수학적으로 접근하는 딥러닝 올인원 패키지 Online.

"수학 없이는 딥러닝도 없다"

딥러닝을 의미있게 활용하기 위해서 선형대수, 통계, 미분&적분 지식은 필수입니다.

딥러닝을 하는데 왜 수학을 배워야 하나요?

공개된 라이브러리로 딥러닝을 경험할 수는 있지만.
실제로 응용하기엔 한계가 있습니다.

수학은 데이터 사이언스 학문의 초석이 됩니다.

• 컴퓨터 비전 (Computer Vision)
• 딥러닝 (Deep Learning)
• 자연어 처리 (NLP)
• 머신러닝 (Machine Learning)
• 인공지능 (AI)

딥러닝 학습에서 빠질 수 없는 요소 중 하나가 바로 수학일 것입니다. 아마 딥러닝에 관심을 가지고 관련 강의 혹은 책을 본 적이 있다면 아시겠지만, 기본적인 수학 지식으로는 이해하기 어려운 부분이 많습니다. 대학교에서 수학을 깊이 공부하지 않은 비전공자, 공대, 자연과학부에서 수학을 공부한 사람조차 높은 수학 지식을 필요로 하는 딥러닝 학습에 당황하기도 합니다.

블랙박스의 이해와 알고리즘 응용, 바로 수학에서 출발합니다.

'설명 가능한 인공지능' 에 대한 사회적 요구가 커지고 있는 요즘, 응용에 따라 최적화된 심층 신경망구조를 디자인 하는 것이 중요해지고 있습니다. 또한 최근에는 더 빠르게 딥러닝을 구현하는 방법과 학습 정확도를 높이는 방법을 연구 중입니다. 인공지능이라는 기술을 처음 접하는 사람에게는 딥러닝의 개념부터 낯설 수 있습니다. 따라서 이 강의는 딥러닝의 흐름을 먼저 파악하면서 시작하고 블랙박스에서 어떤 일들이 벌어지고 있는지 함께 이해해보는 과정이 필요합니다. 그래서 이 강의는 필수적인 수식과 프로그래밍 지식을 바탕으로 실제 논문과도 비교하며 알려드리려고 합니다.

단계별로 각기 다른 수학을 필요로 하는 딥러닝 1, 데이터 연산.

딥러닝에서 다루는 데이터인 텐서를 연산하기 위해서는 행렬에 대한 학습이 필요합니다. 텐서 플로우 또한 이 행렬을 기반으로 하기 때문에, 행렬의 기본적인 개념이 없다면 딥러닝을 이해하기 어렵습니다.

단계별로 각기 다른 수학을 필요로 하는 딥러닝 2, 모델 트레이닝.

딥러닝 기반의 프로그램을 본격적으로 사용하려면 주어진 상황에 따라 파라미터를 어떻게 조정해야 하는지 알아야 합니다. 우리가 알고 있는 수학 지식 중에 미분&적분이 바로 파라미터 값을 보정할 때 사용됩니다. 가장 흔하게 사용되는 Gradient Descent를 예로 들자면, 오차가 최소가 되는 w값을 찾기 위해 미분을 통해 구한 Gradient값에 따라 w값을 변화시킬 수 있습니다.

딱, 이런 고민을 하고 있었다면?

수학적으로 접근하는 딥러닝 강의가 제격!

딥러닝을 '이용'하는 것이 아닌 '이해'해본다면 가능합니다.
'수학적으로 접근하는 딥러닝' 강의가 도와드리겠습니다.

수강생 만족도 최상

100% 생생한 수강생 후기

단계별로 차근차근 마스터하는 딥러닝 수학

이론부터 딥러닝 현업자들에게 듣는 실제 인터뷰까지!

원리를 파악하기 위해 필수적인
수식을 학습하여 알고리즘 원리 파악을
위한 기초를 만들어 드립니다.

실습 강의, 이론 강의, 실습 과제, 이론 과제로 나누어진 학습을 직접 수행하며 이론 뿐만 아니라 실습까지 밀착 학습할 수 있습니다.

이론+논문을 통해 학습하는 방식으로 강의 이해도를 높이고 실제 데이터 전문가들의 생생한 현업 인터뷰까지 들을 수 있습니다.

