이번 기수는 모집이 마감되었습니다.
출시알림을 신청해주시면,
특별한 혜택과 함께 가장 먼저
다음 기수 모집 소식을 알려드리겠습니다. 감사합니다.

출시알림 신청하기

‘자연어처리X딥러닝’ 시작의 첫 걸음!
강의 듣고! 책도 받아 가자!

강사님 저서 <김기현의 자연어처리 딥러닝 캠프>가 출간되었습니다!
수강을 확정하신 분들께는 개강 첫날, 책 무료 제공이 있을 예정입니다.

강의목표.

PYTORCH를 활용하여, 실제 필드에서 가장 활용도가 높은 기술인
TEXT CLASSIFICATION을 직접 구현할 수 있습니다.

잠깐!

자연어처리와 TEXT CLASSIFICATION의 개념.
정확히 알고 계신가요?

자연어처리
(NATURAL LANGUAGE PROCESSING)

인공지능 분야의 하위 분야로 주로 분류되는 분야로 사람이 사용하는 언어를 기계가 인식할 수 있는 형태로 입력 형식을 바꿔주거나 또는 바뀐 형식을 다시 인간이 이해 할 수 있는 언어로 표현하는 기술을 개발하는 분야입니다.

문서 분류
(TEXT CLASSIFICATION)

Text Classificaion은 실무에서 가장 활용도가 높은 기술입니다. 본 강의에서는 RNN과 CNN을 활용하여 Text Categorization, Sentiment Analysis(감성분석)을 구현할 수 있도록 합니다. 구현 실습은 이어지는 이미지를 참고하세요!

현업에서는 이렇게 쓰입니다

#SENTIMENT ANALYSIS(감성분석)

감정 분석은 분류기의 가장 일반적인 사용 사례 중 하나입니다. 이러한 분석은 사용자나 고객의 의견, 트윗, 리뷰 등에서긍정 표현과 부정 표현을 감지하는 데 사용됩니다.

# LANGUAGE DETECTION(언어탐지)

모델(분류기)에 들어오는 들어오는 텍스트를 언어 목록(예:스페인어, 영어, 프랑스어 등)과 비교하여 분석하여 특정 텍스트가 어떤 언어인지를 분류합니다. 예를 들어, ‘Machine learning’ 라고 언어가 들어오면 ‘영어다’, ‘안녕하세요’ 라고 언어가 들어오면 ‘한국어다’라고 인지하는 것을 말합니다.

#TOPIC CLASSIFICATION(주제분류)

텍스트 분류는 주로 항목별로 텍스트를 구성하는 데 사용됩니다. 트윗, 문서, 뉴스, 리뷰, 등에 어떤 주제로 이야기 하는지 알 수 있습니다.

강의 특징

자연어처리에 필요한 딥러닝의 주요 모델부터
PYTORCH 활용법, 자연어처리의 기본 개념까지
한 번에 세 가지를 모두 익힐 수 있는, 1석 3조의 강의!

NLP
딥핵심개념 완전정복

자연어 처리의 핵심 개념과 최근 연구 동향에 대해 입문자의 눈높이에 맞춰 설명해드립니다. NLP의 초석이라고 할 수 있는 Word Ebbedding과 단어 중의성 해소를 익히고, 다양한 응용을 통해 인사이트를 얻으세요!

PyTorch를 활용한
딥러닝 모델 구현

자연어 처리에 최적화된 PyTorch 환경 설정 방법을 익히고, 활용법을 배워 딥러닝 모델을 만들 수 있습니다. 또한 본 강의를 통해, PyTorch 프레임워크를 활용할 수 있고 선형회귀, 로지스틱 분류 문제를 스스로 풀 수 있게 됩니다.

RNN과 CNN을
활용한 실습

Text Classification은 실제 필드에서 가장 활용도가 높은 기술입니다. RNN과 CNN을 활용하여 감성분석/언어탐지/주제분류 등을 직접 실습해 보세요! 이론으로 이해하고, 실습을 통해 구현해보며 강의 내용을 100% 당신의 것으로 익혀 가세요!

