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?
파이썬과 딥러닝을 처음 접해봐서 시작하기가 두렵고 막막해요
비전공 대학생 / 취업준비생
딥러닝 이론만 공부해서 실제로 어떻게 활용하는지 감이 안 와요
데이터·AI 입문자
딥러닝 엔지니어로 성장하고 싶은데 실무 역량을 쌓는 방법을 모르겠어요
딥러닝 엔지니어 지망생
딥러닝을 응용할 수는 있지만, 다양한 모델을 비교하고 성능을 해석하는 능력이 부족해요
주니어 개발자 / 현업 데이터 분석가
이렇게 성장할 수 있어요!
키오스크 만들기부터 시작해 파이썬 코드 구현을 재미있게 배워요
비전공 대학생 / 취업준비생
텍스트 분류, 이미지 분류 등 다양한 프로젝트로 딥러닝 모델을 직접 만들어요
데이터·AI 입문자
컴퓨터 비전의 핵심 기술을 익히고 여러 모델의 성능을 비교하며 통찰력을 키워요
딥러닝 엔지니어 지망생
여러 딥러닝 모델을 직접 구현하며 비교·분석하는 과정을 통해 통찰력을 키울 수 있어요
주니어 개발자 / 현업 데이터 분석가
크리에이터
김인유
파이썬 교육자
안녕하세요! 무역회사 출신 비전공자로 6개월 만에 고용노동부 장관상을 수상한 파이썬 교육자입니다. 아이패드로 독학했던 경험을 바탕으로 여러분의 파이썬 나무를 쑥쑥 키워드릴게요!
• 전) 무역회사 구매 담당 2년 경력
• 비전공자 출신 파이썬 및 인공지능 교육자
• 고용노동부 장관상 수상
• 웹페이지, 데이터 분석, 인공지능 코딩 교육
• [파이썬 교육 프로젝트] | 입문자를 위한 실전 키오스크 프로그램 개발 (현재)
이수안
데이터 과학자 & 교수
데이터와 인공지능을 이용한 이로운 세상을 꿈꾸는 데이터 과학자입니다. 많은 사람들이 컴퓨터를 쉽고 즐겁게 배울 수 있도록 다양한 콘텐츠를 공유하고 있어요.
• 현재 교수 및 AI 분야 실용적 연구 수행
• SuanLab 운영
• 유튜브 채널 '이수안컴퓨터연구소' 운영
• 딥러닝 및 데이터 과학 교육 콘텐츠 제작
윤석채
• KAIST 경영공학 IT 경영 박사
• AI, 데이터 분석 강의 다수
커리큘럼
중급
44시간 40분
노드 01
파이썬 시작하기
쉬운 예제와 함께 파이썬의 자료형에 대해 공부합니다.
1-1
들어가며
5분
1-2
파이썬 용어와 친해지기
5분
1-3
자료형 (1) int, str
15분
1-4
자료형 (2) list, tuple, set
10분
1-5
자료형 (3) dictionary, bool
10분
1-6
마무리하며
5분
1-7
실습퀴즈
1시간
노드 02
파이썬 기초 둘러보기
파이썬의 기초 문법에 대해 배웁니다. 가장 중요한 파이썬 문법을 적절한 예시와 함께 배웁니다.
2-1
들어가며
5분
2-2
변수
10분
2-3
반복문
27분
2-4
연산자
10분
2-5
조건문
15분
2-6
함수
20분
2-7
마무리하며
3분
2-8
실습퀴즈
40분
노드 03
리스트, 딕셔너리 다루기
자주 쓰이는 리스트와 딕셔너리를 다루는 함수에 대해 배웁니다. 자주 쓰는 리스트와 딕셔너리와 친해져 봅시다.
3-1
들어가며
3분
3-2
리스트를 다루는 여러 가지 방법
40분
3-3
딕셔너리를 다루는 여러 가지 방법
30분
3-4
컴프리헨션
30분
3-5
마무리하며
2분
3-6
실습퀴즈
15분
노드 04
이터레이터, 제너레이터, 데코레이터
이름이 비슷한 세가지 객체에 대해 배웁니다. 파이썬만의 매력적인 객체들을 알아봅시다.
