딥러닝을 이해하고 실제 문제에 적용하여 해결할 수 있다.
- 딥러닝을 이해한다.
- 딥러닝을 적용할 수 있는 문제를 이해한다.
- 딥러닝을 실 문제에 적용하는 방법을 이해한다.
- 딥러닝에 적용하기 위한 데이터 처리방법을 이해한다.
- 데이터 처리방법을 파악하고 구현할 수 있다.
- 딥러닝을 적용하여 실제 문제를 해결한다.
선수 교육(python, numpy, pandas)를 아는 개발자.
딥러닝 이해
- 딥러닝 개념 : deep_learning_intro.pptx
Keras로 구현한 딥러닝 코드
- DNN in Keras : dnn_in_keras.ipynb
- 표준 Keras 딥러닝 코드
- 로스 보기
- 은닉층과 노드 수
- batch size와 학습
- 데이터 수와 학습
- normalization
- 모델 저장과 로딩
- 웨이트 초기값
- 노이즈 내구성
- GPU 설정
- 데이터 수와 overfitting : data_count_and_overfitting.ipynb
- overfitting 처리하기 : treating_overfitting.ipynb
- callback : callback.ipynb
- 다양한 입출력
분류기로서의 DNN
- 분류기로서 DNN : dnn_as_a_classifier.ipynb
- IRIS 분류: dnn_iris_classification.ipynb
- MNIST 분류 : dnn_mnist.ipynb
CNN
- MNIST 영상분류 : cnn_mnist.ipynb
- CIFAR10 컬러영상분류 : cnn_cifar10.ipynb
- IRIS 분류 : iris_cnn.ipynb
다양한 활용
- 디노이징 AutoEncoder : denoising_autoencoder.ipynb
- Super Resolution : mnist_super_resolution.ipynb
실제 영상인식
- Data Augmentation : data_augmentation.ipynb
- VGG로 영상 분류, 전이학습 : VGG16_classification_and_cumtom_data_training.ipynb
Functional API
- functional api : functional_api.ipynb
다양한 활용
- AutoEncoder를 사용한 비정상 탐지 : anomaly_detection_using_autoencoder.ipynb
- 영상 분할(Segementation)
- U-Net을 사용한 : unet_segementation.ipynb
- M-Net을 사용한 : mnet_segementation.ipynb
다양한 활용
- 얼굴 인식(face recognition) : Face_Recognition.ipynb
RNN, 강화학습
- RNN 이해하기 : deep_learning_intro.pptx
- CNN, RNN 사용한 text 분류 : text_classification.ipynb
- RNN을 사용한 MNIST 분류 : mnist_rnn.ipynb
- 강화학습 이해하기 : deep_learning_intro.pptx
- 알파고 이해하기 : understanding_ahphago.pptx
GAN
- GAN 이해하기 : deep_learning_intro.pptx,
- GAN MNIST 학습 : wgan_pg_mnist.ipynb
- Cycle GAN 리뷰 : cycle_gan.pdf
Object Detection
- YOLO : object_detection.md
다양한 활용
- 얼굴 감정 분류 : face_emotion_classification.ipynb
- 얼굴 탐지 : track_faces_on_video_realtime.ipynb
- 화재 영상 분류 : Fire.tar.gz, spatial_envelope_static_8outdoorcategories.tar.gz
- 포즈 추출
Kaggle 문제 풀이 설명
- Intel Image Classification
- Google Landmark Retrieval 2020
- Create and Train ResNet50 from scratch : https://www.kaggle.com/sandy1112/create-and-train-resnet50-from-scratch
- Car Image segmentation
- keras U-Net : https://www.kaggle.com/ecobill/u-nets-with-keras
- VGG16 U-Net : https://www.kaggle.com/kmader/vgg16-u-net-on-carvana
딥러닝 교육
- SW 산업에 대하여
- SW 개발 이란
- 딥러닝 개발 계획 리뷰
- 채용 공고 리뷰
교육환경, numpy, pandas, matplot
- 교육 환경 : env.md
- numpy : 데이터 로딩, 보기, 데이터 변환, 형태 변경 : library.md
- linux 기본 명령어 :
- bash, cd, ls, rm, mkdir, mv, tar, unzip
- docker, pip, apt, wget, EVN, git
- 교육 자료
- pandas, matplot : ibrary.md
기타 자료
- 의학논문 리뷰
- GCP에 VM 생성하고 Colab 연결하기 : create_GCP_VM.pdf
- 흥미로운 딥러닝 결과 : some_interesting_deep_learning.pptx
- yolo를 사용한 실시간 불량품 탐지 : https://drive.google.com/file/d/194UpsjG7MyEvWlmJeqfcocD-h-zy_4mR/view?usp=sharing
- YOLO를 사용한 자동차 번호판 탐지 : https://drive.google.com/file/d/1jlKzCaKj5rGRXIhwMXtYtVnx_XLauFiL/view?usp=sharing
- GAN을 사용한 생산설비 이상 탐지 : anomaly_detection_using_gan.pptx
- 이상탐지 동영상 : drillai_anomaly_detect.mp4
- 훌륭한 논문 리스트 : https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap
- online CNN 시각화 자료 : https://poloclub.github.io/cnn-explainer/
- GradCAM : grad_cam.ipynb
Environment
jupyter
colab
usage
!, %, run
GCP virtual machine
linux
ENV
command
cd, pwd, ls
mkdir, rm, cp
head, more, tail, cat
util
apt
git, wget
grep, wc, tree
tar, unrar, unzip
gpu
nvidia-smi
python
env
python
interactive
execute file
pip
syntax
variable
data
tuple
list
dict
set
loop
if
comprehensive list
function
class
module
import
libray
numpy
load
op
shape
slicing
reshape
axis + sum, mean
pandas
load
view
to numpy
matplot
draw line graph
scatter
show image
Deep Learning
DNN
concept
layer, node, weight, bias, activation
cost function
GD, BP
data
x, y
train, validate, test
shuffle
learning curve : accuracy, loss
tunning
overfitting, underfitting
regularization, dropout, batch normalization
data augmentation
Transfer Learning
type
supervised
unsupervised
reinforcement
model
CNN
varnilla, VGG16
RNN
GAN
task
Classification
Object Detection
Generation
Segmentation
Pose Extraction
Noise Removing
Super Resolution
Question answering
Auto Captioning
target : text/image
TensorFlow/Keras
basic frame
data preparing
x, y
train, valid, test
normalization
ImageDataGenerator
fit
evaluate
predict
model
activation function
initializer
tuning
learning rate
regularier
dropout
batch normalization
save/load
compile
optimizer
loss
metric