추천 대상

현업에서 감성분석, 문서분류 등을 하고 싶은 분석가 및 개발자

딥러닝을 활용하여 자연어처리를 구현해보고 싶은 분

PyTorch 활용법과 NLP의 기본개념, 두 마리 토끼를 모두 잡고 싶은 분석 초급자

수강생 체크리스트 아래 항목 중 1개 이상 YES!라고 답할 수 있어야, 수강에 어려움이 없습니다.

1. Python을 활용하여 코딩해 본 경험이 있다.
2. 기본적인 딥러닝 이론을 접해본 적이 있다.

자연어 처리 심화 과정은 없나요? 기본적인 NLP가 아닌 보다 심화된 NLP와 딥러닝 기반의 NLG에 대해 궁금하시다면? 아래 버튼에 연결된 [ PyTorch를 활용한 자연어처리 심화 CAMP ]를 수강하세요!

커리큘럼

7주 동안, 자연어처리의 이론과 실습을 동시에 익힐 수 있는 강의.
입문자의 눈높이에 맞춘 커리큘럼으로 시작하세요!

Part 1. 딥러닝 입문

1주차 : 딥러닝을 위한 머신러닝 기초 (1) – 파이토치 텐서 기본 연산 : 파이토치를 사용하기 위한 기본 연산 함수들을 배우고 실습합니다.
– 손실함수 : 최적화를 위한 손실함수의 개념을 배웁니다.
– 그래디언트 기반 최적화 : 최적화를 위한 도구인 Gradient Descent에 대해서 이야기합니다.
– 선형회귀 : 가장 기초적인 regression 방법인 선형 회귀에 대해서 실습합니다.
– 비선형 활성 함수(Sigmoid, TanH) : 비선형성을 추가하기 위한 활성함수(activtion function)에 대해 다룹니다.
– 로지스틱 회귀 : 가장 기초적인 classification 방법인 로지스틱 회귀에 대해 실습합니다.
– 딥뉴럴네트워크 : Layer를 쌓아 딥러닝을 하는 방법을 소개 합니다.

2주차 : 딥러닝을 위한 머신러닝 기초 (2) – Back-propagation : 딥러닝을 훈련하기 위한 역전파 알고리즘에 대해 소개합니다.
– 그래디언트 소실(Gradient Vanishing) 문제 : 역전파 알고리즘의 장애물인 그래디언트 소실 문제에 대해 이야기합니다.
– Stochastic Gradient Descent (SGD) : SGD를 활용한 최적화 방법을 소개합니다
– Learning Rate와 Adam : Learning rate에 대해 이야기하고, Adam을 소개합니다.
– Softmax : 분류 문제 적용을 위한 softmax 함수를 소개 합니다.
– MNIST 실습: Auto-encoder, Classification : 이제까지 이야기한 내용을 토대로 실습을 통해 복습합니다.

3주차 : 딥러닝을 이해하기 위한 기초 확률론 & 확률 이론을 통해 딥러닝을 제대로 이해하기 ▷ 딥러닝을 이해하기 위한 기초 확률론에 대하여 배워봅시다.
– 확률(Probability)과 확률 분포(Distribution) : 랜덤변수와 기타 확률 이론에 대해 이야기 합니다.
– 샘플링과 기대값(Sampling and Expectation) : 샘플링에 대해 다루고, 기대값을 통한 적분을 이해합니다.
– 정보이론 (Information Theory) : 정보 이론에 대해 이야기하고, 엔트로피 등의 개념을 이해합니다.

▷ 확률 위에서 동작하는 뉴럴넷의 개념에 대해 이해해봅니다.
– Maximum Likelihood Estimation (MLE) : 최대가능도추정 방법을 통해 학습하는 방법을 다룹니다.
– 뉴럴네트워크를 통한 확률 분포 근사 : 결국 뉴럴네트워크는 확률 분포 함수임을 이야기 합니다.
– 오버피팅과 Regularizaton(Dropout) : 오버피팅을 이야기하고, Dropout으로 성능을 개선하는 방법을 다룹니다.

