![[브오디-72] 딥러닝을 위한 기초 수학](https://www.masocampus.com/wp-content/uploads/2022/12/딥러닝을-위한-기초-수학_썸네일_v1.0.jpg)
최근 HOT한 딥러닝! 알고리즘 이해하고 직접 모델 구현해보기!
딥러닝을 본격적으로 활용하기 위한 머신 러닝 개념, 인공지능의 학습 원리, 모델 구현을 위한 수학적 원리 알기
- 인공 지능, 머신 러닝, 딥러닝의 개념 파악
- 딥러닝 알고리즘의 기초 수학적 이해
- 딥러닝의 학습 원리 및 오차 수정 방식 이해
- 파이썬 가상 환경 구축과 텐서플로우 CPU 활용 능력
기초부터 탄탄히! 딥러닝을 위한 기초 수학 완전 정복!
딥러닝.. 모두가 하고있지만 내가 하기는 두려우신가요?
최근 딥러닝, 머신러닝 등인공지능 관련 기술이 각광받고 있습니다.
4차 산업혁명 시대라고 불리는 지금, 꼭 알아야할 핵심 기술이기 때문이지요.
이제 막 IT 업계에 발을 들이신 분이라면 반드시 알고 있어야 할 지식이기도 합니다.
그런데 대부분의 입문자분들은 이러한 배경지식 없이 무작정 코딩부터 배우려고 합니다.
이렇게 되면 당연히 한계에 부딪힐 수밖에 없습니다.
그래서 마소캠퍼스가 준비했습니다.
기초 이론부터 차근차근 배워나가실 수 있도록 구성한
[딥러닝을 위한 기초 수학]과 함께라면 누구나 쉽게 배울 수 있습니다.
어려운 코딩이나 비싼 프로그램? NO!
파이썬의 최대 장점 중 하나인 무료로 설치 가능한 모듈에는
이미 딥러닝을 구현할 수 있는 모듈이 개발되었으며, 실제로 많은 사람들이 활용하고 있습니다.
많은 사람들이 사용할 수 있다는 건, 당신도 충분히 활용 가능하다는 의미입니다.
그래서 마소캠퍼스에서는 누구나 딥러닝에 쉽게 입문할 수 있도록 [딥러닝을 위한 기초 수학] 강의를 통해 딥러닝의 개념과 작동 원리를 제작하였습니다.
그야말로 혁명적인 생산성 향상을 가져오기 위해, 당신도 딥러닝에 입문해보세요!
- 인공지능으로 혁신적인 생산성을 확보하고 싶은 실무자
- IT업계로 창업/이직/입사 등 커리어를 쌓고 싶은 모든 사람
- 이미 딥러닝을 활용하고 있지만, 작동 원리에 대해서는 모르는 실무자
- 딥러닝 역량을 쌓기 위해 첫 단추부터 제대로 시작하고 싶은 모든 사람
<딥러닝을 위한 기초 수학> 강의를 듣고 나면,
여러분께서는 다음과 같은 역량을 확보하실 수 있습니다.
- 인공 지능, 머신 러닝, 딥러닝의 개념 파악
- 딥러닝 알고리즘의 기초 수학적 이해
- 딥러닝의 학습 원리 및 오차 수정 방식 이해
- 파이썬 가상 환경 구축과 텐서플로우 CPU 활용 능력
분야에 상관 없이 압도적인 생산성 향상을 가져다 주는 딥러닝!
딥러닝을 “제대로” 활용하기 위해 개념부터 완벽하게 잡고 가는 과정!
본 강좌를 통해 현재 가장 HOT한 기술인 딥러닝의 작동 원리를 이해하고 실습을 통해 실제로 딥러닝 모델을 구현할 수 있습니다.
Step 1. 딥러닝의 개념과 작동 프로세스 이해하기
딥러닝이 무엇인지, 머신 러닝과 어떤 차이를 가지길래 차원이 다른 퍼포먼스를 보여주는지 낱낱이 파헤쳐 드립니다! 비밀을 알게 된다면 활용은 더 정확하고 쉬워집니다.
Step 2. 딥러닝 기초 수학 이해하기
지옥 같은 문제풀이… 머리가 꼬이는 응용문제?
그런 것 없이 딥러닝 실제 활용에 필요한 부분만 간단하게 이해하고 넘어가도록 도와드립니다.
Step 3. 디지털 세계에서 발견한 인사이트를 현실 세계로!
데이터를 기반으로 각종 기법의 머신 러닝을 수행한 후 얻어진 인사이트를 실제 업무 현장에 적용한다면, 영업, 개발, 인사까지 방대한 부분의 의사결정에 혁명적인 발전을 가져올 수 있습니다.