이런 분들에게 추천합니다.

누구에게 최적의 학습 효과를 낼 수 있는 강의일까요?

대학원 준비생

딥러닝 (혹은 머신러닝) 관련 전공 진학을 준비중인 사람

데이터 사이언티스트 지망자

실제 응용성보단 블랙박스로만 취급해 기본적인 원리에 대해서만 아는 사람

딥러닝 주니어 엔지니어

블랙박스 수준을 넘어서 CNN, AlexNet, LeNet 대해 미래에 알아야 하는 사람

수학 전공자

수학 영역을 데이터 영역과 접목시켜 커리어 영역을 넓히고 싶은 사람

강의 및 과제(실제 학습) 예시

실제 학습은 실습 강의, 이론 강의, 실습 과제, 이론 과제로 나뉩니다.

① 실습 강의 예시

1) 실습 강의 포인트

✔ 실제 원리의 이해
✔ 연산에 대한 이해
✔ 조건별 딥러닝 학습 영향 파악

2) 실습 강의 설명

이론적으로 배운 내용을 NumPy를 통해 구현하여 실제 학습이 일어나는 원리를 이해합니다. 모든 연산을 직접 구현하기 때문에 딥러닝에서 일어나는 연산들을 모두 이해할 수 있습니다. 또한 다양한 예시들을 통하여 학습 조건들을 바꿔가며 다양한 학습 조건들이 딥러닝 학습에 미치는 영향을 스스로 분석할 수 있게 도와줍니다.

•

② 이론 강의 예시

1) 이론 강의 포인트

✔ 아웃풋을 한 눈에
✔ 딥러닝의 학습 개념 및 작동 원리 파악
✔ 딥러닝 모델의 학습성능 비교 및 평가

2) 이론 강의 설명

수학적인 분석으로 통해 딥러닝의 학습원리와 핵심개념들을 이해합니다. 이를 통해 수강생들은 딥러닝을 해석할 수 없는 black box에서 data에 따른 자신의 딥러닝 모델의 학습결과를 예측할 수 있고, 더 나아가 개선방향을 생각할 수 있는 transparent box로 이해할 수 있게 됩니다. 또한 학습 과정에서 발생할 수 있는 문제점들을 수학적으로 분석하고 이를 예방하는 방법들을 분석적으로 이해할 수 있게됩니다.

•

③ 실습 과제 예시

1) 실습 과제 포인트

✔ 문제의 단계별 구현
✔ 이론 강의와 이론 과제 학습 내용을 구현
✔ 딥러닝의 작동원리 파악

2) 실습 과제 설명

실습과제는 cell단위의 코드실행이 가능한 jupyter notebook을 이용하여 출제합니다. 이 특징을 통해 각 문제들은 단계별로 구현이 가능하며 expected output을 첨부하여 각 단계마다 제대로 과제를 진행하고 있는지에 대한 milestone을 제공합니다. 이론강의와 이론과제를 통해 학습한 수학적 내용을 프로그램으로 구현하여 실제 딥러닝의 핵심개념, 작동원리, data에 따른 딥러닝 모델의 학습성능을 비교평가할 수 있습니다.

•

④ 이론 과제 예시

1) 이론 과제 포인트

✔ Artificial Neuron 완벽 이해
✔ 70회 이상의 이론 과제
✔ 딥러닝 핵심 개념 + 수학적 백그라운드의 이해

2) 이론 과제 설명

이론강의에서 다룬 내용을 스스로 복습하고 정리할 수 있도록 연습문제를 제공합니다. 이론과제를 통해 수강생들은 실제 딥러닝의 핵심 개념들과 수학적 background를 확실히 이해할 수 있습니다. 본 강의의 최종목표인 artificial neuron의 완벽한 이해를 위해 핵심내용들에 대한 70회 이상의 이론과제를 제공합니다. 모든 이론과제는 강사가 직접 제작하는 답안지를 제공하며 아래의 예시 또한 이론 과제 중 하나입니다.

강의자료를 미리 보여드려요.

강의 자료 미리보기를 통하여 실제 강의 내용을 확인해보세요!