Part 2 자연어 처리 입문

4주차 : 토치 텍스트& 파이토치 이그나이트 & 자연어처리 소개 ▷ 토치 텍스트 (Torch Text) : 텍스트 데이터를 좀 더 쉽게 로딩해주는 토치 텍스트에 대해서 배웁니다.
– 입/출력 데이터의 형태에 따른 어플리케이션 : 어플리케이션에 따른 전형적인 입/출력 데이터의 형태를 이야기합니다.
– 텍스트 분류를 위한 텍스트 로더 구현 : 텍스트 분류를 위한 text loader에 대해서 실습합니다.

▷파이토치 이그나이트 (PyTorch Ignite) : 신경망 훈련 코드를 좀 더 일관성있고 간결하게 할 수 있는 방법을 배웁니다.
– 전형적인 딥러닝 학습 scheme : 딥러닝 학습을 구성하는 요소들에 대해서 이해합니다.
– Train / Valid Engine 과 Call-back 함수 : 학습을 구동하기 위한 Engine과 여러 event에 대한 call-back을 소개합니다.
– metric과 tqdm : 학습 진행상황을 체크하기 위한 metric과 tqdm 적용 방법을 이야기합니다.

▷ 자연어처리 소개 : 자연어처리를 소개하고 연구의 어려운 점에 대해서 함께 이야기해 봅니다.
– 자연어처리는 왜 어려울까? : 전반적인 자연어처리의 어려움에 대해 다룹니다.
– 한국어 자연어처리는 왜 더 어려울까? : 한국어의 특성으로 인한 자연어처리의 어려움에 대해 다룹니다.
– 딥러닝을 활용하 자연어처리의 역사 : 그동안의 자연어처리 연구에 대해 소개합니다.

Part 3. 단어 임베딩 백터

5주차 : 차원축소 과정을 통한 딥러닝에 대한 이해 & 희소성 새로를 위한 단어 임베딩 ▷ 딥러닝을 다른 각도에서 바라보고 이에 대해 이야기해봅니다.
– 차원의 저주와 차원 축소의 필요성 : 높은 차원의 데이터를 다룰때의 어려움을 이해합니다.
– 주성분분석 (PCA) : 선형 차원 축소 방법에 대해 이야기 합니다.
– Manifold 가설 : 높은 차원에서의 데이터 분포에 대해 이해합니다.
– 오토인코더 다시보기 : 이를 통해 오토인코더의 개념을 다시 돌아봅니다.

▷자연어처리의 가장 큰 장벽인 희소성 해소를 위한 방법을 이야기합니다.
– Word2Vec : 가장 대표적인 단어 임베딩 방법인 Word2Vec을 소개합니다.
– GloVe : Word2Vec의 한계에 대해 이해하고, GloVe를 이야기 합니다.
– 실습을 위한 분절 실습 : 자연어처리를 위한 분절 방법에 대해 소개 합니다.
– 오픈 라이브러리를 활용한 임베딩 실습 : 공개된 라이브러리를 통해 단어 임베딩을 실습합니다.
– 자연어처리는 왜 어려울까? : 전반적인 자연어처리의 어려움에 대해 다룹니다.
– 한국어 자연어처리는 왜 더 어려울까? : 한국어의 특성으로 인한 자연어처리의 어려움에 대해 다룹니다.
– 딥러닝을 활용하 자연어처리의 역사 : 그동안의 자연어처리 연구에 대해 소개합니다.

Part 4. 텍스트 분류

6주차 : 자연어 처리의 필수 ‘RNN’ 이해 & 자연어 처리의 단골손님 ‘텍스트 분류’ ▷ 시퀀셜 데이터를 다루기 위한 RNN 구조를 소개 합니다.
– Recurrent Neural Network (RNN) : 순환신경망을 통해 시퀀셜 데이터를 학습하는 방법을 이해합니다.
– RNN에서의 그래디언트 전달 : 그래디언트가 역전파를 통해 전달되는 개념을 이해 합니다.
– LSTM과 GRU 소개 : RNN의 한계에 대해 이야기하고, LSTM 등을 소개 합니다.
– 그래디언트 클리핑(clipping) : RNN 훈련 기법인 clipping에 대해 소개 합니다.

