강의 소개
커리큘럼
90% 국비지원으로 부담 없이 시작하세요!
🎁 수강하면 얻을 수 있는 것
• 강의 및 자료 평생 소장 - 언제든 복습할 수 있어요. • 1:1 Q&A 지원 - 담당 멘토가 직접 답변해 드려요. • 수료증 발급 - 이력서, 포트폴리오에 활용할 수 있어요. • 실무 프로젝트 실습 - 업무, 일상에 빠르게 적용할 수 있어요.
이런 고민이 있나요?
컴퓨터 비전의 개념을 체계적으로 배우고 실력을 쌓고 싶어요
입문자
이미지 분류, 객체 감지 같은 컴퓨터 비전 태스크를 직접 경험해보고 싶어요
AI 연구자 지망생
컴퓨터 비전 분야로 이직을 준비 중인데 실전 역량이 필요해요
이직 준비자
AI 기술을 제 현업에서 활용할 만큼 실무 감이 부족해요.
현업 개발자
이렇게 성장할 수 있어요!
딥러닝 기반 컴퓨터 비전의 기본 개념과 원리를 이해해요
입문자
VGG16으로 이미지 분류 프로젝트를 진행하며 모델 최적화 능력을 키워요
AI 연구자 지망생
Transfer Learning과 객체 감지 모델을 구현하고 성능을 비교하며 실전 경험을 쌓아요
이직 준비자
프로젝트를 통해 실무에서 바로 쓸 수 있는 경험을 쌓을 수 있어요.
현업 개발자
강의 맛보기
크리에이터
윤석채
• KAIST 경영공학 IT 경영 박사 • 전통적인 마케팅 데이터 분석부터 Multi-Model Learning 기반 추천시스템, BERT 기반 텍스트 요약 모델 개발 프로젝트 참여 • AI, 데이터 분석 강의 다수 진행
커리큘럼
중급
13시간 20분
노드 01
컴퓨터 비전 태스크 “상상”해 보기
컴퓨터 비전 태스크를 알아봅니다.
1-1
들어가며
5분
1-2
이미지 "데이터" 이해하기
10분
1-3
이미지 내의 정보 찾아보기
15분
1-4
컴퓨터 비전의 다양한 태스크
15분
1-5
마무리하며
5분
노드 02
다층 퍼셉트론(Multi-Layer Perceptron) 구조 복습하기
다층 퍼셉트론(Multi-Layer Perceptron)의 구조와 MLP 의 한계를 이론과 실습을 통해 알아봅니다.
2-1
들어가며
3분
2-2
MLP 모델 복습하기
55분
2-3
MLP 모델의 한계
30분
2-4
마무리하며
2분
노드 03
CNN 하나씩 이해하기 (1) 1-Channel Convolution
1-Channel Convolution, filter, padding을 학습합니다.
3-1
들어가며
3분
3-2
Channel이 하나일 때 1-Layer의 Convolution 연산
30분
3-3
Filter를 이해하기
30분
3-4
Channel이 하나일 때 2개 이상의 Layer에서 Convolution 연산 (Padding)
14분
3-5
마무리하며
3분
노드 04
CNN 하나씩 이해하기 (2) 3-Channel Convolution
Channel이 3개일 때 1-layer의 Convolution 연산, Hyper-Parameter, 1x1 Convolution, Transposed Convolution을 학습합니다.
4-1
들어가며
5분
4-2
Channel이 3개일 때, 1-Layer의 Convolution 연산
20분
4-3
Hyper-Parameter에 대한 고민 (Kernel size, Channel size, Stride)
10분
4-4
1x1 Convolution
5분
4-5
Transposed Convolution
27분
4-6
마무리하며
3분
노드 05
CNN 하나씩 이해하기 (3) Pooling
Pooling에 대해 알아보고 CNN을 구현해 봅니다.
5-1
들어가며
3분
5-2
Pooling
12분
5-3
Convolution + Pooling 종합
7분
5-4
CNN 구조 구현하기
30분
5-5
마무리하며
3분
노드 06
심화된 CNN 구조
GoogLeNet과 ResNet의 구조를 이론과 코드를 통해 살펴 봅니다.
6-1
들어가며
3분
6-2
Inception Module (Naïve Version) “GoogLeNet”
27분
6-3
Inception Module (1x1 convolution) “GoogLeNet”
45분
6-4
Skip Connection (ResNet)
22분
6-5
마무리하며
3분
노드 07
Transfer Learning 이해하기
대규모 학습의 어려움을 이해하고, 이론과 코드를 통해 transfer learning을 학습합니다.
7-1
들어가며
3분
7-2
대규모 모델 학습의 어려움
12분
7-3
Transfer Learning의 아이디어
12분
7-4
Transfer Learning의 적용
40분
7-5
마무리하며
3분
노드 08
Object Detection
Object Detection의 발전 과정을 알아보고, R-CNN을 통해 Object Detection을 깊게 이해해 봅니다.
8-1
들어가며
3분
8-2
Image Classification vs Localization vs Object Detection
13분
8-3
Object Detection 모델의 발전 과정
11분
8-4
R-CNN 모델을 통해 Object Detection 이해하기
40분
8-5
마무리하며
3분
노드 09
Segmentation
Semantic segmentation과 Instance segmentation을 비교하고, U-Net 구조를 통해 segmentation을 깊게 이해합니다.
9-1
들어가며
3분
9-2
Semantic Segmentation vs Instance Segmentation
9분
9-3
U-Net 구조를 통해서 Segmentation 이해하기
30분
9-4
U-Net 코드를 통해서 이해 다지기
50분
9-5
마무리하며
3분
노드 10
프로젝트: Image Classification
VGG16을 활용한 이미지 분류 프로젝트를 수행합니다.
10-1
들어가며
10분
10-2
프로젝트: Image Classification
50분
노드 11
심화탐구 프로젝트: Object Detection
Faster R-CNN을 활용한 Object Detection 프로젝트를 수행합니다.
11-1
심화탐구 프로젝트: Object Detection
55분
11-2
마무리하며
5분