수학적으로 접근하는 딥러닝 미리보기 영상 1

수학적으로 접근하는 딥러닝 미리보기 영상 2

수학적으로 접근해 보는 딥러닝, 수강 목표.

딥러닝을 의미있게 활용하기 위해선 수학이 필수니까요.

강의 완강 후, 알게 될 모든 것!

01. 딥러닝 개념 타파
딥러닝에 대한 개념을 복습하며 수학이 활용되는 지점을 알아봅니다.
02. Linear/Logistic/Polynomial Regression의 이해
딥러닝의 핵심 신경망으로서 ANN을 이해하기 위해 필요한 요소를 이해합니다.
03. 선형 회귀 및 로지스틱 회귀에 대한 이해
Linear Regression과 Logistic Regression을 다루어 연관있는 수학까지 마스터해봅니다.
04. Artificial Neuron의 완벽한 이해
Artificial Neuron의 완벽한 이해를 위해 핵심내용들에 대한
70회 이상의 이론과제를 수행해보고 내 것으로 만들어 봅니다.

우리의 딥러닝 수학 강사님을 소개합니다.

딥러닝에 대한 열정과 지식이 넘치는 딥러닝 수학 강사님을 소개합니다.

신경식 강사님

기본은 쉬워서 기본이라 불리는 것이 아니라 중요해서 기본이라고 불립니다. 모든 수강생들이 이 강의를 통해 딥러닝의 기본기를 확실히 다지고, 세계를 선도하는 딥러닝 연구 및 개발자가 되는데 초석을 만들길 바랍니다.

이력

∙ [Youtube] Shin’s Lab 운영(신호처리, 수학, 머신러닝, 딥러닝 강의)
∙ 비전공자를 위한 파이썬 프로그래밍 및 머신러닝 레슨
∙ [커텍츠 재단] 커텍츠 마스터
∙ Edwith 교수자
∙ [광운대학교] 파이썬 및 영상처리 강의

연구 및 개발 참여

∙ Deep Learning for Computer Vision(Generative Model) 연구 및 개발
∙ Deep Learning for Natural Language Processing(Speech Recognition)
∙ 초소형 무인기 전술신호처리 특화연구실 연구원(2017년 1월 ~ )
∙ [ETRI 산학협력] Development of UAV detection technology based on the combination of noise and image signal
∙ Development of the Back-end for Speaker-dependent Smart Speaker

패스트캠퍼스 수학 강의가 특별한 이유

데이터 사이언스 대표 교육기관, 패스트캠퍼스!

#이론강의 #이론과제 #실습과제
실제로 구현하고 시각적으로 증명하는 딥러닝 이론들

AlexNet, LeNet / CNN에 쓰이는 행렬과 미분 방정식, 딥러닝의 기본요소인 Artificial Neuron에 대한 심층적인 학습을 통하여 딥러닝의 전반적인 이해도를 높이며 Artificial Neuron 안에 이루어져있는 Linear Regression과 Logistic Regression을 다루어 연관있는 수학을 배웁니다.

70개 이상의 이론 과제를 해결하며 실제 딥러닝의 핵심 개념들과 수학적 Background를 확실히 이해할 수 있습니다.

#선형회귀모델 #로지스틱회귀모델 #행렬
불필요한 학습 범위를 제거하여 효율적으로 공부하는 딥러닝 수학

모든 것을 배우기엔 턱없이 부족한 시간.
수학 주제 또한 알아야 할 부분만 골라서 배워 불필요한 시간과 노력을 덜어드립니다.

a. 함수, 벡터, 다변수함수, 확률에 대한 기초 이론 X
b. 선형 회귀 모델, 로지스틱 회귀 모델의 함수, 벡터, 행렬 등등 O

#논문 #이론타파 #심화까지
논문을 통해 한번 더 이해하는 딥러닝 수학

실습 및 이론 과제로 나누어 학습하지만 이것도 부족하다면?
이론 학습 후, 관련 딥러닝 논문을 보고 수학이 어떻게 쓰여졌는지
함께 파악하여 더욱 명쾌한 수학적 이해를 도와드립니다.

