- ÇöÀç À§Ä¡
- home > ÄÄÇ»ÅÍ¡¤ICT¡¤¾îÇÐ > ÄÄÇ»ÅÍ¡¤IT µµ¼ > ÄÄÇ»ÅÍ°øÇÐ > ³ªÀÇ Ã¹ ¸Ó½Å·¯´×/µö·¯´×(À§Å°ºÏ½º µ¥ÀÌÅÍ »çÀ̾𽺠½Ã¸®Áî 60)[À§Å°ºÏ½º]
¸Ó½Å·¯´×/µö·¯´×À» óÀ½ ½ÃÀÛÇÏ´Â ºÐµéÀ» À§ÇÑ Ã¥ÀÔ´Ï´Ù!
¡¶³ªÀÇ Ã¹ ¸Ó½Å·¯´×/µö·¯´×¡·Àº ¸Ó½Å·¯´×/µö·¯´×À» ½ÃÀÛÇÏ·Á´Â ¸ðµç ºÐµéÀ» ´ë»óÀ¸·Î ÇÕ´Ï´Ù. °£´ÜÇÑ ±×¸²°ú ¸íÄèÇÑ ¼³¸íÀ¸·Î ÀÌÇØÇϱ⠽¬¿î ¾Ë°í¸®ÁòºÎÅÍ Â÷±ÙÂ÷±Ù ´Ü°èº°·Î ¹è¿ì¸é¼ ¾î·Á¿ò ¾øÀÌ ¸Ó½Å·¯´×/µö·¯´×À» ÇнÀÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇß½À´Ï´Ù.
À̹ø °³Á¤ÆÇ¿¡¼´Â ÃֽŠƮ·»µå·Î ÀÚ¸® ÀâÀº ÀÓº£µù ¹× ÀüÀÌÇнÀÀÇ À̷аú ½Ç½ÀÀ» Ãß°¡Çß°í, ÃֽŠÅÙ¼Ç÷Π2·Î ÀÛ¼ºµÈ Äڵ带 ±¸±Û ÄÚ·¦À» È°¿ëÇØ ¿Â¶óÀο¡¼ Á÷Á¢ ½Ç½ÀÇÒ ¼ö ÀÖ°Ô ±¸¼ºÇß½À´Ï´Ù.
¡¶³ªÀÇ Ã¹ ¸Ó½Å·¯´×/µö·¯´×¡·Àº ¸Ó½Å·¯´×/µö·¯´×À» ½ÃÀÛÇÏ·Á´Â ¸ðµç ºÐµéÀ» ´ë»óÀ¸·Î ÇÕ´Ï´Ù. °£´ÜÇÑ ±×¸²°ú ¸íÄèÇÑ ¼³¸íÀ¸·Î ÀÌÇØÇϱ⠽¬¿î ¾Ë°í¸®ÁòºÎÅÍ Â÷±ÙÂ÷±Ù ´Ü°èº°·Î ¹è¿ì¸é¼ ¾î·Á¿ò ¾øÀÌ ¸Ó½Å·¯´×/µö·¯´×À» ÇнÀÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇß½À´Ï´Ù.
À̹ø °³Á¤ÆÇ¿¡¼´Â ÃֽŠƮ·»µå·Î ÀÚ¸® ÀâÀº ÀÓº£µù ¹× ÀüÀÌÇнÀÀÇ À̷аú ½Ç½ÀÀ» Ãß°¡Çß°í, ÃֽŠÅÙ¼Ç÷Π2·Î ÀÛ¼ºµÈ Äڵ带 ±¸±Û ÄÚ·¦À» È°¿ëÇØ ¿Â¶óÀο¡¼ Á÷Á¢ ½Ç½ÀÇÒ ¼ö ÀÖ°Ô ±¸¼ºÇß½À´Ï´Ù.
ÀúÀÚ: Çã¹Î¼®
¢Ã 01Àå: °³¹ßÀÚ°¡ óÀ½ ¸¸³ ¸Ó½Å·¯´×ÀÇ ¼¼°è
1.1 ¸Ó½Å·¯´×À̶õ?
