10월 06일 개강(일)
10. 06(일) ~ 11. 03(일)
・ 교육과정 | 생성형 인공지능(GAN) 개발 과정 ※ 40시간 교육 |
・ 학습난이도 | 중급 |
・ 강의시간표 | 평일 교육시간 별도문의 주말 교육시간(일) ※대면/비대면 일 : 09:30 ~ 18:30 (8시간/ 5일) ※ 상기 교육시간은 상황에 따라 변동이 가능합니다. ※ 재직자 국비교육은 평일 저녁반과 주말반만 가능합니다. (인원 충족시 종일반 진행가능) |
・ 수강료 | 재직자 국비지원 과정 전액무료 |
수강료 안내 |
| |||||||||||||||||||
어떤 교육 인가요? | 교육 목적 Tensorflow를 활용하여 생성형 인공신경망(GAN)을 이해하고, 다양한 이미지 생성 모델을 직접 설계 및 구현할 수 있는 실무적인 역량을 개발하기 위한 훈련을 제공합니다. 이를 통해 참가자들은 최신 인공지능 기술을 자신의 업무에 적용할 수 있는 능력을 함양하게 됩니다. 교육 대상 및 전망 ㆍ대상 : IT업계에서 근무하며 고용보험에 납입 중인 재직자로, Python 기초 역량을 보유하고 Deep Learning 모델에 대한 기본적인 이해가 있는 자 ㆍ전망 : 이 교육을 통해 참가자들은 AI 기술 발전의 최전선에서 요구되는 실용적인 기술을 습득하며, 특히 자동화, 이미지 처리 및 데이터 분석 분야에서의 경력 발전에 크게 기여할 수 있습니다 과정 강점 ㆍ기초 이해 : 생성형 인공지능 기술의 기초 개념 및 작동 원리를 체계적으로 학습합니다. ㆍ실습 중심 : GAN을 이용한 다양한 이미지 생성 모델을 직접 설계하고 개발해 보는 실습을 통해 이론과 실제의 격차를 해소합니다. | |||||||||||||||||||
교육은 이렇게 진행됩니다. |
|
수강료 안내
과정명 | 재직자 국비지원 과정 |
생성형 인공지능(GAN) 개발 과정 | 전액무료 |
어떤 교육인가요?
교육 목적
Tensorflow를 활용하여 생성형 인공신경망(GAN)을 이해하고, 다양한 이미지 생성 모델을 직접 설계 및 구현할 수 있는 실무적인 역량을 개발하기 위한 훈련을 제공합니다. 이를 통해 참가자들은 최신 인공지능 기술을 자신의 업무에 적용할 수 있는 능력을 함양하게 됩니다.
교육 대상 및 전망
ㆍ대상 : IT업계에서 근무하며 고용보험에 납입 중인 재직자로, Python 기초 역량을 보유하고 Deep Learning 모델에 대한 기본적인 이해가 있는 자
ㆍ전망 : 이 교육을 통해 참가자들은 AI 기술 발전의 최전선에서 요구되는 실용적인 기술을 습득하며, 특히 자동화, 이미지 처리 및 데이터 분석 분야에서의 경력 발전에 크게 기여할 수 있습니다
과정 강점
ㆍ기초 이해 : 생성형 인공지능 기술의 기초 개념 및 작동 원리를 체계적으로 학습합니다.
ㆍ실습 중심 : GAN을 이용한 다양한 이미지 생성 모델을 직접 설계하고 개발해 보는 실습을 통해 이론과 실제의 격차를 해소합니다.
교육은 이렇게 진행됩니다.
교육과정 로드맵
1. Python 및 Numpy 활용 능력 향상
• 기본 프로그래밍 구조 및 데이터 조작 능력을 승급
• Numpy를 활용한 데이터 분석 및 처리 기술 학습
• Tensorflow 활용 능력 향상
• Tensorflow를 이용한 기본적인 딥러닝 아키텍처 설계 및 구현
• 모델 훈련, 검증 및 튜닝 기술 습득
2. GAN 알고리즘 기초
• GAN의 역사, 발전, 그리고 주요 알고리즘 구조 이해
• 실시간 문제 해결을 위한 GAN 활용 방법 탐색
3. DCGAN을 활용한 필기체 이미지 생성 모델 실습
• 고급 합성곱 신경망을 사용하여 필기체 스타일의 이미지를 자동 생성
• 모델 성능 최적화 및 응용 가능성 평가
3. CycleGAN을 활용한 인물 이미지 생성 모델 실습
• 비쌍 의존 스타일 전환을 통해 다양한 인물 이미지 스타일을 생성
• 복잡한 이미지 데이터에 대한 GAN의 적용성과 한계 이해
교육 상세 커리큘럼
Python 및 Numpy (8시간) |
ㆍ Anaconda 설치 및 Python 환경설정 ㆍ Google Colab 사용법 ㆍ Python 자료형 ㆍ 제어문(for, if) ㆍ 함수 및 클래스 ㆍ Numpy ㆍ Array(배열) 사용법 ㆍ Array 연산 및 브로드캐스팅 |
Tensorflow |
<이론 학습> ㆍ Tensorflow의 아키텍처와 주요 구성 요소 소개 ㆍ 데이터 전처리 및 입력 파이프라인 구축 방법 ㆍ 경사하강법과 역전파알고리즘 ㆍ 신경망의 다양한 레이어와 활성화 함수 ㆍ 손실 함수와 최적화 알고리즘의 선택 및 적용 <실습 내용> ㆍ 기본적인 신경망 모델 구현 (예: 분류, 회귀 모델) ㆍ 실제 데이터셋을 사용한 모델 훈련 및 평가 (Fashion MNIST) ㆍ 하이퍼파라미터 튜닝을 통한 모델 성능 최적화 ㆍ TensorBoard를 이용한 학습 과정 시각화 및 분석 |
GAN 알고리즘 |
<이론 학습> ㆍ 생성적 적대 신경망(GAN)의 역사적 배경과 기본 원리 ㆍ 생성자(Generator)와 판별자(Discriminator)의 구조 및 역할 ㆍ 손실 함수의 설계와 각 네트워크의 학습 과정 <실습 내용> ㆍ 간단한 GAN 모델을 구축하여 2D 데이터 생성 ㆍ 생성자와 판별자의 훈련 과정 구현 및 관찰 ㆍ 생성된 데이터의 질 평가 및 문제점 분석 |
DCGAN 실습 |
<이론 학습> ㆍ DCGAN의 구조적 특징과 Convolutional Neural Networks(CNN)의 활용 |