4-1
들어가며
5분
4-2
이터레이터
30분
4-3
제너레이터
40분
4-4
데코레이터
25분
4-5
마무리하며
3분
4-6
실습퀴즈
17분
노드 05
람다, 일급 객체
특별한 함수 람다와 파이썬에서 중요한 개념인 일급 객체에 대해 배웁니다.
5-1
들어가며
3분
5-2
람다
42분
5-3
일급 객체
42분
5-4
마무리하며
3분
5-5
실습퀴즈
30분
노드 06
클로저
일급 객체와 내용이 연결되는 클로저에 대해 배웁니다.
6-1
들어가며
7분
6-2
변수의 범위
40분
6-3
클로저
30분
6-4
마무리하며
3분
6-5
실습퀴즈
30분
노드 07
예외 처리
실제로 개발할 때, 요긴하게 쓰일 예외 처리에 대해 배웁니다.
7-1
들어가며
10분
7-2
오류 종류
12분
7-3
예외 처리(Exception Handling)
40분
7-4
마무리하며
3분
7-5
실습퀴즈
35분
노드 08
모듈, 패키지, 라이브러리
헷갈리는 개념 3가지를 함께 배우고 어떻게 이용하는지에 대해서도 배웁니다.
8-1
들어가며
5분
8-2
`import`로 모듈 가져오기
50분
8-3
`import`로 패키지 가져오기
10분
8-4
라이브러리와 프레임워크 설명
10분
8-5
마무리하며
5분
8-6
실습퀴즈
40분
노드 09
클래스
파이썬에서 가장 큰 구조인 클래스에 대해 배웁니다. 헷갈리는 부분도 많지만 시각적인 자료와 차례대로 설명하니 기대해주세요!
9-1
들어가며
3분
9-2
클래스와 객체
10분
9-3
클래스 만들기
50분
9-4
마무리하며
7분
9-5
실습퀴즈
50분
노드 10
프로젝트: 내가 만든 키오스크
이때까지 배운 파이썬을 총 복습하는 시간입니다. 직접 키오스크를 만들어봅시다.
10-1
키오스크(Kiosk) 만들기 1
30분
10-2
키오스크(Kiosk) 만들기 2
25분
10-3
마무리하며
5분
노드 11
입문 프로젝트: 사각형 넓이 구하기
이때까지 배운 파이썬을 총 복습하는 시간입니다. 사각형 넓이를 구할 수 있는 클래스를 만들어봅시다.
11-1
들어가며
5분
11-2
사각형 넓이 구하기
55분
노드 12
딥러닝이란
인공신경망의 개념, 인공신경망과 딥러닝의 역사를 통해 딥러닝이 무엇인지 알 수 있습니다.
12-1
들어가며
2분
12-2
인공신경망
10분
12-3
인공신경망 역사
15분
12-4
딥러닝 역사
20분
12-5
마무리하며
3분
노드 13
텐서 표현과 연산
텐서란 무엇일까요? 이 노드에서는 텐서 개념, 텐서 데이터 타입을 이해하고, 텐서 연산을 수행해 봅니다.
13-1
들어가며
5분
13-2
텐서(Tensor)
20분
13-3
텐서 타입 및 변환
15분
13-4
텐서 연산
15분
13-5
마무리하며
5분
노드 14
딥러닝 구조와 모델
딥러닝 모델(네트워크)를 구성하는 레이어에 대한 개념을 이해하고, 딥러닝 모델을 구성하는 방법에 대해서 학습합니다.
14-1
들어가며
5분
14-2
딥러닝 구조와 레이어(Layer)
25분
14-3
딥러닝 모델
25분
14-4
마무리하며
5분
노드 15
딥러닝 모델 학습
딥러닝 모델을 학습하기 위한 개념을 이해하고, 다양한 손실 함수, 옵티마이저, 지표에 대해서 학습합니다.