1.2 ÇÁ·ÎÁ§Æ® °úÁ¤
1.3 ½Ç½ÀÀÇ Á߿伺
¢Ã 02Àå: ½Ç½À Áغñ
2.1 ¿¹Á¦ ÄÚµå
2.2 ±¸±Û ÄÚ·¦(Google Colaboratory)
¢Ã 03Àå: ÀÚÁÖ µîÀåÇÏ´Â ¸Ó½Å·¯´× Çʼö °³³ä
3.1 ÁöµµÇнÀ°ú ºñÁöµµÇнÀ
____3.1.1 ÁöµµÇнÀ
____3.1.2 ºñÁöµµÇнÀ
3.2 ºÐ·ù¿Í ȸ±Í
____3.2.1 ºÐ·ù
____3.2.2 ȸ±Í
3.3 °ú´ëÀûÇÕ°ú °ú¼ÒÀûÇÕ
____3.3.1 °ú¼ÒÀûÇÕ
____3.3.2 °ú´ëÀûÇÕ
3.4 È¥µ¿ Çà·Ä
3.5 ¸Ó½Å·¯´× ¸ðµ¨ÀÇ ¼º´É Æò°¡
____3.5.1 TP(true positive) - ¸Â´Â °ÍÀ» ¿Ã¹Ù¸£°Ô ¿¹ÃøÇÑ °Í
____3.5.2 TN(true negative) - Ʋ¸° °ÍÀ» ¿Ã¹Ù¸£°Ô ¿¹ÃøÇÑ °Í
____3.5.3 FP(false positive) - Ʋ¸° °ÍÀ» ¸Â´Ù°í À߸ø ¿¹ÃøÇÑ °Í
____3.5.4 FN(false negative) - ¸Â´Â °ÍÀ» Ʋ·È´Ù°í À߸ø ¿¹ÃøÇÑ °Í
____3.5.5 Á¤È®µµ
____3.5.6 Á¤¹Ðµµ
____3.5.7 ÀçÇöÀ²
____3.5.8 F1 Á¡¼ö
3.6 k-Æúµå ±³Â÷ °ËÁõ
¢Ã 04Àå: ¸Ó½Å·¯´× ¾Ë°í¸®Áò ½Ç½À
4.1 ¸Ó½Å·¯´× ¾Ë°í¸®Áò ½Ç½À °³¿ä
____4.1.1 ¾Ë°í¸®Áò ¼±Á¤ ÀÌÀ¯
4.2 k-ÃÖ±ÙÁ¢ ÀÌ¿ô(k-Nearest Neighbor, kNN)
____4.2.1 [ÀÌ·Ð] k-ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò(kNN)
____4.2.2 [½Ç½À] ³ó±¸¼±¼öÀÇ °ÔÀÓ µ¥ÀÌÅ͸¦ È°¿ëÇÑ Æ÷Áö¼Ç ¿¹Ãø
4.3 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å(SVM)
____4.3.1 [ÀÌ·Ð] ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
____4.3.2 [½Ç½À] ³ó±¸¼±¼öÀÇ °ÔÀÓ ±â·ÏÀ» ÇнÀÇؼ Æ÷Áö¼ÇÀ» ¿¹ÃøÇغ¸ÀÚ
4.4 ÀÇ»ç°áÁ¤ Æ®¸®
____4.4.1 [ÀÌ·Ð] ÀÇ»ç°áÁ¤ Æ®¸®
____4.4.2 [½Ç½À] ¼¿ï Áö¿ª(°µ¿, °¼, °³², °ºÏ) ´ÙÁß ºÐ·ùÇϱâ
4.5 ³ªÀÌºê º£ÀÌÁî
