파이썬을 이용한 딥러닝과 NLP
상세 강의 내용
[1일차]
- 인공지능, 기계학습, 딥러닝 개관 (3H)
- 기계학습 원리 (1H)
- 기계학습 모델 평가 (1H)
- 기계학습 최적화 (1H)
- 선형 회귀, 로지스틱 회귀, 소프트맥스 회귀 (1H)
- scikit-learn을 활용한 회귀 실습 (1H)
[2일차]
- 텐서플로를 이용한 경사 기반 학습, 회귀 실습 (1H)
- 텐서플로 소개 (1H)
- 인공신경망, 단층 퍼셉트론 (1H)
- 다층 퍼셉트론, 동등성 정리, 범용 근사 정리 (2H)
- 딥러닝, 딥 피드 포워드 네트워크 (1H)
- 딥러닝 모델 평가 및 최적화 (2H)
[3일차]
- CNN (1H)
- 실시간 객체 검출 - YOLO (1H)
- 객체 세그먼테이션 (1H)
- RNN (2H)
- Autoencoder (1H)
- GAN (2H)
[4일차]
- 강화학습 (2H)
- OpenAI Gym을 활용한 강화학습 실습 (2H)
- 심층강화학습 이론 (1H)
- 텐서플로를 활용한 Deep-Q-Network 실습 (1H)
- policy gradient (1H)
- A3C (1H)
[5일차]
- 자연처 처리 개관 (1H)
- 문장 및 언어의 기본 구조 (영어와 한글) (1H)
- NLTK (1H)
- 토큰화, 정규화 (0.5H)
- 지프의 법칙, 유사척도 (0.5H)
- n-gram 모델 (0.5H)
- MLE 모델 (0.5H)
- 코퍼스, 스테밍 (1H)
- 형태소 분석 (1H)
- 한국어 형태소 분석기 KoNLPy, 품사 태깅 (1H)
[6일차]
- 딥자연처리 (1H)
- 워드 임베딩, Word2Vec (1H)
- Glove (1H)
- 워드 윈도우 분류 (1H)
- dependency parsing (1H)
- RNN과 언어 모델 (1H)
- 문장 모델링을 위한 CNN (1H)
- Tree Recursive Neural Networks과 Constituency Parsing (1H)
관련 문서
Plugin Backlinks: 아무 것도 없습니다.