Part 1 신경망 이론 정복하기

Chapter 01 딥러닝 이해하기
1.1 인공지능, 머신러닝, 딥러닝의 기본
1.2 지도학습, 비지도학습, 강화학습
1.3 문제 해결 과정

Chapter 02 파이토치와 친해지기
2.1 파이썬과 파이토치
2.2 구글 코랩 개발 환경 설정
2.3 텐서 이해하기
2.4 판다스로 데이터 처리하기
2.5 Matplotlib으로 시각화하기

Chapter 03 신경망 입문하기
3.1 퍼셉트론의 기본 개념
3.2 다층 신경망과 XOR 문제 해결하기
3.3 손실 함수/경사 하강법/오차 역전파 이해하기
3.4 ReLU로 기울기 소실 극복하기
3.5 과소적합과 과적합 이해하기

Part 2 딥러닝 몸풀기

Chapter 01 사인 함수 예측하기
1.1 딥러닝 모델의 가중치
1.2 3차 다항식 모델 정의하기
1.3 3차 다항식 모델 학습하기
1.4 자동 미분(Auto-grad)
1.5 파이토치 모듈 사용하기
1.6 최적화 함수

Chapter 02 당뇨병 진행도 예측하기
2.1 데이터 살펴보기
2.2 모델 구현 및 학습
2.3 모델 성능 평가

Chapter 03 붓꽃 종 예측하기
3.1 데이터 살펴보기
3.2 파이토치 데이터 유틸 사용하기
3.3 모델 구현 및 학습
3.4 모델 성능 평가

Part 3 딥러닝의 기본 이미지 분류하기

Chapter 01 손 글씨 숫자 분류와 CNN
1.1 합성곱 신경망(CNN)
1.2 합성곱(Convolution)
1.3 풀링(Pooling)
1.4 이미지 분류(Image Classification)
1.5 학습 준비
1.6 MNIST 데이터셋
1.7 LeNet 모델
1.8 학습, 검증, 테스트

Chapter 02 CIFAR10 이미지 분류와 VGG, ResNet
2.1 CIFAR10 데이터셋
2.2 VGG, ResNet 모델
2.3 모델 학습

Chapter 03 개의 품종 분류와 사전 학습하기
3.1 사전 훈련과 전이 학습
3.2 데이터셋(개의 품종 분류)
3.3 사전 학습된 ResNet50 모델
3.4 학습, 검증, 테스트

Chapter 04 흉부 엑스레이 분석과 데이터 증강하기
4.1 데이터셋
4.2 데이터 증강과 Albumentations
4.3 학습 모델(ResNet18)
4.4 학습 및 기록(Wandb)

Chapter 05 자연 풍경 이미지 분류하기
5.1 데이터 분석
5.2 데이터셋
5.3 ResNet18 모델
5.4 모델 학습
5.5 정확도/정밀도/재현율/F1 스코어
5.6 테스트

Part 4 딥러닝의 이미지 데이터와 영상 처리

Chapter 01 객체 인식으로 마스크 인식하기
1.1 객체 인식의 이해
1.2 데이터 분석
1.3 데이터셋
1.4 FasterRCNN 모델
1.5 모델 학습
1.6 추론

Chapter 02 오토 인코더로 이미지 노이즈 제거하기
2.1 데이터 분석
2.2 데이터셋
2.3 오토 인코더(Auto-Encoder) 모델
2.4 모델 학습
2.5 추론

Chapter 03 U-Net 객체 분할로 인물 사진 배경 흐리게 하기
3.1 데이터 분석(EG1800)
3.2 데이터셋
3.3 U-Net 모델
3.4 모델 학습
3.5 추론 및 배경 흐리게 처리하기

Chapter 04 숫자 이미지 생성하기
4.1 GAN 알아보기
4.2 데이터와 데이터셋
4.3 CGAN 모델
4.4 모델 학습
4.5 추론

Part 5 시퀀스 데이터와 자연어 처리

Chapter 01 RNN으로 비트 코인 가격 예측하기
1.1 RNN 이해하기
1.2 RNN, LSTM, GRU
1.3 비트 코인 가격 데이터
1.4 LSTM 모델
1.5 모델 학습
1.6 추론

Chapter 02 문자 RNN을 이용해 자연어 품사 태깅하기
2.1 품사 태깅 이해하기
2.2 품사 태깅 데이터
2.3 RNN 분류기 모델
2.4 모델 학습
2.5 추론

Chapter 03 트랜스포머를 이용한 객체명 인식기
3.1 트랜스포머 이해하기
3.2 객체명 인식 데이터
3.3 데이터셋
3.4 트랜스포머 모델
3.5 모델 학습