____4.5.1 [ÀÌ·Ð] ³ªÀÌºê º£ÀÌÁî
____4.5.2 [½Ç½À] °¡¿ì½Ã¾È ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ º×²É ºÐ·ù
____4.5.3 [½Ç½À] º£¸£´©ÀÌ ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ ½ºÆÔ ºÐ·ù
____4.5.4 [½Ç½À] ´ÙÇ׺ÐÆ÷ ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ ¿µÈ ¸®ºä ºÐ·ù
4.6 ¾Ó»óºí
____4.6.1 [ÀÌ·Ð] ¹è±ë
____4.6.2 [ÀÌ·Ð] ºÎ½ºÆÃ
____4.6.3 [½Ç½À] ·£´ý Æ÷·¹½ºÆ® ¼Õ±Û¾¾ ºÐ·ù
____4.6.4 [½Ç½À] º¸Æà ¾Ó»óºí ¼Õ±Û¾¾ ºÐ·ù
4.7 ±ºÁýÈ
____4.7.1 [ÀÌ·Ð] k Æò±Õ ¾Ë°í¸®Áò
____4.7.2 [½Ç½À] Å°¿Í ¸ö¹«°Ô¿¡ µû¸¥ üÇü ±ºÁýÈ
4.8 ¼±Çüȸ±Í
____4.8.1 [ÀÌ·Ð] ¼±Çüȸ±Í
____4.8.2 [½Ç½À] ¼±Çüȸ±Í
4.9 ·ÎÁö½ºÆ½ ȸ±Í
____4.9.1 [ÀÌ·Ð] ·ÎÁö½ºÆ½ ȸ±Í
____4.9.2 [½Ç½À] ´ÜÀÏ ÀÔ·Â ·ÎÁö½ºÆ½ ȸ±Í
____4.9.3 [½Ç½À] ´ÙÁß ÀÔ·Â ·ÎÁö½ºÆ½ ȸ±Í
____4.9.4 [½Ç½À] ¼ÒÇÁÆ®¸Æ½º(´ÙÁß ºÐ·ù ·ÎÁö½ºÆ½ ȸ±Í)
4.10 ÁÖ¼ººÐ ºÐ¼®
____4.10.1 [ÀÌ·Ð] ÁÖ¼ººÐ ºÐ¼®
____4.10.2 [½Ç½À] ½Ä½À°ü µ¥ÀÌÅ͸¦ Â÷¿øÃà¼Ò½ÃÄѼ ½Ã°¢ÈÇϱâ
¢Ã 05Àå: µö·¯´×ÀÇ ±âº» °³³ä
5.1 µö·¯´×ÀÇ Åº»ý
5.2 µö·¯´×°ú ¸Ó½Å·¯´×ÀÇ °ü°è
5.3 µö·¯´× À̸§ÀÇ À¯·¡
5.4 µö·¯´× ź»ý ¹è°æ
5.5 ÆÛ¼ÁÆ®·Ð
5.6 ´ÙÃþ ÆÛ¼ÁÆ®·Ð
5.7 ´º·±(³ëµå)
5.8 µö·¯´×ÀÇ ÇнÀ
____5.8.1 ¼øÀüÆÄ(forward propagation)
____5.8.2 ¼Õ½ÇÇÔ¼ö
____5.8.3 ÃÖÀûÈ
____5.8.4 ¿ªÀüÆÄ
____5.8.5 ¿ÉƼ¸¶ÀÌÀú
5.9 µö·¯´×ÀÇ °ú´ëÀûÇÕ
____5.9.1 µå·Ó¾Æ¿ô
____5.9.2 Á¶±â Á¾·á
5.10 [½Ç½À] ÆÛ¼ÁÆ®·Ð
5.11 [½Ç½À] ´º·±(³ëµå)
5.12 [½Ç½À] ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀ¸·Î XOR ±¸ÇöÇϱâ
5.13 [½Ç½À] ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀ¸·Î ¼Õ±Û¾¾ ¼ýÀÚ ºÐ·ùÇϱâ
¢Ã 06Àå: µö·¯´×
6.1 ÄÁº¼·ç¼Å³Î ´º·² ³×Æ®¿öÅ©(CNN)
____6.1.1 [ÀÌ·Ð] CNN
____6.1.2 [½Ç½À] CNN
6.2 ¼øȯ½Å°æ¸Á(RNN)
