딥러닝을 위한 최적화와 수치해석 CAMP

본 강의는 모집이 마감되었습니다.
다음 기수 출시알림을 신청해주시면, 특별 할인혜택과 함께 가장 먼저 소식을 알려드리겠습니다

출시알림 신청하기

※ 대학생/대학원생/동반수강 할인에 해당되시는 분은 반드시 수강신청 시 [소속]란에 3가지 중 하나를 기재해주세요.
담당 매니저가 확인 후 연락 드립니다.

아직도 남이 쓴 코드를 그대로 가져다 쓰기만 하시나요?
딥러닝/머신러닝 알고리즘에 담긴 수학적 배경지식과 원리를 이해하고,
내가 원하는대로 코드를 구현할 수 있어야 진짜 내 실력이 됩니다!

‘딥러닝/머신러닝 알고리즘에 담긴 수학적 배경과 원리’
당신은 얼마나 이해하고 있으신가요?

“딥러닝/머신러닝에 필요한 수학이 어떤건지 잘 모르겠어요.”

TENSORFLOW나 SCIKIT-LEARN 문서에 나오는 수식들을 이해하고 코드에 적용하고 싶은데, 수학을 처음부터 다시 배워야 하나요?

“불러온 코드는 마음대로 수정하기가 어려워요.”

누군가가 만들어 놓은 코드나 프로그래밍의 API에 집중하는 것이 아닌, 본인의 도메인에 맞게 코드를 커스터마이징 하고 싶으신가요?

당신이 겪고 있는 문제.
딥러닝 알고리즘에 담긴 수학적 원리를 이해하면,
그 해답을 찾을 수 있습니다.

‘수학’이 없어도 딥러닝/머신러닝을 학습할 수 있다는 의견이 간혹 있지만, 머신러닝 알고리즘을 학습하다보면 수학은 결코 빠질 수 없는 부분 중 하나입니다. 특히, 새로운 구조를 만들거나 심화적인 응용을 하기 위해서는 수학적인 백그라운드가 필수적으로 뒷받침 되어야 하죠. 본 강의를 통해 딥러닝/알고리즘을 정확히 이해하기 위한 수학적 배경지식을 쌓고, 기존에 만들어진 패키지의 사용이 아닌 나만의 알고리즘 코드를 짤 수 있는 역량을 길러가세요!

강의 특징

어떠한 코드를 만나도 당황하지 않도록! 실전에서 바로 바로 활용할 수 있도록!

#딥러닝 알고리즘의 수학적 백그라운드 이해

딥러닝을 다루다보면 자주 마주하게 되는 수학 공식들. 딥러닝 알고리즘에 담긴 원리를 모른다면, 쉽게 한계에 부딪치게 됩니다. 본 강의에서 딥러닝 알고리즘의 수학적 배경 지식과 작동 원리를 익히고 딥러닝 알고리즘의 큰 개념적 지도를 머릿속에 그려보세요!

#최적화 관점에서의 이해와 코드 작성

최적화 문제에 익숙하지 않다면 tensorflow나 scikit-learn의 문서들을 읽고 알고리즘을 이해하는데 어려움을 겪게됩니다. 본 강의에서 최적화(Optimization) 관점에서 딥러닝 알고리즘의 이론을 공부하고 직접 코드를 작성하는 법까지 익혀가세요!

#매주 실무에 가까운 프로젝트 제공

매주 실무에 가까운 프로젝트와 1:1 피드백이 제공되어 자신의 도메인에 맞게 머신러닝 알고리즘을 커스터마이즈하는 능력을 키워가실 수 있습니다. 만들어진 패키지를 그대로 가져다 쓰는 것이 아닌, 내가 원하는 코드를 직접 짜보는 실습으로 ‘진짜’ 실무 역량을 키워가세요!

강사님이 짜주는 코드를 단순히 실행만 해보는 강의라면 NO!
수강생들의 코딩을 1:1로 피드백해주고,
코드에 대한 리뷰까지 꼼꼼하게 챙겨주는 강의라면 YES!

배운 이론을 직접 실습해보며, 코드를 어떻게 짜야하는지 생각하고 실행하는 강의를 경험하세요.
학습한 내용을 잘 이해했는지 즉시 확인해볼 수 있는 프로젝트로 당신의 실무 역량까지 책임져드립니다.

수강생 평점 10점 만점에 9.5점!

★★★★★

잠깐! 수강생 체크리스트🖐🏻

커리큘럼

✅ 4Step으로 진행되는 9주 커리큘럼!

Part 1. 최적화 이론에 필요한 기초적인 선형대수와 미분

1회차. 수업을 위한 Python 환경 Setting 및
기초 선형대수/미분

수업에 사용할 Python Package 개발환경을 Setting하고, 아래의 package들을 설치하고 사용방법을 소개합니다. 그리고, 수업에 필요한 기초적인 선형대수와 미분을 배웁니다.

