딥러닝 CNN 완벽 가이드 - Fundamental 편

https://inf.run/Qf6B

강의 소개 및 실습 환경

강의 소개

실습 환경 설명 - 캐글 Notebook 이용하기

강의 교재와 실습 자료 다운로드

딥러닝 기반 이해 - 딥러닝 개요와 경사 하강법

머신러닝의 이해

딥러닝 개요

딥러닝의 장단점과 특징

퍼셉트론의 개요와 학습 메커니즘 이해

회귀 개요와 RSS, MSE의 이해

경사하강법의 이해

경사하강법을 이용하여 선형회귀 구현하기 - 01

경사하강법을 이용하여 선형회귀 구현하기 - 02

확률적 경사하강법(Stochastic Gradient Descent)와 미니 배치(Mini-batch) 경사하강법 이해

확률적 경사하강법(Stochastic Gradient Descent) 구현하기

미니 배치(Mini-batch) 경사하강법 구현하기

경사하강법의 주요 문제

딥러닝 기반 이해 - 오차 역전파, 활성화 함수, 손실 함수, 옵티마이저

심층신경망의 이해와 오차 역전파(Backpropagation) 개요

오차 역전파(Backpropagation)의 이해 - 미분의 연쇄 법칙

합성 함수의 연쇄 결합이 적용된 심층 신경망

오차 역전파(Backpropagation)의 Gradient 적용 메커니즘 - 01

오차 역전파(Backpropagation)의 Gradient 적용 메커니즘 - 02

활성화 함수(Activation Function)의 이해

Tensorflow Playground에서 딥러닝 모델의 학습 메커니즘 정리해보기

손실(Loss) 함수의 이해와 크로스 엔트로피(Cross Entropy) 상세 - 01

손실(Loss) 함수의 이해와 크로스 엔트로피(Cross Entropy) 상세 - 02

옵티마이저(Optimizer)의 이해 - Momentum, AdaGrad

옵티마이저(Optimizer)의 이해 - RMSProp, Adam

Keras Framework

Tensorflow 2.X 와 tf.keras 소개

이미지 배열의 이해

Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 이미지 데이터 인 및 사전 데이터 처리

Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 모델 설계 및 학습 수행

Keras Layer API 개요

Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 예측 및 성능 평가

Dense Layer로 Fashion MNIST 예측 모델 구현하기 - 검증 데이터를 활용하여 학습 수행

Functional API 이용하여 모델 만들기

Functional API 구조 이해하기 - 01

Functional API 구조 이해하기 - 02

Dense Layer로 Fashion MNIST 예측 모델 Live Coding 으로 구현 정리 - 01

Dense Layer로 Fashion MNIST 예측 모델 Live Coding 으로 구현 정리 - 02

Keras Callback 개요

Keras Callback 실습 - ModelCheckpoint, ReduceLROnPlateau, EarlyStopping

Numpy array와 Tensor 차이, 그리고 fit() 메소드 상세 설명

CNN의 이해

Dense Layer기반 Image 분류의 문제점

Feature Extractor와 CNN 개요

컨볼루션(Convolution) 연산 이해

커널(Kernel)과 피처맵(Feature Map)

스트라이드(Stride)와 패딩(Padding)

풀링(Pooling)

Keras를 이용한 Conv2D와 Pooling 적용 실습 01

Keras를 이용한 Conv2D와 Pooling 적용 실습 02

CNN을 이용하여 Fashion MNIST 예측 모델 구현하기

다채널 입력 데이터의 Convolution 적용 이해 - 01

다채널 입력 데이터의 Convolution 적용 이해 - 02

컨볼루션(Convolution) 적용 시 출력 피처맵의 크기 계산 공식 이해