15-1
들어가며
5분
15-2
손실 함수(Loss Function)
20분
15-3
옵티마이저(Optimizer)와 지표
10분
15-4
딥러닝 모델 학습
20분
15-5
마무리하며
5분
노드 16
모델 저장과 콜백
딥러닝 모델을 저장하고 복원하는 방법과 모델 학습 시에 사용할 수 있는 다양한 콜백 함수에 대해 학습합니다.
16-1
들어가며
5분
16-2
MNIST 딥러닝 모델 예제
20분
16-3
모델 저장과 로드
15분
16-4
콜백 (Callbacks)
15분
16-5
마무리하며
5분
노드 17
모델 학습 기술
딥러닝 모델 학습을 위한 다양한 개념과 기술들, 그리고 모델 학습이 잘 안될 경우 발생하는 과소적합/과대적합에 대해 학습합니다. 또한 IMDB 데이터셋을 이용해 긍정/부정 분류를 위한 딥러닝 모델을 만들어봅니다.
17-1
들어가며
5분
17-2
모델 학습 기술
15분
17-3
과소적합과 과대적합
10분
17-4
IMDB 딥러닝 모델 예제
25분
17-5
마무리하며
5분
노드 18
모델 크기 조절과 규제
딥러닝 모델의 크기 조절 방법과 효과적인 딥러닝 모델 학습을 위한 다양한 규제 방법(L1, L2, L1+L2)을 학습합니다.
18-1
들어가며
5분
18-2
모델 크기 조절
15분
18-3
규제(Regularization)
20분
18-4
드롭아웃(Dropout)
15분
18-5
마무리하며
5분
노드 19
가중치 초기화와 배치 정규화
딥러닝 모델의 효과적인 학습을 위한 가중치 초기화와 배치 정규화를 알아봅니다. Reuters 데이터셋을 이용해 가중치 초기화와 배치 정규화를 실습합니다.
19-1
들어가며
5분
19-2
가중치 초기화(Weights Initialization)
15분
19-3
Reuters 딥러닝 모델 예제
20분
19-4
배치 정규화(Batch Normalization)
15분
19-5
마무리하며
5분
노드 20
딥러닝 모델 실습
그동안 배웠던 내용을 새로운 데이터셋인 Fashion MNIST에 적용해 봅니다. 특히 빠른 학습과 과대 적합을 방지하는 모델 최적화를 다양하게 실습합니다.
20-1
들어가며
5분
20-2
Fashion MNIST 모델
25분
20-3
모델 최적화
25분
20-4
마무리하며
5분
노드 21
프로젝트: Boston 주택 가격 예측
지금까지 배운 내용을 가지고 실제 딥러닝 프로젝트를 진행합니다.
예측(회귀)에 필요한 딥러닝 모델을 데이터 처리부터 모델 구성 및 학습, 평가와 예측까지 진행하면서 실습합니다.
21-1
들어가며
5분
21-2
Boston 주택 가격 예측 모델
55분
노드 22
프로젝트: Reuters 뉴스 주제 분류
텍스트 분류에 필요한 딥러닝 모델을 데이터 처리부터 모델 구성 및 학습, 평가와 예측까지 진행하면서 실습합니다.
22-1
Reuters 딥러닝 모델
1시간
노드 23
심화탐구 프로젝트: CIFAR10 이미지 분류
이미지 분류에 필요한 딥러닝 모델을 데이터 처리부터 모델 구성 및 학습, 평가와 예측까지 진행하면서 실습합니다.
23-1
CIFAR10 딥러닝 모델
55분
23-2
마무리하며
5분
노드 24
컴퓨터 비전 태스크 “상상”해 보기
컴퓨터 비전 태스크를 알아봅니다.