#현업 #데이터전문가들 #인터뷰
특별 부록: 현업 데이터 사이언티스트들과의 인터뷰 포함

현업에서만 들려줄 수 있는 데이터 사이언티스트들이 풀어주는 썰, 썰, 썰!
곧 기술 면접을 앞두고 있는 사람들이라면 아주 좋은 무기를 들고 갈 수 있을지도...? ⭐️

질문 예시.

1) 데이터 사이언스는 어떤 일들을 하나요?
2) 기술면접에서 자주 나오는 딥러닝 수학
3) 딥러닝에서 수학이 꼭 필요한 이유
4) 딥러닝 공부 중 오는 슬럼프 탈출법
5) 데이터 사이언티스트로서의 커리어 등

인터넷에서 얻을 수 있는 코드, 정보는 이제 그만!
딥러닝 알고리즘에 담긴 수학적 배경지식과 원리를 이해하고,
반복적으로 공부해야 진짜 내 실력이 됩니다!

딥러닝 수학 강의를 듣고 나면 할 수 있습니다

딱 이론만 알고 가면 된다? NO!
이론부터 실습과 과제, 논문까지 완벽하게!

장착 가능한 주요 스킬셋

✔ 딥러닝 네트워크 ANN / 행렬 미분 방정식
✔ NumPy Matplotlib 활용
✔ 다변수/단변수 선형, 로지스틱 회귀 구현

✅ 1. 딥러닝 네트워크 ANN에 쓰이는 행렬과 미분 방정식을 이해할 수 있습니다.

✅2. 아래와 같은 이론적 분석을 NumPy Matplotlib을 사용하여 시각적으로 증명할 수 있습니다.

✅3. 위 로드맵을 통하여 Artificial Neuron에 대해 완벽히 이해할 수 있습니다.

11월 1일 일요일 자정이 지나면
수강료가 인상됩니다!

10월의 마지막 최대 78% 특가를 놓치지 마세요!

000,000

무이자 12개월 할부

할인 끝나기 전에 신청 GO

수강 선수 지식

수강 전에 미리 알아두면 좋은 지식은 아래와 같습니다.

기초적인 프로그래밍 언어 문법 지식

✔ Python 외 언어 (Java, C++)의 기본 문법을 안다
✔ NumPy, Matplotlib에 대해서 들어본 적 있다.

미적분학 (Calculus), 선형대수 (Linear Algebra), 벡터 미적분학 (Vector Calculus) 등

✔ 선형대수: 행렬 곱셈, 기본 연산
✔ 벡터: Jacobian 기초
✔ 미적분학: 함수, 방정식

•

딥러닝으로 접근하는 수학, 상세 커리큘럼.

이 모든 내용을 '올인원 패키지'로 한 번에 담았습니다.

Part 01. Introduction to Deep Learning

01: Introduction to the Course / 딥러닝에 대한 간단한 소개와 강의 진행방향 설명

02: Forward/Backward Propagation / 딥러닝을 이해하는데 핵심이 되는 Backpropagation에 대한 설명

03: Python Review / 실습에 사용되는 Python syntax 설명

Part 02. Maths for Linear Regression / 선형 회귀 분석

01: Jacobian Matrices / Backpropgation을 수학적으로 계산하기 위한 도구인 Jacobian 설명

02: Jacobians for Element-wise Binary Operators / 딥러닝에서의 Jacobian의 특징인 element-wise binary operation에 대한 설명

03: Vector Chain Rule / Vector chain rule을 이용한 backpropagation 연산 설명

Part 03. Single-variate Linear Regression without Bias Term (SVLR) / 단일 변수 선형 회귀 분석

01: Introduction to Linear Regression / 딥러닝에서 linear regression이 사용되는 이유와 강의 진행방향 설명

02: SVLR without Bias Term for One Sample: Theory / 가장 간단한 model에 대해 forward/backward propagation이 일어나는 과정과 학습이 진행되는 원리 설명

03: SVLR without Bias Term for One Sample: Implementation / 1개의 sample에 대해 basic building node들로 model을 구현하고 학습시키는 과정 구현