✅이론
– 고차원 선형대수 기초
– 다변수 함수의 미분(Jacobian Matrix)
– 선형방정식(Ax=b)의 수치 풀이법 소개
– 간단한 최적화 문제 소개

💻실습
– Anaconda
– Jupyter Notebook
– numpy, matplotlib, pandas, scipy, sympy
– scikit-learn, tensorflow
– 행렬/벡터의 곱, 선형방정식 풀이 알고리즘 작성

Part 2. 수치 최적화 알고리즘 이해하기

2회차. 기초적인 수치 최적화 알고리즘 - Steepest Descent method 와 Newton method

최적화 문제를 푸는 가장 중요하고 기초적인 문제인 최급강하법(Steepest Descent Method)의 이론을 배우고 알고리즘을 작성합니다. 또한, 해를 찾는 문제에서 가장 유명한 Newton method를 활용한 최적화 문제의 풀이를 배웁니다.

✅이론
– Convex Function의 소개
– Convex Optimization(컨벡스 최적화) 문제 소개
– Newton’s method를 사용한 컨벡스 최적화 풀이 알고리즘 소개
– scipy.optimize의 값들과 비교

💻실습
– 1차원 – 2차원 최급강하법 알고리즘 작성
– 1차원 – 2차원 Newton’s method알고리즘 작성

3회차. 1차원 이상의 Convex Optiization에서의 수치 최적화 알고리즘 Quasi Newton Method

1차원 이상의 Convex Optimization 문제는 Hessian Matrix가 굉장히 중요한 역할을 합니다. 이러한 Hessian matrix가 어떻게 활용되고, 수치 풀이에서 어떻게 적용되어 실제에 사용되는지 알아보고 알고리즘을 작성해봅니다.

✅이론
– 최적화 이론에서의 Hessian Matrix의 역할 설명
– Gradient Descent와 Newton Method의 장단점 비교
– Stochastic Gradient Descent(SGD) 소개 및 구현 패턴 소개

💻실습
– 1차원 – 2차원 BFGS알고리즘 작성
– 선형 회귀 : Gradient Descent v.s. SGD 비교

4회차. Adaptive Gradient Schemes 이론과 Tensorflow 이해

다변수 다항 함수 최적화 문제 풀이시 가장 효율적인 Conjugate Gradient method와 최적화 문제를 수치적으로 풀 때 Gradient 값을 구하지 않고, 함수값 계산만 사용하는 Nelder-Mead method를 배웁니다. 그리고 2주차부터 4주차까지 배웠던 내용들을 정리하고, 장,단점들을 비교합니다. 또한, Constrained Optimization Problem에 대해 소개하고 scipy.optimize를 사용한 풀이 방법을 공부합니다.

✅이론
– Momentum, Nesterov, Adagrad, RMSProp, Adam 알고리즘 소개
– TensorFlow 시작하기
– RMSprop 알고리즘 소개

💻실습
– Momentum, Adagrad 알고리즘 작성하기
– GD/Momentum/Nesterov/Adagrad/RMSprop/Adam 알고리즘의 성능 비교
– TensorFlow의 기초적인 타입과 연산부터 선형대수, 최적화 문제까지

Part 3. 수치 알고리즘을 활용한 머신러닝 / 딥러닝 알고리즘 이해

5회차. Linear Regression과 Binary Classification

주어진 data에서 scikit-learn, tensorflow를 사용하여 linear regression을 하는 코드를 작성하는 법을 공부하고, 앞 시간에 직접 작성하였던 코드를 이용하여 linear regression을 작성합니다. 또한, 가장 기본적인 선형 모델을 사용한 Classification의 이론과 실습을 병행합니다. 또한, package들의 document에 나오는 수식들을 정리하여 package에 대한 이해도를 높입니다.

✅이론
– Feature와 Linear Model의 이해와 회귀분석
– Binary Classification 문제 소개
– Cross-Entropy와 Maximum Likelihood Estimation 관계

💻실습
– 다양한 Regression과 Linear Model을 TensorFlow로 구현하기
– Binary Classification 문제를 수강생이 직접 작성한 코드로 최적화 알고리즘으로 풀기
– Binary Classification 문제를 TensorFlow를 사용하여 풀기

6회차. Multi-Label Classification 과 Support Vector Machine.

2가지의 label이 있는 문제가 아닌 3개 이상의 label이 있을 때, Classification문제 구성 방법을 알아봅니다. 또한, 딥러닝이 등장하기 전까지 가장 중요했던 알고리즘인 Support Vector Machine(SVM)을 소개하고 알고리즘을 작성하고 library를 사용한 결과와 비교해봅니다.

✅이론
– Binary Classification과 Multi-Label Classification의 차이 이해
– Support Vector Machine 의미 소개와 최적화 관점에서 수식 설명

💻실습
– Tensorflow를 사용하여 Multi-label Classification 문제 풀이
– scikit-learn으로 Support Vector Machine 구현하기
– 선형모델을 사용하여 Tensorflow로 MNIST 문제 풀기

9회차. Convolutional Neural Network와 Clustering 그리고, Generative Adversarial Network

영상처리 분야에서 많이 사용하는 CNN이 어떤 면에서 편리한지 최적화 문제 관점에서 소개합니다. 또한, tensorflow를 이용하여 GPU 리소스를 사용해 속도향상을 하는 방법을 소개합니다.