24-1
들어가며
5분
24-2
이미지 "데이터" 이해하기
10분
24-3
이미지 내의 정보 찾아보기
15분
24-4
컴퓨터 비전의 다양한 태스크
15분
24-5
마무리하며
5분
노드 25
다층 퍼셉트론(Multi-Layer Perceptron) 구조 복습하기
다층 퍼셉트론(Multi-Layer Perceptron)의 구조와 MLP 의 한계를 이론과 실습을 통해 알아봅니다.
25-1
들어가며
3분
25-2
MLP 모델 복습하기
55분
25-3
MLP 모델의 한계
30분
25-4
마무리하며
2분
노드 26
CNN 하나씩 이해하기 (1) 1-Channel Convolution
1-Channel Convolution, filter, padding을 학습합니다.
26-1
들어가며
3분
26-2
Channel이 하나일 때 1-Layer의 Convolution 연산
30분
26-3
Filter를 이해하기
30분
26-4
Channel이 하나일 때 2개 이상의 Layer에서 Convolution 연산 (Padding)
14분
26-5
마무리하며
3분
노드 27
CNN 하나씩 이해하기 (2) 3-Channel Convolution
Channel이 3개일 때 1-layer의 Convolution 연산, Hyper-Parameter, 1x1 Convolution, Transposed Convolution을 학습합니다.
27-1
들어가며
5분
27-2
Channel이 3개일 때, 1-Layer의 Convolution 연산
20분
27-3
Hyper-Parameter에 대한 고민 (Kernel size, Channel size, Stride)
10분
27-4
1x1 Convolution
5분
27-5
Transposed Convolution
27분
27-6
마무리하며
3분
노드 28
CNN 하나씩 이해하기 (3) Pooling
Pooling에 대해 알아보고 CNN을 구현해 봅니다.
28-1
들어가며
3분
28-2
Pooling
12분
28-3
Convolution + Pooling 종합
7분
28-4
CNN 구조 구현하기
30분
28-5
마무리하며
3분
노드 29
심화된 CNN 구조
GoogLeNet과 ResNet의 구조를 이론과 코드를 통해 살펴 봅니다.
29-1
들어가며
3분
29-2
Inception Module (Naïve Version) “GoogLeNet”
27분
29-3
Inception Module (1x1 convolution) “GoogLeNet”
45분
29-4
Skip Connection (ResNet)
22분
29-5
마무리하며
3분
노드 30
Transfer Learning 이해하기
대규모 학습의 어려움을 이해하고, 이론과 코드를 통해 transfer learning을 학습합니다.
30-1
들어가며
3분
30-2
대규모 모델 학습의 어려움
12분
30-3
Transfer Learning의 아이디어
12분
30-4
Transfer Learning의 적용
40분
30-5
마무리하며
3분
노드 31
Object Detection
Object Detection의 발전 과정을 알아보고, R-CNN을 통해 Object Detection을 깊게 이해해 봅니다.
31-1
들어가며
3분
31-2
Image Classification vs Localization vs Object Detection
13분
31-3
Object Detection 모델의 발전 과정
11분
31-4
R-CNN 모델을 통해 Object Detection 이해하기
40분
31-5
마무리하며
3분
노드 32
Segmentation
Semantic segmentation과 Instance segmentation을 비교하고, U-Net 구조를 통해 segmentation을 깊게 이해합니다.
32-1
들어가며
3분
32-2
Semantic Segmentation vs Instance Segmentation
9분
32-3
U-Net 구조를 통해서 Segmentation 이해하기
30분
32-4
U-Net 코드를 통해서 이해 다지기
50분
32-5
마무리하며
3분
노드 33
프로젝트: Image Classification
VGG16을 활용한 이미지 분류 프로젝트를 수행합니다.
33-1
들어가며
10분
33-2
프로젝트: Image Classification
50분
노드 34
심화탐구 프로젝트: Object Detection
Faster R-CNN을 활용한 Object Detection 프로젝트를 수행합니다.
34-1
심화탐구 프로젝트: Object Detection
55분
34-2
마무리하며
5분