04: SVLR without Bias Term for Mini-batch: Theory / Mini-batch에 대해 backpropagation이 일어나는 과정과 평균값에 의해 학습이 진행되는 원리 설명

05: SVLR without Bias Term for Mini-batch: Implementation / Mini-batch에 대해 NumPy의 연산특징을 이용해 학습을 구현하는 과정 설명

06: Batch, Stochastic, Mini-batch Gradient Descent: Theory / Batch size에 따라 딥러닝에서 가장 많이 사용되는 3가지 gradient descent method 설명

07: Batch, Stochastic, Mini-batch Gradient Descent: Implementation / Batch size를 조절하며 model을 학습시키는 구현방법 설명

Part 04. Single-variate Linear Regression (SVLR) / 단변수 선형 회귀

01: Introduction to Single-variate Linear Regression / Bias term이 포함된 single-variate linear regression에 대한 소개와 artificial neuron 사이의 관계 설명

02: SVLR for One Sample: Theory / 1개 sample에 대해 single-variate linear regression에서 학습이 진행되는 원리 설명

03: SVLR for One Sample: Implementation / 1개 sample에 대해 학습을 구현하는 과정 설명

04: SVLR for Mini-batch: Theory / Mini-batch에 대해 학습이 되는 과정에 대한 설명. Bias term이 학습에 미치는 영향 설명

05: SVLR for Mini-batch: Implementation / Mini-batch를 이용하여 model을 학습시키는 구현방법 설명

06: Feature Scaling1 / 학습효과를 저해시키는 data에 대한 설명과 이를 방지하기 위한 pre-processing 방법으로 feature scaling을 설명

07: SVLR: Analysis / Data의 특징에 따라 chapter4의 내용을 바탕으로 학습효과를 비교분석

Part 05. Multi-variate Linear Regression (MVLR) / 다변수 선형 회귀

01: Introduction to Multi-variate Linear Regression / 다변수에서의 linear regression를 소개. 변수가 많아질 때 model 학습에 미칠 수 있는 점들 설명

02: MVLR for One Sample: Theory / 1개 sample에 대해 multi-variate linear regression에서 학습이 진행되는 과정 설명

03: MVLR for One Sample: Implementation / 1개 sample에 대해 model을 학습시키는 구현방법 설명

04: MVLR for Mini-batch: Theory / Mini-batch에 대해 학습이 진행되는 원리 설명

05: MVLR for Mini-batch: Implementation / Mini-batch일 때 model을 학습시키는 과정 구현

06: Feature Scaling2 / 변수들의 차이에 따라 학습이 저해되는 요인을 분석하고 이를 방지하기 위한 변수별 feature scaling 방법 설명

07: MVLR Analysis / 모든 딥러닝에서 사용되는 다변수에 대해 linear regression을 효과적으로 이용하는 방법 설명

Part 06. Polynomial Regression / 다항식 회귀 분석

01: Introduction to Polynomial Regression / 다변수에 대한 polynomial regression을 소개. Multi-variate linear regression에서의 변화점 설명

02: Polynomial Regression: Theory / Polynomial regression의 학습과정을 설명. Feature scaling 관점에서 polynomial regression의 장단점 분석

03: Polynomial Regression: Implementation / Polynomial regression을 이용한 학습구현 방법 설명

04: Overfitting and Regularization / model의 complexity에 따라 생기는 문제점 설명. Overfitting이 생기는 이유 설명. 이를 극복하기 위한 regularization 방법 소개

Part 07. Introduction to Logistic Regression 로지스틱 회귀 분석

01: Introduction to Logistic Regression / Logistic regression에 대한 간단한 소개와 artificial neuron의 관계 설명

02: Activation Functions / Activation function이 필요한 이유와 딥러닝에서 많이 사용되는 activation function 소개

03: Binary Classification with Logistic Regression / logistic regression이 binary classification에 사용되는 원리와 딥러닝의 CNN, RNN등 architecture에서 활용되는 방법 소개

Part 08. Maths for Logistic Regression / 로지스틱 회귀 분석 수학

01: Forward/Backward Propagation of Activation Functions / 7-02에서 소개한 activation function들의 backpropagation 설명과, 이를 통해 각자의 특징 비교

