초격차 패키지 Online.

딥러닝·인공지능

딥러닝·인공지능 기초를 다루는
압도적인 커리큘럼

진짜 딥러닝에 필요로 한 선수 지식부터
최신 딥러닝 알고리즘 실습까지 90시간 커리큘럼
딥러닝의 원리를
이해할 수 있는 강의

딥러닝 프레임워크, 알고리즘의 단순 작동 방식이 아닌 왜 사용해야 하는지를 알 수 있는 인사이트 제공
이해에 그치지 않고
직접 실습까지!

강화학습, 컴퓨터 비전, 자연어 처리, 정형 데이터 4개 분야의 실습과 알고리즘 학습을 한 번에!

기본 정보

· 7개 대주제 (약 94시간 분량)
· 초급 - 실전
· 선수지식 : 없음

강의 특징

· 수강료 1회 결제로 평생 소장
· 부가 학습 자료 제공
· 강사님의 질의응답 제공

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

패스트캠퍼스 데이터사이언스/인공지능 카테고리
누적 수강 1위 달성!
(2018.01 ~ 2022.10 기준)

인공지능, 데이터 사이언스 분야의 국내/외 전문가들과 함께
수강생분들에게 수많은 전문 교육 과정을 제공하였습니다.

초격차 딥러닝/ 인공지능 SIGNATURE는
인공지능 분야에서 그동안 쌓아왔던 모든 노하우를 모두 모아
딥러닝에 필요한 핵심 지식들만 엄선하여 한곳에 담았습니다.

딥러닝 알고리즘의 활용 이유부터 실습까지
한 번에!

👇 강의 미리보기 👇

초호화 강사진

인공지능계의 스타강사 나동빈과 혁펜하임, 강화학습 전문가 팡요랩,
전·현직 유명 대기업·스타트업 강사들의 강좌를 한번에 수강!

한 단계 더 탄탄해진 커리큘럼!

실전 딥러닝 감각을 기르기 위해선,
명확한 동작 원리와 직관적인 해석 방법을 학습하며
실습을 통한 실전 감각을 길러야 합니다.

더욱 더 풍성해진 학습자료 혜택까지!

통계 기초 학습지부터
컴퓨터 비전·자연어 처리·정형 데이터 학습을 위한
실습 코드 템플릿까지 모두 가져가세요~

격이 다른 이 모든 혜택을
강의 하나에 모아서 평생소장

인공지능 현업 인플루언서 나동빈의
딥러닝 · 인공지능 기초 완전 정복

기초 프레임워크부터 실제 현업과
가장 가까운 환경에서 학습합니다.

특히 딥러닝을 공부하면서 고질적으로 어려움을 느끼던
프레임워크 학습 부분에서 많은 변화를 가져왔습니다.

혁펜하임의 직관적인
인공지능 핵심 알고리즘 원리의 이해

어려운 전문 용어를 최소화화고
단순한 알고리즘의 동작 방식 습득에서 벗어나
각 알고리즘의 동작 원리와 사용하는 이유에 대해 배워봅니다.

👇 혁펜하임 강사님 강의 엿보기 👇

알고리즘을 활용하여 목적에 맞는 데이터와
문제 유형별 해결 가능한 노하우 학습

AI 프로젝트에 참여하는 모든 직군에게 필요한 다양한 관점 제공합니다.

복습 문제를 통해 본인의 상황을 파악하여 효율적인 학습을 지원합니다.

코드 뼈대(Skeleton) 제공을 통해 스스로 코드를 작성해 봅니다.

순차적 코드 작성을 통해 흐름을 이해하고 반복되는 기능을 파악합니다.

Why

이 기술은 왜 나오게 되었나?
What

이 기술은 무엇인가?
How

어떻게 기술을 구현하는가?

여기서 끝나면 진짜 Signature가 아니죠!

Why -> What -> How 스토리텔링 기반의 기술 이해까지 모두 담았습니다!