____6.2.1 [ÀÌ·Ð] RNN
____6.2.2 [ÀÌ·Ð] LSTM
____6.2.3 [½Ç½À] RNN ±âÃÊ
____6.2.4 [½Ç½À] LSTM ±âÃÊ
____6.2.5 [½Ç½À] LSTM - Áö¹®À» Àаí ÁÖÁ¦ ºÐ·ùÇϱâ
6.3 ¿ÀÅäÀÎÄÚ´õ
____6.3.1 [ÀÌ·Ð] ¿ÀÅäÀÎÄÚ´õ
____6.3.2 [½Ç½À] ¼Õ±Û¾¾ ¼ýÀÚ µ¥ÀÌÅÍ ½Ã°¢È
6.4 ´Ü¾î ÀÓº£µù
____6.4.1 [ÀÌ·Ð] Word2Vec
____6.4.2 [½Ç½À] Word2Vec
____6.4.3 [½Ç½À] »çÀü ÇнÀµÈ Word2Vec ¸Àº¸±â
____6.4.4 [ÀÌ·Ð] FastText
____6.4.5 [½Ç½À] »çÀüÇнÀµÈ FastText ¸Àº¸±â
____6.4.6 [½Ç½À] »çÀü ÇнÀµÈ Glove ¸Àº¸±â
6.5 ÀüÀÌ ÇнÀ
____6.5.1 [ÀÌ·Ð] ÀüÀÌ ÇнÀ
____6.5.2 [½Ç½À] »çÀü ÇнÀµÈ ÀÓº£µùÀ¸·Î »ç¿ëÀÚ ¸®ºä ºÐ·ùÇϱâ
¢Ã Âü°í¹®Çå
µö·¯´× ÀÌ·Ð/½Ç½À
ÆÄÀ̽ã È°¿ë µ¥ÀÌÅÍ °úÇÐ ¹× ¿£Áö´Ï¾î¸µ
Numpy
IPython
Matplotlib
Seaborn
Cython
Pandas
scikit-learn
scikit-image
Jupyter Notebook
Keras
Tensorflow
1.1 ¸Ó½Å·¯´×À̶õ?
1.2 ÇÁ·ÎÁ§Æ® °úÁ¤
1.3 ½Ç½ÀÀÇ Á߿伺
¢Ã 02Àå: ½Ç½À Áغñ
2.1 ¿¹Á¦ ÄÚµå
2.2 ±¸±Û ÄÚ·¦(Google Colaboratory)
¢Ã 03Àå: ÀÚÁÖ µîÀåÇÏ´Â ¸Ó½Å·¯´× Çʼö °³³ä
3.1 ÁöµµÇнÀ°ú ºñÁöµµÇнÀ
____3.1.1 ÁöµµÇнÀ
____3.1.2 ºñÁöµµÇнÀ
3.2 ºÐ·ù¿Í ȸ±Í
____3.2.1 ºÐ·ù
____3.2.2 ȸ±Í
3.3 °ú´ëÀûÇÕ°ú °ú¼ÒÀûÇÕ
____3.3.1 °ú¼ÒÀûÇÕ
____3.3.2 °ú´ëÀûÇÕ
3.4 È¥µ¿ Çà·Ä
3.5 ¸Ó½Å·¯´× ¸ðµ¨ÀÇ ¼º´É Æò°¡
____3.5.1 TP(true positive) - ¸Â´Â °ÍÀ» ¿Ã¹Ù¸£°Ô ¿¹ÃøÇÑ °Í
____3.5.2 TN(true negative) - Ʋ¸° °ÍÀ» ¿Ã¹Ù¸£°Ô ¿¹ÃøÇÑ °Í
____3.5.3 FP(false positive) - Ʋ¸° °ÍÀ» ¸Â´Ù°í À߸ø ¿¹ÃøÇÑ °Í
____3.5.4 FN(false negative) - ¸Â´Â °ÍÀ» Ʋ·È´Ù°í À߸ø ¿¹ÃøÇÑ °Í
____3.5.5 Á¤È®µµ
____3.5.6 Á¤¹Ðµµ
____3.5.7 ÀçÇöÀ²
____3.5.8 F1 Á¡¼ö
3.6 k-Æúµå ±³Â÷ °ËÁõ
