아래 파이토치와 파이썬 버전을 지원합니다.
- PyTorch 1.0
- Python >= 3.6.1
- 딥러닝과 파이토치 - 딥러닝의 기본 지식을 쌓고 파이토치의 장단점에 대해 알아봅니다.
- 인공지능과 머신러닝
- 지도학습, 비지도학습, 그리고 강화학습
- 딥러닝과 신경망
- 파이토치가 개발되기까지
- 왜 파이토치인가?
- 파이토치 시작하기 - 파이토치 환경설정과 사용법을 익혀봅니다
- 파이토치 설치 & 환경구성
- 파이토치 예제 내려받고 실행 확인하기
- 주피터 노트북
- 파이토치로 구현하는 ANN - 파이토치를 이용하여 가장 기본적인 신경망을 만들어봅니다.
- 텐서와 Autograd
- 경사하강법으로 이미지 복원하기
- 오염된 이미지 문제
- 오염된 이미지를 복원하는 방법
- 문제 해결과 코드 구현
- 신경망 모델 구현하기
- 인공 신경망(ANN)
- 간단한 분류 모델 구현하기
- 패션 아이템을 구분하는 DNN - Fashion MNIST 데이터셋과 앞서 배운 인공신경망을 이용하여 패션아이템을 구분해봅니다.
- Fashion MNIST 데이터셋 알아보기
- 인공 신경망으로 패션 아이템 분류하기
- 환경 설정하기
- 이미지 분류 문제
- 이미지 분류를 위한 인공 신경망 구현
- 성능 측정하기
- 과적합과 드롭아웃
- 데이터 늘리기
- 드롭아웃
- CNN 기초
- 컴퓨터가 보는 이미지
- 컨볼루션
- CNN 모델
- CNN 모델 구현하기
- ResNet으로 컬러 데이터셋에 적용하기
- ResNet 소개
- CIFAR-10 데이터셋
- CNN을 깊게 쌓는 방법
- 사람의 지도 없이 학습하는 오토인코더 - 레이블이 없는 상태서 특징추출을 하는 오토인코더에 대해 배워봅니다.
- 오토인코더 기초
- 오토인코더로 이미지의 특징 추출하기
- 오토인코더 구현
- 잠재 변수 들여다보기
- 오토인코더로 망가진 이미지 복원하기
- 잡음 제거 오토인코더 구현
- 잡음 제거 시각화하기
- 순차적인 데이터를 처리하는 RNN - RNN을 활용하여 영화 리뷰 감정 분석과 기계번역을 해봅니다
- RNN 개요
- 영화 리뷰 감정 분석
- 자연어 전처리
- RNN 모델 구현
- Seq2Seq 기계 번역
- Seq2Seq 개요
- 인코더
- 디코더
- Seq2Seq 모델 구현하기
- 더 보기
- 딥러닝을 해킹하는 적대적 공격 - 적대적 공격
- 적대적 공격 이란
- 적대적 공격의 종류
- FGSM 공격
- 학습된 모델 불러오기
- 공격할 미이지 불러오기
- 공격 전 성능 확인하기
- FGSM 공격 함수 정의
- 적대적 예제 생성
- 적대적 예제 성능 확인
- 경쟁하며 학습하는 GAN - GAN을 이용하여 새로운 패션 아이템을 만들어봅니다.
- GAN 기초
- 생성자와 판별자
- GAN으로 새로운 패션아이템 생성하기
- 학습 준비
- 생성자와 판별자 구현
- GAN 학습 구현
- 결과물 시각화
- cGAN으로 생성 제어하기
- cGAN으로 원하는 이미지 생성하기
- 조건부 생성자와 판별자
- cGAN 학습 구현
- 결과물 시각화
- 더 보기
- 주어진 환경과 상호작용하며 성장하는 DQN - 간단한 게임환경 안에서 스스로 성장하는 DQN 에이전트를 만들어봅니다.
- 강화학습과 DQN기초
- 카트폴 게임 마스터하기
- 하이퍼파라미터
- DQN 에이전트
- 이전 경험 기억하기
- 행동하기
- 경험으로부터 배우기
- 학습 시작하기
- 더 보기
중요! 모든 코드는 주피터 노트북 파일인 .ipynb로 쓰여져야 합니다.
주피터 노트북으로 작성 후 compile_notebook.py를 실행시키면 주석과 코드 모두 파이썬 파일로 예쁘게 변환됩니다.
일반 파이썬 포멧으로 쓰여진 .py 파일은 변환과정에서 삭제될 수 있으니 주의바랍니다.