02: KL Divergence and Cross Entropy / 확률 분포들의 유사성을 설명하기 위한 KL divergence 소개. 이 KL divergence가 logistic regression에서 사용되는 원리 설명

03: Binary Cross Entropy Loss and Its Backpropagation / Binary classification을 위한 logistic regression의 loss function으로 binary cross entropy가 사용되는 원리와 backpropagation 과정 설명

04: Optimization of Logistsic Regression / Logistic regression model에 대해 MSE loss, BCE loss를 사용했을 때의 개형을 비교하여 최적의 parameter를 찾아나가는 과정 설명

Part 09. Single-variate Logistic Regression (SVLoR) / 단변수 로지스틱 회귀 분석

01: Introduction to SVLoR / 1개의 변수를 사용하는 logistic regression에 대한 소개. Data에 따라 logistic regression이 반응하는 모습 설명

02: SVLoR for One Sample: Theory / 1개 sample에 대해 logistic regression이 학습되는 원리 설명

03: SVLoR for One Sample: Implementation / 1개 sample에 대해 logistic regression을 학습시키는 구현과정 설명

04: Comparison for Activation Functions / 3가지 Activation function에 대해 학습경향을 비교분석하고 이를 통해 딥러닝 architecture 미치는 영향 분석

05: SVLoR for Mini-batch: Theory / Mini-batch에 대해 logistic regression이 학습되는 과정 설명

06: SVLoR for Mini-batch: Implementation / Mini-batch에 대해 logistic regression을 학습시키는 구현방법 설명

07: Binary Classification with SVLoR / Toy dataset에 대해 실제 binary classification이 일어나는 과정 설명 08: SVLoR Analysis / 다양한 data에 따라 weight, bias가 update되는 과정을 비교분석

Part 10. Multi-variate Logistic Regression (MVLoR) / 다변수 로지스틱 회귀 분석

01: Introduction to MVLoR / 다변수 logistic regression에 대한 소개와 Artificial Neuron 사이의 관계 설명

02: MVLoR for One Sample: Theory / 1개 sample에 대해 학습이 진행되는 원리 설명

03: MVLoR for One Sample: Implementation / 1개 sample에 대해 logistic regression을 학습시키는 구현과정 설명

04: MVLoR for Mini-batch: Theory / Mini-batch에 대해 학습이 진행되는 원리 설명

05: MVLoR for Mini-batch: Implementation / Mini-batch에 대해 logistic regression을 학습시키는 구현과정 설명

06: Binary Classification with MVLoR / 다변수에 대해 logistic regression이 binary

classification에 사용되는 원리 설명 07: MVLoR Analysis / 각 feature들의 특징에 따라 전체적인 학습경향성 설명

Part 11. Artificial Neurons / 인공 신경망

01: Introduction to Artificial Neurons / Artificial neuron이 딥러닝에서 사용되는 과정과 multi-variate logistic regression 사이의 관계 설명

02: Input/Ouput of Artificial Neurons / 딥러닝에서 neuron끼리 연결되어 있기 때문에 서로의 input/ouput이 학습에 미치는 영향 분석

03: XOR Problem / Non-linear한 decision boundary 문제를 해결하기 위해 2개의 layer를 사용한 XOR problem 소개

04: Multi-layer Perceptron / 3개의 neuron들에 대해 forward/backward propagation이 일어나는 원리와 non-linear한 decision boundary를 만들어내는 원리 설명

05: Complex Functions with Artificial Neurons / n개의 neuron들이 만들어낼 수 있는 복잡한 decision boundary에 대해 설명

06: MNIST Classifier with Artificial Neurons / Input/hidden/output layer를 만들었을 때, 사람의 손글씨를 인식하는 non-linear function이 학습되는 원리 설명

상세 커리큘럼 다운 받기

패스트캠퍼스 딥러닝 수학 강의를 꼭 들어야 하는 이유.

가성비부터 커리큘럼까지, 확실하게 챙겨가세요!

결제 후, 언제 어디서나 하루 10분 공부 시작.

온라인으로 내가 원하는 강의를 효과적으로 공부해보세요.