¢Ã 04Àå: ¸Ó½Å·¯´× ¾Ë°í¸®Áò ½Ç½À
4.1 ¸Ó½Å·¯´× ¾Ë°í¸®Áò ½Ç½À °³¿ä
____4.1.1 ¾Ë°í¸®Áò ¼±Á¤ ÀÌÀ¯
4.2 k-ÃÖ±ÙÁ¢ ÀÌ¿ô(k-Nearest Neighbor, kNN)
____4.2.1 [ÀÌ·Ð] k-ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò(kNN)
____4.2.2 [½Ç½À] ³ó±¸¼±¼öÀÇ °ÔÀÓ µ¥ÀÌÅ͸¦ È°¿ëÇÑ Æ÷Áö¼Ç ¿¹Ãø
4.3 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å(SVM)
____4.3.1 [ÀÌ·Ð] ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
____4.3.2 [½Ç½À] ³ó±¸¼±¼öÀÇ °ÔÀÓ ±â·ÏÀ» ÇнÀÇؼ Æ÷Áö¼ÇÀ» ¿¹ÃøÇغ¸ÀÚ
4.4 ÀÇ»ç°áÁ¤ Æ®¸®
____4.4.1 [ÀÌ·Ð] ÀÇ»ç°áÁ¤ Æ®¸®
____4.4.2 [½Ç½À] ¼¿ï Áö¿ª(°µ¿, °¼, °³², °ºÏ) ´ÙÁß ºÐ·ùÇϱâ
4.5 ³ªÀÌºê º£ÀÌÁî
____4.5.1 [ÀÌ·Ð] ³ªÀÌºê º£ÀÌÁî
____4.5.2 [½Ç½À] °¡¿ì½Ã¾È ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ º×²É ºÐ·ù
____4.5.3 [½Ç½À] º£¸£´©ÀÌ ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ ½ºÆÔ ºÐ·ù
____4.5.4 [½Ç½À] ´ÙÇ׺ÐÆ÷ ³ªÀÌºê º£ÀÌÁ È°¿ëÇÑ ¿µÈ ¸®ºä ºÐ·ù
4.6 ¾Ó»óºí
____4.6.1 [ÀÌ·Ð] ¹è±ë
____4.6.2 [ÀÌ·Ð] ºÎ½ºÆÃ
____4.6.3 [½Ç½À] ·£´ý Æ÷·¹½ºÆ® ¼Õ±Û¾¾ ºÐ·ù
____4.6.4 [½Ç½À] º¸Æà ¾Ó»óºí ¼Õ±Û¾¾ ºÐ·ù
4.7 ±ºÁýÈ
____4.7.1 [ÀÌ·Ð] k Æò±Õ ¾Ë°í¸®Áò
____4.7.2 [½Ç½À] Å°¿Í ¸ö¹«°Ô¿¡ µû¸¥ üÇü ±ºÁýÈ
4.8 ¼±Çüȸ±Í
____4.8.1 [ÀÌ·Ð] ¼±Çüȸ±Í
____4.8.2 [½Ç½À] ¼±Çüȸ±Í
4.9 ·ÎÁö½ºÆ½ ȸ±Í
____4.9.1 [ÀÌ·Ð] ·ÎÁö½ºÆ½ ȸ±Í
____4.9.2 [½Ç½À] ´ÜÀÏ ÀÔ·Â ·ÎÁö½ºÆ½ ȸ±Í
____4.9.3 [½Ç½À] ´ÙÁß ÀÔ·Â ·ÎÁö½ºÆ½ ȸ±Í
____4.9.4 [½Ç½À] ¼ÒÇÁÆ®¸Æ½º(´ÙÁß ºÐ·ù ·ÎÁö½ºÆ½ ȸ±Í)
4.10 ÁÖ¼ººÐ ºÐ¼®
