[AI 특화] Python 라이브러리를 활용한 인공지능
교육목적/특징
■ 다양한 데이터 형식을 다루고 머신러닝 프로젝트를 수행하는 담당자가 이 과정을 통해서 필요로 하는 업무를 수행할 수 있도록 한다.
■ 데이터베이스의 정보를 가지고 와서 머신러닝용 데이터로 가공할 수 있다.
■ 다양한 머신러닝 알고리즘을 이해하고 이를 활용하여 학습을 시켜 의미있는 정보로 만들 수 있도록 한다.
■ 다양한 딥러닝 라이브러리를 이해하고 이를 이용한 학습으로 의사결정에 활용할 수 있는 의미있는 정보를 만들 수 있도록 한다.
교육대상
■ 파이썬 프로그램을 다루어 본 실무자
■ 파이썬 머신러닝 기법을 익혀 활용하고자 하는 실무자
■ 파이썬 딥러닝 기법을 익혀 다른 기술로 처리가 힘든 정보로 가공해서 인사이트를 찾고자 하는 실무자
■ 파이썬 딥러닝 이미지 처리 등의 기법을 익혀 비정규 데이터인 이미지를 다루려는 실무자
※ 온앤오프 진행방식은 개강일 1주일 전 선호도 조사 결과에 따라 진행방식이 결정됩니다. 온앤오프 병행 수업으로 진행되거나, 온라인(또는 오프라인) 희망자가 소수인 경우 오프라인(또는 온라인) 전용 과정으로 진행될 수 있으니 이점 참고하여 주시기 바랍니다. |
교육내용
| 일자 | 내용 | |
|---|---|---|
| 1일차 | [Phase 01] 인공지능(머신러닝/딥러닝) 개발환경 구축 - 머신러닝 이해 - 머신러닝과 딥러닝의 차이 - 파이썬 인공지능 개발 환경 구축 - 필수 라이브러리와 도구들 사용법 : Numpy, Pandas, Scipy, Matplotlib, Seaborn 등 | |
| 2일차 | [Phase 02] 파이썬 머신러닝 기법 이해 - 머신러닝의 종류 - 머신러닝의 응용 분야 - 파이썬 머신러닝 라이브러리(Scikit-learn) 이해 - 머신러닝 기본 실습 | |
| 3일차 | [Phase 03] 파이썬 머신러닝 처리기법 실습 - 인공지능 전체 그림 보기 - 지도학습 기법 실습 k-최근접 이웃, 선형모델, 릿지 라쏘, SVM, 결정트리, 앙상블 등 - 비지도학습 기법 실습 k-평균 군집, 병합 군집, DBSCAN, 주성분 분석 : PCA, t-SNE 등 | |
| 4일차 | [Phase 04] 파이썬 딥러닝 기법 이해 - 딥러닝 개요 - 신경망 기본 개념 - 파이썬 딥러닝 이해 - 파이썬 딥러닝 실습(Tensorflow) | |
| 5일차 | [Phase 05] 파이썬 딥러닝 처리기법 실습 - 이미지 처리 아키텍처(CNN) 실습 - 시계열 데이터 처리 아키텍처(RNN) 실습 - 모델 평가와 성능 향상(하이퍼 파라미터 튜닝) 실습 | |
| * 본 교육과정은 개강일 기준으로 약 7일 전 개강 여부를 확정하며, 최소한의 수강생이 모이지 않을 경우 폐강될 수도 있음을 알려드립니다. (수강신청 완료자분들을 대상으로 개강일 기준 약 7일 전 문자/메일로 안내드리고 있습니다.) | ||
연관 자격
| 자격증명 | 자격증관련링크 |
|---|