강화학습의 기초부터 시뮬레이션 학습까지
모두 한 번에!

보통 최신 논문과 이론적인 설명에 치중해있는 기존의 강의들과 다르게
MDP, Dynamic Programming, 벨만 방정식 등 강화학습의 가장 기초 주제들부터
A3C, PPO와 같은 심화 알고리즘까지 한 번에 모두 다룹니다.

Hello, Computer Vision!

Computer Vision을 제대로 활용하기 위한 데이터 구축방법부터 시작하여
현업에서 가장 많이 쓰이고 있는 프로젝트와 최신 트렌드까지 모두 학습합니다!

Point 01

데이터 구축방법부터 Custom 데이터를
최신 모델에 적용하는 실질적인 방법을 학습합니다.

왜 데이터를 구축하는 방법이
컴퓨터 비전 학습에 있어 중요한 역량일까요?

연구 레벨에서는 모델과 Fine-tune 노하우에 따른 근소한 성능차이가 의미를 갖지만,
실제 현업 환경에서는 최신 모델간 유의미한 성능 차이를 내기 쉽지 않기 때문입니다.
그래서 더 중요하게 고려되는 점은 데이터를 얼마나 더 잘 정제했는지가
모델을 얼마나 잘 사용하는지에 대한 기준입니다.

Point 02

현업과 가장 밀접한 프로젝트 실습을 진행합니다.

(기초 이론 설명 + 최신 기술 실습)

최신 2022년 Computer Vision
산업 트렌드에 대한 내용도 같이 짚어봅니다.

2022년 최신 컴퓨터 비전 활용 사업군의
기술 및 트렌드에 대해 소개합니다.

Hello, NLP!

NLP의 핵심이며 기본인 NLU Task부터 한국어의 특징을 고려한
Text Representation, LM 등의 특수성과 일반적인 NLP의 모든 내용을 다룹니다.

패스트캠퍼스의 딥러닝 인공지능 시그니쳐
NLP 강의는 이런 점이 다릅니다.

베이스라인 프로토타입 개발과 포트폴리오 작성에 도움이 되는
방향으로 강의를 진행하여 현업 기반의 사고 능력을 얻을 수 있습니다.

Hello, Tabular Data!

지금까지는 데이터의 Feature 수가 많지 않아 머신러닝으로 충분히 해결 가능했지만,
점점 데이터가 많아지고, 다양한 feature들이 생성됨에 따라
Tabular Data 내 에서도 딥러닝 알고리즘의 필요성이 대두되고 있습니다.

정형 데이터 딥러닝 학습을 위한
3가지 포인트

정형 데이터 딥러닝 학습을 위한
5가지 실습 예제

매 달 딥러닝/인공지능 분야
논문 리뷰 3개 제공

딥러닝 공부에서 빼놓을 수 없는 논문 리뷰, 현직자의 논문 리뷰를 보면서
번역하거나 시간 들이지 말고 논문 학습에 집중하세요.
(논문 리뷰는 12월 30일부터 매달 말일 3개씩 제공됩니다.)

AI Paper : 실무 사례로 배우는 컴퓨터 비전논문 구현과 알고리즘 성능 최적화 with SOTA 모델
안현웅 강사님께서 직접 리뷰합니다.
* 논문 리뷰는 2022년 12월 30일부터 제공되며 2024년 9월 30일까지 제공됩니다.

수업 내용부터 실습까지 잘 모르는 내용이 있으면
디스코드 질의응답 채널에 자유롭게 질문하세요.

현업에서 딥러닝·인공지능 업무에 종사 중이신 강사님께서 직접 답변해드립니다!
(교육 내용 범주 안에서 질의응답, 2022년 11월 21일 ~ 2024년 11월 21일까지 적용)

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

수업 실습 환경

커리큘럼

아래의 모든 강의를 초격차 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!

