| [ 수학으로 다지는 기초 ] |
| 1차시 |
|
| 2차시 |
|
| 3차시 |
|
| [ 딥러닝 기반 매커니즘 ] |
| 4차시 |
|
| 5차시 |
- Multi-layer Perceptron과 Neural Network
|
| 6차시 |
- 딥러닝 기반 Forward Propagation 이해 및 MNIST 분류 예제
|
| 7차시 |
- Softmax Classifier와 Logistic Regression
|
| 8차시 |
- Backpropagation 수학적 원리와 단계별 이해
|
| 9차시 |
- Linear Layer 및 Softmax/Logistic Regression 역전파 이해
|
| [ 파이토치로 이해하는 딥러닝 모델과 연산 ] |
| 10차시 |
|
| 11차시 |
|
| 12차시 |
- Forward, Backward Propagation, Autograd
|
| [ 딥러닝 모델의 성능 개선과 평가 ] |
| 13차시 |
- Gradient Descent와 최적화 기법 심화 (Momentum, AdaGrad, RMSProp, Adam)
|
| 14차시 |
- 활성화 함수와 배치 정규화(Activation & Batch Normalization) 이해
|
| 15차시 |
- Dropout과 데이터 증강(Data Augmentation) 기법 이해
|
| 16차시 |
- 딥러닝 모델 성능 평가: 이진 및 다중 클래스 분류
|
| [ 딥러닝 주요 모델 원리 ] |
| 17차시 |
|
| 18차시 |
- Stacking Convolution Layers
|
| 19차시 |
|
| 20차시 |
|
| 21차시 |
- 딥러닝 시퀀스 모델: Language Modeling 및 Seq2Seq with Attention
|
| 22차시 |
- Transformer 모델 (1) Self-Attention 1
|
| 23차시 |
- Transformer 모델 (1) Self-Attention 2
|
| 24차시 |
- Transformer 모델 (2) 기타 구성 요소
|
| [ 이미지 처리를 위한 딥러닝 모델 ] |
| 25차시 |
|
| 26차시 |
|
| 27차시 |
- Two-stage Object Detection
|
| [ 딥러닝 모델로 자연어 다루기 ] |
| 28차시 |
- 자연어 처리(NLP) 기초: Tokenization과 Word Embedding
|
| 29차시 |
- Self-Supervised 사전학습 모델 이해: BERT와 GPT
|
| 30차시 |
|
| 31차시 |
- Evaluation for Text Generation
|
| [ 시계열 데이터의 예측부터 이상탐지까지 ] |
| 32차시 |
|
| 33차시 |
|
| 34차시 |
|
| [ LLM의 원리부터 활용법까지 ] |
| 35차시 |
|
| 36차시 |
- 거대언어모델(LLM) Alignment Tuning 기법 이해
|
| 37차시 |
- 거대언어모델(LLM) Prompt Engineering 기법 이해 (1)
|
| 38차시 |
- 거대언어모델(LLM) Prompt Engineering 기법 이해 (2)
|