✅이론
– 영상처리 분야에서 Filter를 사용한 Convolution의 의미
– 최적화 문제 관점에서 CNN 소개 & GPU 사용법
– K-means & Gaussian Mixture Model 소개
– Generative Adversarial Networks

💻실습
– tensorflow를 이용하여 CNN 코드 작성하기
– K-means 알고리즘을 직접 작성해보기
– Scikit-learn / tensorflow를 사용하여 k-means 알고리즘 작성하기

강의에 대한 전반적인 소개를 한 눈에 보고 싶다면? 교육 과정 소개서를 확인해주세요!
*본 소개서는 회사 제출용으로도 사용 가능합니다.

교육과정 소개서 보러가기 >

9주 후 당신의 변화!

더이상 수학이 어렵게 느껴지지 않도록 이끌어 주실 강사님 소개.

황윤구 강사님

[약력]
- 2007-2011 연세대학교 수학과 학사
- 2011-2012 연세대학교 계산과학공학과 석사
- 2012-2015 삼성메디슨 선임연구원
- 2017-2019 (주) SMCQ 데이터분석팀 팀장
- 2016-현재 연세대학교 계산과학공학과 박사과정

저도 처음 머신러닝/딥러닝을 접했을 때, 관련 정보들을 온라인상에서 쉽게 얻을 수 있다고 생각했습니다. 하지만, 인터넷에 떠도는 강의나 관련자료들은 ‘코드와 패키지 설명은 자세하나, 알고리즘 작동 원리가 소홀한 타입’ 또는, ‘어렵고 지루한 알고리즘 이론 부분에만 치중하고, 정작 코드와 패키지 설명은 하지 않는 타입’으로 구분되더라구요. 본 강의에서는 딥러닝 알고리즘의 수학적 이해와 텐서플로 사용법 모두를 명확하게 전달드리고자 합니다.

강사님 인터뷰 보러 가기

수강후기

이전 기수 수강생들의 생생한 후기를 확인해보세요!

수강생 신정원님

모델을 학습시키기 이전에 데이터를 분석하고, 데이터의 최적화를 하는 방법을 익히기 위해 해당 강의가 큰 도움이 될 거라고 생각했습니다. 실제로 강의를 들으면서 생각하는 폭이 다양해지고 넓어졌습니다. 본인이 학습과 최적화를 위해 사용하고 있는 것들의 원리에 대해 자세하게 알고 싶거나, 딥러닝에 적용하는 TensorFlow를 코드로 직접 구현하고 싶은 현업 실무자 또는 학생들이 들으면 좋을 것 같다고 생각합니다.

인터뷰 보기 >

1기 수강생 이서원님

기존의 머신러닝, 특히 딥러닝 강의가 이론적인 측면보다는 라이브러리 사용법이나 응용에 초점이 맞춰져 있어서 핵심 알고리즘에 내재된 수학적 원리는 다소 등한시하는 경향이 있었습니다. 본 수업에서 이러한 과정을 수행하기 위한 최소한의 수학적 원리 및 적용 방안에 대하여 학습할 수 있었습니다. 뿐만 아니라 이를 반복적으로 훈련함으로써 스스로 체화해 갈 수 있는 점이 좋았습니다.

인터뷰 보기 >

2기 수강생 류원탁님

데이터 분석 공모전을 준비하거나 프로젝트를 진행할 때, 최적화 이론은 필수적이라고 생각합니다. 큰 틀에서 데이터 분석을 어떻게 진행할 것인지, 모델은 어떻게 정할 것인지, learning rate는 어떻게 정할 것인지, 오버피팅은 어떻게 피할 것인지 등 이러한 이슈들을 적절하게 대처하는데 큰 도움이 될 수 있는 강의입니다.

인터뷰 보기 >

이전 수강생들의 한 줄 수강평

4.43
★★★★☆
(지난 기수 수강생 13명 참여)

수강생 C님

실무에서 많이 사용되는 MOMENTUM 계열의 OPTIMIZER 를 실제로 구현해보고 원리와 동작을 이해할 수 있어서 좋았습니다. 모델 구조를 설정할 때 TUNING 포인트를 잡을 수 있는 강의였습니다.

수강생 P님

ADAPTIVE LEARNING RATE METHOD 와 STOCHASTIC DESCENT METHOD 실습은 수강생들이 충분히 원리를 이해할 수 있도록 구성되었고, 문제 해결 과정에서 마주치게 될 프로그래밍 테크닉에 대한 힌트가 적절해서 한 명 한 명 놓치지 않고 실습 과제를 완수할 수 있었던 점이 좋았습니다.

수강생 M님

머신러닝/딥러닝 옵티마이저의 동작원리와 기본, 텐서플로우로 이어지는 이론과 실습을 익히는데 매우 중요한 강의라고 생각됩니다. 학습을 시작하신지 얼마 안되셨다면, 이 강좌를 추천드립니다.

강의장 안내

유의사항 및 환불규정.

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.

* 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.

환불규정 * 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.

Fast Campus