Part1. 딥러닝을 시작하기 전에

01. 딥러닝을 위한 통계

• 확률 개요
• 확률 변수와 확률 분포
• 데이터 추출(Sampling)
• 결합 확률
• 조건부 확률
• 기댓값(Expectation)
• 평균과 분산
• 공분산(Covariance)
• 상관계수(Correlation Coefficient)
• 최대 가능도 추정(Maximum Likelihood)
• 편향(Bias)
• 점근선
• 평균 제곱 오차

02. 자료 구조

• 배열(Array)
• 연결 리스트(Linked List)
• 스택(Stack)
• 큐(Queue)
• 트리(Tree)
• 그래프(Graph)
• 해시 테이블(Hash Table)

03. 파이썬

• 온라인 개발 환경(Colab과 Repl.it)
• 로컬 개발 환경
• 기본적인 입출력
• 수 자료형
• 문자열 자료형
• 리스트, 튜플 자료형
• 딕셔너리, 집합 자료형
• 참/거짓 자료형
• 조건문
• 반복문
• 파일 입출력
• 함수의 이해와 활용
• 클래스의 이해와 활용
• 모듈의 이해와 활용
• 예외 처리

04. 딥러닝을 위한 프레임워크

• 파이토치(PyTorch) 개요
• 파이토치(PyTorch) 텐서 소개 및 생성 방법
• 파이토치(PyTorch) 텐서의 형변환 및 차원 조작
• 파이토치(PyTorch) 텐서의 연산과 함수
• 파이토치(PyTorch) 자동 미분과 기울기(Gradient)
• PyTorch 단순 뉴런부터 깊은 모델 만들기
• PyTorch 날씨 이미지 분류 모델
• PyTorch 사람 얼굴 이미지 나이 예측 모델
• 텐서플로우(Tensorflow) 개요
• 텐서플로우(Tensorflow) 텐서 소개 및 생성 방법
• 텐서플로우(Tensorflow) 텐서의 형변환 및 차원 조작
• 텐서플로우(Tensorflow) 텐서의 연산과 함수
• 텐서플로우(Tensorflow) 자동 미분과 기울기(Gradient)
• TensorFlow 단순 뉴런부터 깊은 모델 만들기
• TensorFlow 날씨 이미지 분류 모델
• TensorFlow 사람 얼굴 이미지 나이 예측 모델
• Scikit-learn (사이킷런) 소개
• Scikit-learn - 가상 데이터 생성
• Scikit-learn - 학습 데이터와 테스트 데이터 분할
• Scikit-learn - ROC 커브
• Scikit-learn - 다양한 기계 학습 모델 사용 방법
• Scikit-learn - 의사 결정 트리(Decision Tree)
• Scikit-learn - 랜덤 포레스트(Random Forest)
• Scikit-learn - SVM(Support Vector Machine)
• Scikit-learn - 선형 회귀(Linear Regression)

05. 딥러닝을 위한 기초 수학

• 함수
• 로그 함수
• 벡터와 행렬
• 극한과 입실론-델타 논법
• 미분과 도함수
• 연쇄 법칙
• 편미분과 그라디언트
• 테일러 급수
• 스칼라를 벡터로 미분하는 법
• 왜 gradient는 가장 가파른 방향을 향할까?
• 확률 변수와 확률 분포
• 평균과 분산
• 균등 분포와 정규 분포
• 정보 이론 기초

Part2. 인공지능의 이해 Lv.1 : 인공지능/딥러닝 파헤치기

01. 왜 현재 AI가 가장 핫할까?

• AI vs ML vs DL
• 딥러닝의 활용/ CNN
• 딥러닝의 활용/ RNN
• 딥러닝의 활용/ GAN
• 머신러닝의 분류/ 지도 학습
• 비지도 학습
• 자기지도 학습
• 강화 학습

02. 왜 우리는 인공 신경망을 공부해야 하는가?

• 인공 신경
• 인공 신경망
• 선형 회귀
• Gradient descent (경사 하강법)
• 가중치 초기화
• Stochastic Gradient descent (SGD)
• mini-batch SGD
• Moment vs RMSProp
• Adam
• training vs test vs validation
• K-fold cross validation

03. 딥러닝, 그것이 알고 싶다.