1. 로그와 로그함수!
2. 평균제곱근 오차(RMSE) 이해하기!
3. 다중선형회귀 실습하기!
4. 회귀와 분류로 딥러닝 모델 구현하기!
Q. 파이썬 프로그래밍에 대한 선수 지식이 필요한가요?
A. 본 강의 및 이어지는 마소캠퍼스의 딥러닝 강의에는 기초 파이썬 활용 능력이 필요합니다. 파이썬이 익숙하지 않으신 분들께서는 마소캠퍼스의 ‘파이썬 데이터 분석 입문‘및 ‘파이썬 데이터 분석 실무’ 강의를 먼저 수강하시는 것을 추천드립니다.
Q. 강의를 수강하기 위한 요구 사항 또는 필요 조건이 있나요??
A. 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다. 또한 Windows OS 기반으로 실습이 진행되므로, Windows 환경에서의 강의 수강을 추천해드립니다.
Q. 딥러닝에는 고사양 pc가 필요하다 들었는데, 실습에 고사양 pc가 필요한가요?
A. 고사양 환경에서 실행시키시는 것이 좋기는 하나, 본 강의에서는 Anaconda와 Jupyter Notebook을 활용한 가상 환경에서 실습이 진행되므로 일반적인 업무용 PC 수준이면 수강에 어려움이 없으십니다.
-
-
- 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다.
또한 Windows OS 기반으로 실습이 진행되므로, Windows 환경에서의 강의 수강을 추천해드립니다. - 강의 교안 및 실습파일은 <07. 교재 다운로드 센터> 섹션에 존재합니다.
- 실습 위주의 강의이기 때문에 강의 화면과 실습 화면을 분리할 수 있는 듀얼 모니터 또는 여분 기기를 함께 준비해주시면 좋습니다.
-
“어제보다 성장하겠습니다. 그리고, 어제보다 성장하려는 사람을 돕겠습니다.”
마소캠퍼스의 진심과 소망을 담은 Actionable Content로,
2013년부터 온오프라인으로 함께해 온 누적 강의 1억시간!
이 소중한 경험과 시간은 언제나 마소캠퍼스와 수강생 모두의 성장의 원천입니다.
마소캠퍼스 팀은 우리의 모두의 성장을 위해 두 가지 원칙을 반드시 지킵니다.
1. 배우면 반드시 쓸 수 있는 Actionable Content
2. 참여자의 시간과 수고를 존중하는 Time-Saving Curriculum
마소캠퍼스의 Actionable and Time-Saving Curriculum으로 성장의 길을 함께 걸어나가길 기원합니다.
학습 규정 및 환불 규정
학습 규정
- 본 상품은 동영상 형태의 강의를 자유롭게 수강할 수 있는 VOD(온라인 녹화 강의) 상품입니다.
- 수강 신청 및 결제를 완료하시면, ‘내 강좌’를 통해 바로 수강이 가능합니다.
총 학습기간
- 정상 수강기간(유료 수강기간) 최초 30일, 무료 수강 기간은 31일 일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
- 하루 3시간 내외로 학습하시면 정상 수강기간(유료 수강기간) 내에 전체 과정을 모두 수강하실 수 있습니다.
- 수강 시작일은 결제일로부터 산정됩니다.
환불 규정
환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
- 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.
- 31일차 이후 무료로 제공되는 기간은 환불 산정에 포함되지 않습니다.
- 강의 자료(교재 등)를 다운로드한 경우에는 위 기준과 무관하게 환불이 불가합니다.
* 보다 자세한 환불 규정은 마소캠퍼스 [주의사항 및 환불규정]페이지에서 확인 가능합니다.
기타 환불 관련 안내
환불 요청은 cs@masocampus.com으로 주문번호를 함께 보내주시면 접수됩니다.
- 환불 금액은 신청 시점을 기준으로 산정되며, 업무시간 외 요청은 2영업일 오후까지 순차 처리됩니다.
- 환불 금액은 수업 시간을 기준으로 반올림하여 산정합니다.
- 계좌이체로 환불받으실 경우 이체 수수료 500원이 공제된 금액이 지급됩니다.
- 환불 대금은 접수일로부터 7영업일 이내 지급됩니다.
- 취소 및 환불 접수·처리는 평일 오전 10시~오후 4시 (점심시간 12시~1시 제외) 내에만 가능합니다.
- 취소 및 환불은 한국소비자원 고시 소비자분쟁해결기준에 의거하여 처리됩니다.
