| Part1. 카인사이드아웃 - (1) 수학으로 다지는 기초 |
| 1차시 |
- [수학으로 다지는 기초] 단변수 함수의 미분과 근사
|
| 2차시 |
|
| 3차시 |
|
| 4차시 |
|
| 5차시 |
|
| 6차시 |
- [수학으로 다지는 기초] 정보와 Entropy
|
| 7차시 |
- [수학으로 다지는 기초] 다변수 확률 변수의 Entropy
|
| 8차시 |
- [수학으로 다지는 기초] Mutual Information, Cross entropy, KL Divergence
|
| (2) 딥러닝 기반 메커니즘 |
| 9차시 |
- [딥러닝 기반 메커니즘] Deep Learning Intro
|
| 10차시 |
- [딥러닝 기반 메커니즘] Perceptron의 이해
|
| 11차시 |
- [딥러닝 기반 메커니즘] Multi-layer Perceptron과 Neural Network
|
| 12차시 |
- [딥러닝 기반 메커니즘] Forward Propagation
|
| 13차시 |
- [딥러닝 기반 메커니즘] Forward Propagation 예시 MNIST Classification Model
|
| 14차시 |
- [딥러닝 기반 메커니즘] Softmax Classifier와 Logistic Regression
|
| 15차시 |
- [딥러닝 기반 메커니즘] Backpropagation을 위한 수학적 배경 지식
|
| 16차시 |
- [딥러닝 기반 메커니즘] Backpropagation 1
|
| 17차시 |
- [딥러닝 기반 메커니즘] Backpropagation 2
|
| 18차시 |
- [딥러닝 기반 메커니즘] Linear Layer의 Backpropagation
|
| 19차시 |
- [딥러닝 기반 메커니즘] Softmax Classifier 및 Logistic Regression의 Backpropagation
|
| (3) 파이토치로 이해하는 딥러닝 모델과 연산 |
| 20차시 |
- [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Intro
|
| 21차시 |
- [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Tensor Operation 1
|
| 22차시 |
- [파이토치로 이해하는 딥러닝 모델과 연산] Pytorch Tensor Operation 2
|
| 23차시 |
- [파이토치로 이해하는 딥러닝 모델과 연산] Forward, Backward Propagation, Autograd
|
| (4) 딥러닝 모델의 성능 개선과 평가 |
| 24차시 |
- [딥러닝 모델의 성능 개선과 평가] Gradient Descent와 Learning Rate
|
| 25차시 |
- [딥러닝 모델의 성능 개선과 평가] 변형된 Gradient Descent 방법들 (1) Momentum
|
| 26차시 |
- [딥러닝 모델의 성능 개선과 평가] 변형된 Gradient Descent 방법들 (2) AdaGrad, RMSProp, Adam
|
| 27차시 |
- [딥러닝 모델의 성능 개선과 평가] Activation Function
|
| 28차시 |
- [딥러닝 모델의 성능 개선과 평가] Batch Normalization
|
| 29차시 |
- [딥러닝 모델의 성능 개선과 평가] Dropout
|
| 30차시 |
- [딥러닝 모델의 성능 개선과 평가] Data Augmentation
|
| 31차시 |
- [딥러닝 모델의 성능 개선과 평가] Binary Classification Model의 평가
|
| 32차시 |
- [딥러닝 모델의 성능 개선과 평가] Multi-Class Classification Model의 평가
|
| (5) 딥러닝 주요 모델 원리 |
| 33차시 |
- [딥러닝 주요 모델 원리] Convolution 연산
|
| 34차시 |
- [딥러닝 주요 모델 원리] Stacking Convolution Layers
|
| 35차시 |
- [딥러닝 주요 모델 원리] Convolutional Neural Network
|
| 36차시 |
|
| 37차시 |
- [딥러닝 주요 모델 원리] Language Modeling
|
| 38차시 |
- [딥러닝 주요 모델 원리] Seq2seq with Attention
|
| 39차시 |
- [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 1
|
| 40차시 |
- [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 2
|
| 41차시 |
- [딥러닝 주요 모델 원리] Transformer 모델 (2) 기타 구성 요소 1
|
| 42차시 |
- [딥러닝 주요 모델 원리] Transformer 모델 (2) 기타 구성 요소 2
|
| (6) 이미지 처리를 위한 딥러닝 모델 |
| 43차시 |
- [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 1
|
| 44차시 |
- [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 2
|
| 45차시 |
- [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 3
|
| 46차시 |
- [이미지 처리를 위한 딥러닝 모델] Two-stage Object Detection
|
| 47차시 |
- [이미지 처리를 위한 딥러닝 모델] Object Detection의 평가 방법
|
| 48차시 |
- [이미지 처리를 위한 딥러닝 모델] Single-Stage Object Detection
|
| (7) 딥러닝 모델로 자연어 다루기 |
| 49차시 |
- [딥러닝 모델로 자연어 다루기] Tokenization
|
| 50차시 |
- [딥러닝 모델로 자연어 다루기] Word Embedding
|
| 51차시 |
- [딥러닝 모델로 자연어 다루기] Self-Supervised Pretrained Model 1 BERT
|
| 52차시 |
- [딥러닝 모델로 자연어 다루기] Self-Supervised Pretrained Model 2 Generative Pretrained Transformer (GPT)
|
| 53차시 |
- [딥러닝 모델로 자연어 다루기] Decoding을 통한 자연어 생성
|
| 54차시 |
- [딥러닝 모델로 자연어 다루기] Evaluation for Text Generation
|
| (8) 시계열 데이터의 예측부터 이상탐지까지 |
| 55차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 데이터 특성 및 처리 방법
|
| 56차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 분해 기법
|
| 57차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 예측 모델 1
|
| 58차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 예측 모델 2
|
| 59차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 이상 탐지 1
|
| 60차시 |
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 이상 탐지 2
|
| (9) LLM의 원리부터 활용법까지 |
| 61차시 |
- [LLM의 원리부터 활용법까지] 거대언어모델 1
|
| 62차시 |
- [LLM의 원리부터 활용법까지] 거대언어모델 2
|
| 63차시 |
- [LLM의 원리부터 활용법까지] Alignment Tuning 1
|
| 64차시 |
- [LLM의 원리부터 활용법까지] Alignment Tuning 2
|
| 65차시 |
- [LLM의 원리부터 활용법까지] Alignment Tuning 3
|
| 66차시 |
- [LLM의 원리부터 활용법까지] Prompt Engineering 1
|
| 67차시 |
- [LLM의 원리부터 활용법까지] Prompt Engineering 2
|
| 68차시 |
- [LLM의 원리부터 활용법까지] Prompt Engineering 3
|
| 69차시 |
- [LLM의 원리부터 활용법까지] Prompt Engineering 4
|
| 70차시 |
- [LLM의 원리부터 활용법까지] Prompt Engineering 5
|