• DNN, 벡터와 행렬로 나타내기
• non-linear activation이 중요한 이유
• 역전파

04. 이진 분류와 다중 분류

• 퍼셉트론을 이용한 이진 분류
• 이진 분류 (1)
• 이진 분류 (2)
• MSE vs log-likelihood
• 인공 신경망은 MLE 기계다!
• 다중 분류 (1)
• 다중 분류 (2)
• Summary

05. 인공 신경망, 그 한계는 어디까지인가?

• Universal Approximation Theorem
• Beautiful Insights for ANN

06. 깊은 인공신경망의 고질적 문제와 해결 방안

• Vanishing Gradient
• Vanishing Gradient 방지/ ReLU
• Vanishing Gradient 방지/ Batch Normalization
• Overfitting 방지/ Data augmentation
• Overfitting 방지/ Dropout, Dropconnect
• Overfitting 방지/ lp-Regularization

07. 왜 CNN이 이미지 데이터에 많이 쓰일까?

• CNN은 어떻게 인간의 사고방식을 흉내낼까?
• CNN은 어떻게 특징을 추출하는가
• 컬러 사진에 대한 컨볼루션
• Padding & Stride & Pooling
• CNN의 feature map 분석
• CNN 논문읽기
• Beautiful Insights for CNN

08. 왜 RNN보다 트랜스포머가 더 좋다는 걸까?

• 연속적인 데이터와 RNN
• RNN의 backpropagation과 구조적 한계
• RNN의 여러 유형과 seq2seq
• Beautiful Insights for RNN
• 강의 마무리

Part3. 인공지능의 이해 Lv.2 : 숲을 보는 인공지능

01. 오리엔테이션 - 인공지능 로드맵

• 인공지능, 꼭 필요한가?
• 인공지능 로드맵

02. Machine Learning 군집 알고리즘

• 군집 알고리즘의 개념 및 활용, 계층적 군집 알고리즘
• 군집 알고리즘 평가 방법의 이해
• K-means
• K-medoids

03. Machine Learning 분류 알고리즘

• 분류 알고리즘의 유형별 특징 정리(Tree 계열의 알고리즘)
• 분류 알고리즘의 유형별 특징 정리(SVM, KNN)
• 데이터 유형별 분류 알고리즘의 평가 방법

04. Machine Learning 회귀 알고리즘

• 선형회귀모델
• 그 밖의 회귀 알고리즘
• 회귀 알고리즘의 평가방법

05. Convolutional Neural Network

• 컴퓨터 비전의 주요 TASK
• CNN의 주요 연산 - Conv
• CNN의 주요 연산 - Pooling
• 입출력 크기 및 메모리 사용량 계산
• VGGNet의 구조 및 특징
• VGGNet의 의의
• Inception의 구조 및 특징
• Inception의 의의
• ResNet 구조의 특징
• ResNet의 의의
• CNN의 성능을 높이기 위해 자주 사용하는 방법들
• 2D conv와 1D conv의 비교

06. Embedding

• 개요 - 텍스트를 숫자로 표현하기 위한 방법
• 개요 - 단어 빈도를 활용한 벡터 표현 방법
• Word2Vec
• Glove, FastText
• Embedding Layer의 개요
• Embedding Layer를 사용한 구현

07. Natural Language Processing

• 자연어 처리 분야의 주요 연구분야
• 텍스트 정제의 이해
• 자연어 처리 단계
• 자연어 전처리에 사용하는 파이썬 주요 패키지
• 카운트 기반 핵심어 분석
• 카운트 기반 핵심어 분석 예시
• 의미 연결망 분석 방법
• 의미 연결망 분석 방법 예시
• 자연어를 이해하기 위한 주요 신경망 : Embedding, Conv1D, RNN
• Seq2Seq
• Attention
• Transformer 그 이후