주의 사항
- 상황에 따라 별도의 사전 안내 없이 할인 혜택이 조기에 마감되거나 연장될 수 있는 점 참고 부탁드립니다.
- 천재지변, 폐업 등 불가피한 사유로 서비스 운영이 어려운 경우, 서비스가 종료될 수 있습니다.
- 커리큘럼은 완성도 향상을 위한 제작 과정에서 일부 내용이 추가, 삭제 또는 변경될 수 있습니다.
마소캠퍼스 정책 안내
마소캠퍼스 ID 공유 금지 정책
- 마소캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러 명이 공유하는 형태를 금지하고 있습니다.
- 동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.
저작권 정책
- 마소캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡처 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.
그 외 공통 사항은 마소캠퍼스 [주의사항 및 환불규정], [이용약관] 페이지를 따릅니다.
Course Curriculum
| 0. 딥러닝 실습환경 구축 | |||
| [onc72] DLM001_딥러닝 실습 환경 | FREE | 00:02:10 | |
| [onc72] DLM002_아나콘다 환경 구성 | FREE | 00:05:56 | |
| [onc72] DLM003_가상 환경의 이해 | FREE | 00:03:42 | |
| [onc72] DLM004_가상 환경 구축 | FREE | 00:20:04 | |
| [onc72] DLM005_구글 코랩 환경 구축 | FREE | 00:05:05 | |
| [onc72] DLM006_딥러닝 추가 정보 | FREE | 00:00:32 | |
| 1. 딥러닝 기초 개념 | |||
| [onc72] DLM101_강의 소개 | 00:01:01 | ||
| [onc72] DLM102_인공지능, 머신 러닝, 딥러닝 | FREE | 00:02:23 | |
| [onc72] DLM103_전통적인 프로그래밍vs 머신 러닝 | 00:02:13 | ||
| [onc72] DLM104_머신 러닝의 데이터 셋 나누기 | 00:02:13 | ||
| [onc72] DLM105_머신 러닝 학습의 개념 | 00:04:33 | ||
| [onc72] DLM106_머신 러닝의 종류 | 00:05:30 | ||
| [onc72] DLM107_지도학습의 종류 | 00:03:08 | ||
| [onc72] DLM108_머신 러닝과 딥러닝의 차이 | FREE | 00:08:35 | |
| [onc72] DLM109_딥러닝의 평가 지표 | 00:02:46 | ||
| 2. 딥러닝 기초 수학 | |||
| [onc72] DLM201_함수와 기울기 | 00:09:51 | ||
| [onc72] DLM202_편미분 | 00:02:40 | ||
| [onc72] DLM203_시그모이드 함수 | FREE | 00:03:10 | |
| [onc72] DLM204_지수와 지수함수 | 00:01:23 | ||
| [onc72] DLM205_로그와 로그함수 | 00:05:24 | ||
| 3. 딥러닝 수학 실습 | |||
| [onc72] DLM301_딥러닝 수학 실습_용어정리 | 00:07:36 | ||
| [onc72] DLM302_딥러닝 수학 실습_평균제곱근 오차 | 00:10:09 | ||
| [onc72] DLM303_딥러닝 수학 실습_경사 하강법과 다중선형회귀 | 00:13:41 | ||
| 4. 딥러닝의 학습 원리 - 회귀 | |||
| [onc72] DLM401_딥러닝의 학습 원리 | FREE | 00:06:43 | |
| [onc72] DLM402_학습 원리_회귀 | 00:01:03 | ||
| [onc72] DLM403_회귀의 학습 과정 | 00:06:33 | ||
| [onc72] DLM404_회귀의 오차 수정 | 00:05:39 | ||
| 5. 딥러닝의 학습 원리 - 분류 | |||
| [onc72] DLM501_분류의 학습 과정 | 00:11:14 | ||
| [onc72] DLM502_로지스틱 회귀의 손실 함수 | 00:02:49 | ||
| 6. 딥러닝 모델 구현 실습 | |||
| [onc72] DLM601_딥러닝 모델 구현_회귀 | 00:08:53 | ||
| [onc72] DLM602_딥러닝 모델 구현_다중선형회귀와 로지스틱 회귀 | 00:12:06 | ||
| 7. 교재 다운로드 센터 | |||
| [onc72] DLM701_교재 다운로드 센터 | 00:00:00 | ||
| 8. 사후 만족도 평가 | |||
| [onc72] DLM801_사후 만족도 조사 | 00:00:00 | ||
451077 STUDENTS ENROLLED