걸음마부터.
딥러닝이 처음인 분들도 단계별로 학습하여 원하는 수준까지 도달할 수 있도록 체계적으로 짜여진 커리큘럼입니다.

실무 활용도 100%.
낮이나 새벽이나 내가 원하는 시간대에 나의 스케쥴대로 수강하세요.
다른 사람의 속도에 맞출 필요 없이 눈높이에 맞게 학습 진도를 계획하세요.

원하는 장소 어디서나.
원하는 장소에서 원하는 시간에 공부해보세요.
내가 마음먹은 곳 어디든 나만의 강의장이 됩니다.

무제한으로 반복 학습.
이해가 잘 되지 않는 내용도 몇 번이고 반복 재생하여 학습할 수 있습니다.

11월 1일 일요일 자정이 지나면
수강료가 인상됩니다!

10월의 마지막 최대 78% 특가를 놓치지 마세요!

000,000

무이자 12개월 할부

할인 끝나기 전에 신청 GO

수학적으로 접근하는 딥러닝 올인원 패키지, 압도적인 가성비로 승부합니다.

실무교육기관 패스트캠퍼스에서 고퀄리티 강의를 들어보세요.

믿고 배울 수 있는 패스트캠퍼스!

여러분의 실무 스킬 성장을 책임집니다.

실무 교육 분야를 선도하다.
패스트캠퍼스는 2014년부터 현재까지 실무에 꼭 필요한 내용만 강의하고 있습니다.

오프라인의 노하우를 온라인으로 담았다.
오프라인 강의로 쌓은 모든 노하우를 담아서 2018년에 첫 온라인 강의를 만들었습니다.

많은 분들과 성장한 온라인 강의.
예비 직장인부터 단체 수강까지 많은 분들이 자신의 성장을 위해 투자하고 있습니다.

최신 트렌드를 반영한 올인원 패키지.
입문자부터 실무에 필요한 스킬셋까지 꼼꼼하게 채워줄 수 있도록 현직자들의 실무 노하우를 온라인으로 담았습니다.
다양한 강의를 통해 내 실력을 쌓아보세요.

인생을 바꾸는 교육, 패스트캠퍼스

Life Changing Education, FAST CAMPUS

[ 주의사항 및 환불규정 ]

* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다. (단, 사전 예약 판매의 경우, 1차 오픈시 개별적으로 수강 안내를 드립니다.)
* 해당 강의는 사전 예약 판매 상품으로, 강의 영상이 순차적으로 업데이트될 예정입니다.
1차 강의 영상은 6월 29일, 2차 강의 영상은 7월 20일에 공개될 예정입니다. 수강에 참고 부탁드립니다.

– 총 학습기간
정상 수강기간(유료 수강기간) 최초 1개월(30일), 무료 수강 기간은 31일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 100시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
~ 30시간 : 최초 1개월 (30일), 무료 수강기간 31일차, 일 1시간 / 31~ 60시간 : 최초 2개월 (60일), 무료 수강기간 61일차, 일 1시간 / 61~시간 : 최초 3개월 (90일), 무료 수강기간 91일차, 일 1시간
* 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인이벤트 적용 불가 합니다.
– 콘텐츠는 향후 당사의 일정에 따라 추가 또는 업데이트 될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 수강시작 후 7일 미만, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이상, 5강 이상 수강 시 수강기간인 1개월 (30일) 대비 잔여일에 대해 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수강시작 후 7일 초과, 10일 이하 경과 시, 실 결제금액의 2/3에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 11일 초과, 15일 이하 경과 시, 실 결제금액의 1/2에 해당하는 금액을 환불
: 환불요청일시 기준 수강시작 후 15일 초과 시, 환불금액 없음

※ 패스트캠퍼스 아이디 공유 금지 정책 안내 ※

아이디 공유란?
1개의 아이디로 여러명이 공유하여 수강하는 형태를 말합니다. 패스트캠퍼스의 모든 온라인 강의에서는 아이디 공유를 금지하고 있습니다.
동시접속에 대한 기록이 내부 시스템을 통해 자동으로 누적되며, 동시 접속 기록이 10회 이상 확인되는 경우 사전 안내없이 아이디가 차단될 수 있습니다.