▷ 자연어처리의 단골손님, 자연어처리에서 가장 수요가 높은 텍스트 분류에 대해 이야기합니다.
– RNN을 활용한 텍스트 분류 : RNN을 통해 텍스트를 분류하는 실습을 합니다.

7주차 : CNN을 활용한 자연어처리 이해 & 강의 총 요약 및 정리 ▷ CNN을 통해서 텍스트를 다루는 방법에 대해 이야기합니다.
– Convolutional Neural Network (CNN) : CNN을 소개하고, 동작 원리에 대해서 이해합니다.
– Batch Normalization을 활용한 Regularization : 또 다른 regularization 방법을 통해 딥러닝의 성능을 향상하는 방법을 다룹니다.
– CNN을 활용한 텍스트 분류 : CNN을 통해 텍스트를 분류하는 실습을 해봅니다.

▷ 7주동안 모두 수고 많으셨습니다! 수업 내용을 요약&정리해보는 시간을 갖습니다.

강의에 대한 전반적인 소개를 한 눈에 보고 싶다면? 교육 과정 소개서를 확인해주세요!

* 본 소개서는 회사 제출용으로도 사용 가능합니다.

교육과정 소개서 다운받기

7주 후, 당신은

수강 후기

수강생 김형규님 후기 인터뷰

수업에서 자연어 처리와 텍스트 분석, 딥러닝에 관한 모든 내용을 새롭게 배워간다는 생각보다는, 기본적인 이론은 미리 공부하고 고민해 본 후에 수업에서는 본인이 학습한 이론에 대해서 강사님께 확인한다는 마음가짐으로 수강하시는게 좋을 것 같습니다. 이렇게 말씀드리는 이유는 수업에서 다루는 내용이 쉽지 않기도 하지만, 수업에서 가져가야 할 내용은 일반적으로 인터넷으로 배울수 있는 내용보다는 강사님의 실전 경험이라고 생각되기 때문입니다. 미리 준비한 만큼 더 많은 것을 얻어 갈 수 있다고 생각됩니다.

후기 인터뷰 자세히 보기

수강생 여민규님 후기 인터뷰

본 코스를 수강한 후 딥러닝과 NLP에 대한 막연함이 해소된 것 같습니다. 스스로 PyTorch 코드를 짤 수 있게 되었고 현업에서 어떻게 활용해야 할지에 대한 가이드라인이 생겼기 때문입니다. 현재는 본 코스에서 학습한 내용을 커뮤니티나 SNS, 상품 후기 등 브랜드와 관련된 소비자의 의견을 취합해 주제와 감성으로 분류하는 일에 활용하고 있습니다. 앞으로는 NLP를 적용하여 소비자의 의견을 파악하는 것에서 더 나아가, 소비자를 세분화하고 각각의 소비자에게 적합한 상품과 광고를 추천해주는 것까지 그 활용 범위를 확대시켜 나가고 싶습니다.

후기 인터뷰 자세히 보기

강사 소개

김기현 강사님

현재 MakinaRocks에서 NLP 딥러닝 연구/개발을 맡고 있습니다. 딥러닝 이전 밑바닥부터 다져온 NLP에 대한 핵심 경험들과 필요성에 대해 이야기하고, 자연어처리에 필요한 딥러닝의 주요 모델부터 PYTORCH 활용법, 자연어처리의 기본 개념까지 이해하기 쉽게 가르쳐 드리겠습니다.