08. Auto Encoder

• 오토인코더의 개념 및 주요 구성
• 오토인코더 구현 방법
• VAE
• 오토인코더의 활용

09. Generative Adversarial Networks

• GAN의 개념 및 주요 구성
• GAN의 학습 방법
• DCGAN
• GAN의 활용

10. 알고 있으면 쓸모 있는 AI 관련 지식

• Transfer Learning, Meta Learning, Few-shot Learning (1)
• Transfer Learning, Meta Learning, Few-shot Learning (2)
• XAI
• 신경망 성능 개선 방법(신경망 설계 관점)
• 신경망 성능 개선 방법(데이터 관점)
• 시스템 관점의 인공지능 이해

Part4. 인공지능의 이해 Lv.3 : 인공지능의 이해를 바탕으로 한 실습

01. 실습환경 이해하기

• 실습환경 이해하기

02. 제조 데이터의 분류기 실습

• 문제 정의 및 데이터의 이해
• 주요 코드 미리보기
• 실습

03. 자전거 대여량 예측 모델 실습

• 문제 정의 및 데이터의 이해
• 구현을 위한 코드의 이해

04. 군집 모델 실습

• 문제 정의 및 데이터의 이해
• 구현을 위한 코드의 이해

05. 인공신경망을 사용한 분류기 실습

• 인공신경망 코드를 위한 주요 코드의 이해 (1)
• 인공신경망 코드를 위한 주요 코드의 이해 (2)
• 인공신경망을 사용한 분류기 생성

06. 인공신경망을 사용한 분류기 실습 (2)

• 인공신경망 코드를 위한 주요 코드의 이해
• 인공신경망 설계하기
• 인공신경망 학습하기

07. AlexNet을 사용한 이미지 분류기 실습

• 구현을 위한 코드의 이해
• 실습

08. VGGNet을 사용한 이미지 분류기 실습

• 구현을 위한 코드의 이해
• 실습

09. 이미지를 생성하는 오토인코더 실습

•주요 코드 미리보기
• VAE 실습

10. 감정분석 모델 구현을 통한 자연어 처리 실습

• 주요 코드 미리보기 (1)
• 주요 코드 미리보기 (2)
• 감정분석모델 실습

11. 이미지를 생성하는 GAN 실습

• GAN 실습

12. ResNet을 사용한 이미지 분류기 실습

• 모듈 이해하기
• ArgParse 이해하기

Part5. 강화학습

01. Introduction to RL (1) 강화학습 입문하기

• 지도학습과 강화학습
• 순차적 의사결정 문제
• 리워드
• 에이전트와 환경
• Exploitation vs Exploration

02. Introduction to RL (2) Markov Decision Process

• Markov Process
• Markov Reward Process
• Markov Decision Process

03. Introduction to RL (3) 벨만 방정식

• 벨만 기대 방정식 0단계
• 벨만 기대 방정식 1,2단계
• 벨만 최적 방정식 0단계
• 벨만 최적 방정식 1,2단계

04. RL in toy problems (1) MDP를 알 때의 플래닝

• 밸류 평가하기
• Policy Iteration
• Value Iteration

05. RL in toy problems (2) MDP를 모를 때의 밸류 평가

Monte Carlo Learning
T D Learning
MC와 TD 실습
MC vs TD

06. RL into the wild (1) Deep RL 첫 걸음

• 함수를 활용한 근사
• 인공 신경망의 도입
• 파이토치를 활용한 간단 실습

07. RL into the wild (2) Value 기반 에이전트

• 밸류 네트워크의 학습
• 딥 q러닝 이론
• 딥 q러닝 구현 및 실습

08. RL into the wild (3) Policy 기반 에이전트

• Policy Gradient Theorem
• REINFORCE 알고리즘
• REINFORCE 알고리즘 실습
• 액터-크리틱 (1)
• 액터-크리틱 (2)

