가(Training and Evaluation)학습 코드: 주로 train.py.. 2024. 7. 3. [pytorch] 버전별 특징 PyTorch 1.0 (2018년 12월)프러덕션 준비: PyTorch 1.0은 연구와 개발에서 프러덕션 준비가 된 라이브러리로 이동하면서 중요한 마일스톤을 달성했습니다.TorchScript: 모델을 스크립팅하고 JIT 컴파일을 통해 효율적인 실행을 할 수 있도록 지원.C++ 인터페이스: 파이썬뿐만 아니라 C++에서도 PyTorch 모델을 구축하고 학습시킬 수 있는 기능 제공.모듈화된 코드를 위한 모델 분할 및 배포: 다양한 장치에 효율적으로 모델을 분할하고 배포할 수 있도록 개선.PyTorch 1.1 (2019년 5월)TensorBoard 지원: TensorBoard를 통한 모델 학습 시각화 지원.1.0 기능 강화: JIT 컴파일러와 TorchScript의 성능 및 사용성 개선.더 많은 연산 지원: 새.. 2024. 7. 3. [PyTorch] 주요 개념 PyTorch는 페이스북의 AI 연구팀에서 개발한 오픈 소스 딥러닝 프레임워크로, 특히 연구와 개발 환경에서 많이 사용됩니다. PyTorch는 텐서 계산 및 동적 계산 그래프를 기반으로 하며, 이를 통해 복잡한 모델을 쉽게 설계하고 디버깅할 수 있습니다. PyTorch의 핵심 개념과 기능을 소개하겠습니다.1. 텐서(Tensor)텐서는 PyTorch의 기본 데이터 구조입니다. 텐서는 N차원의 배열로, 수학적 연산을 수행하는 데 사용됩니다.텐서는 torch.Tensor 클래스를 사용하여 생성할 수 있습니다. 예를 들어, 2x3 행렬을 생성하려면 다음과 같습니다.import torchx = torch.Tensor([[1, 2, 3], [4, 5, 6]])2. 자동 미분(Autograd)Autograd는 PyT.. 2024. 6. 8. [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. [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. 이전 1 2 3 4 다음 반응형