____4.10.1 [ÀÌ·Ð] ÁÖ¼ººÐ ºÐ¼®
____4.10.2 [½Ç½À] ½Ä½À°ü µ¥ÀÌÅ͸¦ Â÷¿øÃà¼Ò½ÃÄѼ ½Ã°¢ÈÇϱâ
¢Ã 05Àå: µö·¯´×ÀÇ ±âº» °³³ä
5.1 µö·¯´×ÀÇ Åº»ý
5.2 µö·¯´×°ú ¸Ó½Å·¯´×ÀÇ °ü°è
5.3 µö·¯´× À̸§ÀÇ À¯·¡
5.4 µö·¯´× ź»ý ¹è°æ
5.5 ÆÛ¼ÁÆ®·Ð
5.6 ´ÙÃþ ÆÛ¼ÁÆ®·Ð
5.7 ´º·±(³ëµå)
5.8 µö·¯´×ÀÇ ÇнÀ
____5.8.1 ¼øÀüÆÄ(forward propagation)
____5.8.2 ¼Õ½ÇÇÔ¼ö
____5.8.3 ÃÖÀûÈ
____5.8.4 ¿ªÀüÆÄ
____5.8.5 ¿ÉƼ¸¶ÀÌÀú
5.9 µö·¯´×ÀÇ °ú´ëÀûÇÕ
____5.9.1 µå·Ó¾Æ¿ô
____5.9.2 Á¶±â Á¾·á
5.10 [½Ç½À] ÆÛ¼ÁÆ®·Ð
5.11 [½Ç½À] ´º·±(³ëµå)
5.12 [½Ç½À] ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀ¸·Î XOR ±¸ÇöÇϱâ
5.13 [½Ç½À] ´ÙÃþ ÆÛ¼ÁÆ®·ÐÀ¸·Î ¼Õ±Û¾¾ ¼ýÀÚ ºÐ·ùÇϱâ
¢Ã 06Àå: µö·¯´×
6.1 ÄÁº¼·ç¼Å³Î ´º·² ³×Æ®¿öÅ©(CNN)
____6.1.1 [ÀÌ·Ð] CNN
____6.1.2 [½Ç½À] CNN
6.2 ¼øȯ½Å°æ¸Á(RNN)
____6.2.1 [ÀÌ·Ð] RNN
____6.2.2 [ÀÌ·Ð] LSTM
____6.2.3 [½Ç½À] RNN ±âÃÊ
____6.2.4 [½Ç½À] LSTM ±âÃÊ
____6.2.5 [½Ç½À] LSTM - Áö¹®À» Àаí ÁÖÁ¦ ºÐ·ùÇϱâ
6.3 ¿ÀÅäÀÎÄÚ´õ
____6.3.1 [ÀÌ·Ð] ¿ÀÅäÀÎÄÚ´õ
____6.3.2 [½Ç½À] ¼Õ±Û¾¾ ¼ýÀÚ µ¥ÀÌÅÍ ½Ã°¢È
6.4 ´Ü¾î ÀÓº£µù
____6.4.1 [ÀÌ·Ð] Word2Vec
____6.4.2 [½Ç½À] Word2Vec
____6.4.3 [½Ç½À] »çÀü ÇнÀµÈ Word2Vec ¸Àº¸±â
____6.4.4 [ÀÌ·Ð] FastText
____6.4.5 [½Ç½À] »çÀüÇнÀµÈ FastText ¸Àº¸±â
____6.4.6 [½Ç½À] »çÀü ÇнÀµÈ Glove ¸Àº¸±â
6.5 ÀüÀÌ ÇнÀ
____6.5.1 [ÀÌ·Ð] ÀüÀÌ ÇнÀ
____6.5.2 [½Ç½À] »çÀü ÇнÀµÈ ÀÓº£µùÀ¸·Î »ç¿ëÀÚ ¸®ºä ºÐ·ùÇϱâ
¢Ã Âü°í¹®Çå
µö·¯´× ÀÌ·Ð/½Ç½À
ÆÄÀ̽ã È°¿ë µ¥ÀÌÅÍ °úÇÐ ¹× ¿£Áö´Ï¾î¸µ
Numpy
IPython
Matplotlib
Seaborn
Cython
Pandas
scikit-learn
scikit-image
Jupyter Notebook
Keras
Tensorflow