09. RL into the wild (4) Policy Gradient 심화

• A3C
• A3C 구현
• PPO 이론
• PPO 구현

10. RL into the wild (5) 알파고와 MCTS

• 알파고
• 알파고 제로

Part6.컴퓨터 비전(이론)

01. Introduction

• 강사 소개
• 컴퓨터 비전 소개
• 개발환경 소개

02. 데이터 구축

• 데이터 셋의 중요도
• Annotation
• 데이터 셋 포맷
• CVAT
• Big Data
• 데이터 구축 정리

03. Classfication

• Classification 설명
• CNN 리뷰
• Classification 평가지표
• 기본 CNN 모델 설명
• Classification 데이터셋 설명 및 제작
• Classification 모델 학습 및 평가
• Classification 정리

04. Object Detection

• Object Detection
• 전통적인 Object Detection 방법
• Two-stage 기법 설명
• One-stage 기법 설명
• 최신 모델 설명 (1)
• 최신 모델 설명 (2)
• 최신 모델 설명 (3)
• Object Detection 데이터 셋 설명 및 제작
• Object Detection 모델 학습 및 평가
• Object Detection 정리

05. Segmentation

• Segmentation 설명
• Semantic segmentation 모델 설명
• Instance segmentation 모델 설명
• Panoptic segmentation 모델 설명
• Segmentation 데이터셋 설명 및 제작
• Segmentation 모델 학습 및 평가
• Segmentation 정리

06. Metric Learning

• Metric learning 설명
• Metric learning 목적함수
• Metric learning 학습방법
• Metric learning 알고리즘
• Metric learning 데이터셋 설명, 모델 학습 및 평가
• Metric learning 정리

07. 컴퓨터 비전 기술 트렌드 소개

• Computer Vision Tasks 비교 요약
• Computer Vision Application (1)
• Computer Vision Application (2)
• 다양한 Computer Vision 분야 소개 (1)
• 다양한 Computer Vision 분야 소개 (2)
• 다양한 Computer Vision 분야 소개 (3)
• 다양한 Computer Vision 분야 소개 (4)
• 다양한 Computer Vision 분야 소개 (5)

Part6.컴퓨터 비전(실습)

01. Introduction

• 강사 및 개요 소개
• 개발환경 소개

02. Classification

• 실습 데이터 1 분석
• Classification 패키지 소개
• Classification 모델 설명
• Classification 모델 학습 및 평가
• 실습 데이터 2 분석
• Classification 모델 설명
• Classification 모델 학습 및 평가

03. Object Detection

• 실습 데이터 3 분석
• Object Detection 패키지 소개
• Object Detection 모델 설명
• Object Detection 모델 학습 및 평가
• 실습 데이터 4 분석
• Object Detection 모델 설명
• Object Detection 모델 학습 및 평가

04. Instance Segmentation

• 실습 데이터 5 분석
• Instance Segmentation 모델 설명
• Instance Segmentation 모델 학습 및 평가

05. Image Retrieval

•실습 데이터 6 분석
• Image Retrieval 모델 설명
• Image Retrieval 모델 학습 및 평가
•실습 데이터 7 분석
•Image Retrieval 모델 설명
•Image Retrieval 모델 학습 및 평가
• Search 패키지 소개

Part7.자연어 처리

01. Introduction to NLP

• 자연어 처리 개요
• 자연어 처리 학습 목표
• 실습 환경 및 필요 라이브러리 소개
• 한국어 자연어 처리의 특징

02. 딥러닝 NLP 기초 (1) 데이터 전처리

• 토큰화
• 정수 인코딩
• 패딩

03. 딥러닝 NLP 기초 (2) 텍스트의 표현 방식

• 텍스트의 벡터화
• 카운트 기반의 벡터화
• 신경망 기반의 벡터화

04. 딥러닝 NLP 기초 (3) NLP를 위한 신경망

• 다층 퍼셉트론
• 워드 임베딩 소개
• 워드 임베딩 실습
• RNN, LSTM, GRU
• seq2seq
• 어텐션 메커니즘
• Transformer 인코더
• Transformer 디코더