약력

– 現 마키나락스 수석연구원 (이상탐지 및 생성 모델 학습 연구/개발)
– 前 SK플래닛 머신인텔리전스랩 (신경망 기계번역 연구/개발 및 상용화 , SK플래닛 SUPEX 수상)
– 前 티켓몬스터 데이터랩 (추천시스템 및 자연어처리 시스템 개발 및 상용화)
– 前 한국전자통신연구원(ETRI) 자동 통역 연구실
(자동 통역(음성인식 및 언어모델) 연구/개발 및 상용화)
(특허기술상(특허청) 충무공상 : 자동통역시스템 발명)
– Qualcomm R&D Korea 인턴 및 표창
– Stony Brook University 컴퓨터공학과 학사/석사
– 한국정보올림피아드(KOI) 19회 동상, 20회 장려상
– 머신러닝 관련 다수 특허 등록

[강의 경험]
– 패스트캠퍼스 PyTorch를 활용한 자연어처리 심화 CAMP 강의
– 패스트캠퍼스 자연어처리를 위한 딥러닝 CAMP
– KT 및 KTDS 자연어처리 강의
– SK그룹 기계번역 강의
– 유튜브 모두의 딥러닝 시즌2 PyTorch 강의 참여

강사님 인터뷰 보기 >

김광우 조교님

약력

– 현 GS SHOP AI센터 빅데이터 플랫폼, 검색 추천 및 분석환경 개발 운영
– SK C&C Data Platform팀 SK Hynix 실시간 분석 환경 구축 프로젝트
– Ticket monster DataLab 빅데이터 및 추천 시스템 운영 및 개발

관련된 추천 강의를 확인하세요!

강의장 안내

유의사항 및 환불 규정

유의사항 - 모든 패스트캠퍼스 오프라인 파트타임 교육은 개강 전일 18시에 모집이 마감됩니다.
- 상황에 따라 사전 공지 없이 모집이 조기 마감되거나 할인이 연장될 수 있습니다.
- 수강 인원 확인을 위하여, 즉시 결제가 어려운 경우에도 반드시 수강신청을 먼저 진행해주시기 바랍니다.
- 수강생의 결석이나 지각 등으로 발생한 손해에 대해서는 별도의 보상을 제공하지 않습니다.

환불규정 * 다음과 같은 사유 등으로 인해 강의가 폐강될 수 있으며, 폐강 시 학원법에 따라 반환 사유 발생일로부터 5 영업일 이내에 수강료를 환불해드립니다.
- 모집된 수강인원이 10명 이하일 경우
- 강사의 갑작스러운 사고 및 건강 상의 이유
- 천재지변 : 위의 사유로 강의가 폐강될 경우, 학원법 제 18조에 따라 오프라인 강의 취소/환불 정책을 준용하여 환불 처리되며, 모객 부진으로 폐강 시에는 최소 개강일로부터 7일 전에는 폐강 여부를 안내해드립니다.

* 총 수강기간 1개월 이내 기준 취소 및 환불 규정 안내
- 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
- 수업 시작 전 환불 신청 시 전액 환불됩니다.
- 수강 시작 후 환불 신청 시 하기 수업 시수를 기준으로 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수업시수 1/3 경과 전 : 수강료 2/3 환불
: 환불요청일시 기준 수업시수 1/2 경과 전 : 수강료 1/2 환불
: 환불요청일시 기준 수업시수 1/2 경과 후 : 환불금액 없음

* 기타 환불 관련 안내
- 환불 의사를 밝힌 다음날부터 계산하여 환불합니다.
- 환불금액은 수업시간을 기준(반올림)으로 산정합니다.
- 환불금액의 10원 미만은 절삭합니다.
- 반환 사유 발생 시 5 영업일 이내 환불됩니다.
: PG사와 카드사의 상황에 따라 환불이 지연될 수 있습니다
- 1개월 산정 기준은 민법 제 160조(역에 의한 계산)을 적용합니다.
: 실제 일수와 상관없이 수업시작일이 3월 7일인 경우, 1개월은 4월 6일까지 입니다.
: 단, 수업 시작일이 1월 31일인 경우, 1개월은 월의 말일인 2월 28일까지 입니다.