본문 바로가기

배우고 싶은 강좌를 찾아보세요.

추천 강좌

    다국어 설정

    강좌소개
    강의소개
    multi-layer perceptron, CNN, transformer 등 최신 딥러닝 모델을 이해하기 위한 필수 배경 지식을 빠르게 복습하고 이를 바탕으로 최신 딥러닝 architecture에 대한 이해를 높여서 실무에서 딥러닝을 보다 효과적으로 활용할 수 있는 능력을 갖추도록 한다.

    해당 주차일에 강의가 열리며, 지나간 강의는 언제든지 볼 수 있음

    주차

    주차명(주제)

    차시

    차시명(학습내용)

    평가방법

    1

    Multi-layer Perceptron (MLP)Backpropagation

    1-1

    MLP 소개와 기본 구조 ntro SDV

    퀴즈

    1-2

    MLP의 학습 알고리즘

    1-3

    MLP를 사용한 간단한 예제와 실습

    2

    Convolutional Neural Networks (CNNs)

    1-1

    CNN 소개와 기본 구조

    퀴즈

    1-2

    CNN의 핵심 구성 요소

    1-3

    CNN을 이용한 이미지 분류 및 객체 감지

    3

    Modern CNN Architectures

    1-1

    Batch Normalization

    퀴즈

    1-2

    VGG, ResNet, Inception

     

    RCNN과 객체 검출

    1-3

    실습: AlexNet 모델 구축 및 CIFAR-10 데이터셋 분류

    4

    Recurrent Neural Networks (RNNs)

    1-1

    RNN 소개와 기본 구조

    퀴즈

    1-2

    LSTM(Long Short-Term Memory)GRU(Gated Recurrent Unit

    1-3

    실습: 시계열 데이터를 사용한 RNN 모델 구축

    5

    Transformer

    1-1

    Transformer 소개와 기본 구조

    퀴즈

    1-2

    Attention 메커니즘 및 트랜스포머 아키텍처

    1-3

    실습: 트랜스포머 모델 구축과 자연어 처리

    6

    Lightweight neural network

    1-1

    네트워크 경량화 방법 소개

    퀴즈

    기말평가(과제)

    1-3

    실습: 네트워크 경량화 적용



    * 평가점수 및 이수증 발급기준

    구분퀴즈기말평가합계
    비율50%50%100%

    * 이수 기준: 총점 70점 이상 및 동영상 모두 시청

    수업계획서

    주차

    주차명(주제)

    차시

    차시명(학습내용)

    평가방법

    1

    Multi-layer Perceptron (MLP)Backpropagation

    1-1

    MLP 소개와 기본 구조 ntro SDV

    퀴즈

    1-2

    MLP의 학습 알고리즘

    1-3

    MLP를 사용한 간단한 예제와 실습

    2

    Convolutional Neural Networks (CNNs)

    2-1

    CNN 소개와 기본 구조

    퀴즈

    2-2

    CNN의 핵심 구성 요소

    2-3

    CNN을 이용한 이미지 분류 및 객체 감지

    3

    Modern CNN Architectures

    3-1

    Batch Normalization

    퀴즈

    3-2

    VGG, ResNet, Inception

    3-3

    RCNN과 객체 검출

    3-4

    실습: AlexNet 모델 구축 및 CIFAR-10 데이터셋 분류

    4

    Recurrent Neural Networks (RNNs)

    4-1

    RNN 소개와 기본 구조

    퀴즈

    4-2

    LSTM(Long Short-Term Memory)GRU(Gated Recurrent Unit

    4-3

    실습: 시계열 데이터를 사용한 RNN 모델 구축

    5

    Transformer

    5-1

    Transformer 소개와 기본 구조

    퀴즈

    5-2

    Attention 메커니즘 및 트랜스포머 아키텍처

    5-3

    실습: 트랜스포머 모델 구축과 자연어 처리

    6

    Lightweight neural network

    6-1

    네트워크 경량화 방법 소개

    퀴즈

    기말평가(과제)

    6-2

    실습: 네트워크 경량화 적용

    미리보기
    강좌운영진
    • 이장원

      [프로필]
      Indiana University, Ph.D. in Informatics (Intelligent and Interactive Systems)
      現 성균관대학교, 소프트웨어대학, 실감미디어공학과, 조교수
      現 성균관대학교, 사범대학, 컴퓨터교육과, 조교수
      前 한국항공대학교, 항공전자정보공학부, 조교수
      前 ObjectVideo Labs at Alarm.com, Research Scientist
      前 NASA Jet Propulsion Laboratory, Research Intern
      前 Samsung Electronics, Software Engineer

    • 주민준

      학습지원

      [성균관대학교 실감미디어공학과]
      이메일 : jmjs1526@skku.edu 


    • 진채은

      기술 운영지원

      [성균관대학교 교무처 교육컨텐츠개발팀]
      이메일 : wlsco97@skku.edu



    분야 공학 (컴퓨터 · 통신)

    난이도 전공기초

    운영기관 성균관대학교

    이수증 발급

    주차 6 주

    학습인정시간 6시간 00분 (04시간 38분)

    수강신청기간 25.03.03 ~ 26.02.23

    강좌운영기간 25.03.03 ~ 26.02.28

    전화번호 031-290-5245

    자막언어 한국어 외 1건

    강좌언어 한국어(ko)

    추천강좌
    같은기관강좌