05. 딥러닝 NLP Task

• 자연어 처리 태스크 소개
• 텍스트 분류 문제
• 시퀀스 레이블링 문제
• 텍스트 생성 문제

06. 언어 모델링

• 사전 학습 언어 모델 소개
• RNN 언어 모델
• BERT
• GPT
• BART
• T5

07. PLM을 이용한 프로젝트 실습 (1) 허깅페이스

• 현업에서의 프로젝트 방향성
• 허깅페이스 소개
• 허깅페이스를 이용한 토큰화
• 허깅페이스를 이용한 학습
• 허깅페이스의 파이프라인

08. PLM을 이용한 프로젝트 실습 (2) 한국어 금융 뉴스 이진 분류

• 데이터 전처리
• 모델링과 예측

09. PLM을 이용한 프로젝트 실습 (3) KorNLI 다중 클래스 분류

• 데이터 전처리
• 모델링과 예측

10. PLM을 이용한 프로젝트 실습 (4) - 혐오 발언 다중 레이블 분류

• 데이터 전처리
• 모델링과 예측

11. 자연어 처리 트렌드

• 대형 모델의 강세
• Large Dataset, Big model, Zero-shot Learning
• Multi-modal model, Efficient Training, Multilingual Model, Multi-task model

Part8. 정형 데이터

01. MLP 활용 회귀 - 데이터 직군 연봉 예측

• 문제상황 및 데이터 살펴보기
• 문제 해결 프로세스 정의
• Data 전처리 및 EDA
• 가설 수립 및 검증 (1)
• 가설 수립 및 검증 (2)
• MLP 활용 연봉 예측 (1)
• MLP 활용 연봉 예측 (2)

02. MLP 활용 분류 - 정상, 피싱 사이트 분류

• 문제상황 및 데이터 살펴보기
• 문제 해결 프로세스 정의
• Data 전처리 및 EDA
• 가설 수립 및 검증 (1)
• 가설 수립 및 검증 (2)
• MLP 활용 피싱 사이트 예측 (1)
• MLP 활용 피싱 사이트 예측 (2)

03. TabNet 활용 회귀 - 부동산 가격 예측

• 문제상황 및 데이터 살펴보기
• 문제 해결 프로세스 정의
• Data 전처리 및 EDA
• 가설 수립 및 검증 (1)
• 가설 수립 및 검증 (2)
• TabNet 활용 소득 예측 (1)
• TabNet 활용 소득 예측 (2)

04. TabNet 활용 분류 - 데이터 직군 이직 예측

• 문제상황 및 데이터 살펴보기
• 문제 해결 프로세스 정의
• Data 전처리 및 EDA
• 가설 수립 및 검증 (1)
• 가설 수립 및 검증 (2)
• TabNet 활용 이직 예측 (1)
• TabNet 활용 이직 예측 (2)

05. AutoEncoder 활용 이상 탐지 - 심장 질병 이상 환자 예측

• 문제상황 및 데이터 살펴보기
• 문제 해결 프로세스 정의
• Data 전처리 및 EDA
• 가설 수립 및 검증 (1)
• 가설 수립 및 검증 (2)
• AutoEncoder 활용 이상 진단 (1)
• AutoEncoder 활용 이상 진단 (2)

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

이 강의도 추천해요.

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

– 총 학습기간 :
정상 수강기간(유료 수강기간) 최초 3개월(90일), 무료 수강 기간은 91일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
본 패키지는 약 94시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일 :
수강 시작일은 결제일로부터 기간이 산정됩니다. (사전 예약 강의의 경우 1차 강의 오픈일) 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는해당 일정 만큼 수강 시작일이 연기됩니다.
* 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.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강 시 정상 수강기간(유료 수강기간) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
환불요청일 시 기준
: 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

root layout

초격차 패키지 : 딥러닝·인공지능 Signature