TensorFlow, Keras, PyTorch를 아우르는 7개의 Jupyter 랩에서 신경망의 핵심 개념을 배웁니다. 딥 러닝 개념 소개 후 텐서와 계산을 다루고, 회귀 모델을 학습하며, 완전 연결 신경망과 텍스트 분류 모델을 구축합니다.
프레임워크 둘러보기와 일부 코드를 완성하는 구현 실습을 결합합니다. 캘리포니아 주택, 손글씨 숫자, IMDB 영화 리뷰, 합성 회귀 데이터를 사용해 계층, 손실, 옵티마이저, 학습 루프, 예측을 구체적인 작업에서 이해합니다.
학습 내용
- 딥 러닝의 주요 발전, 개념, 기본 구조 설명하기
- TensorFlow 텐서, Session, 계산 그래프, 변수, placeholder, 행렬 연산 사용하기
- 최소제곱, 수동 기울기, 옵티마이저, 미니배치로 TensorFlow 회귀 구현하기
- 손글씨 숫자 데이터로 다층 완전 연결 TensorFlow 신경망 구축 및 학습하기
- Keras 계층, Sequential, Functional API, 학습, 평가, 모델 시각화 살펴보기
- IMDB 리뷰 시퀀스를 준비하고 Keras Sequential 감성 분류기 만들기
- PyTorch 텐서, autograd, 신경망 모듈, 옵티마이저 사용하기
- 합성 데이터로 PyTorch 선형 회귀 모델과 학습 루프 완성하기
추천 대상
Python과 머신 러닝 기초를 갖추고 세 가지 주요 프레임워크가 텐서, 계층, 모델, 학습을 어떻게 표현하는지 비교하려는 학습자를 위한 과정입니다. 랩은 초급으로 표시되지만 압축된 Notebook은 NumPy 형태 배열, 행렬 연산, 손실, 최적화 코드를 따라갈 수 있다고 가정합니다. 프레임워크 기초 과정이며 현대적인 프로덕션 배포나 고급 딥 러닝 과정은 아닙니다.
선수 지식: Python, NumPy 형태 배열 연산, 선형 회귀와 신경망에 대한 입문 수준의 이해를 권장합니다. Jupyter Notebook 경험도 도움이 됩니다.
학습 환경: 7개 랩 모두 제공되는 Ubuntu 22.04 Jupyter 환경에서 실행됩니다. 준비된 Notebook에는 설명, 실행 가능한 예제, 완성해야 할 코드 셀이 함께 있습니다.
자주 묻는 질문
세 프레임워크 모두로 모델을 구축하나요?
네. TensorFlow로 선형 회귀와 다층 숫자 모델, Keras로 Sequential IMDB 감성 모델, PyTorch로 선형 회귀를 구현합니다. 프레임워크 가이드에서는 핵심 추상화도 다룹니다.
Python을 전혀 모르는 초보자에게 적합한가요?
아니요. Notebook은 텐서, 행렬 곱셈, 손실, 기울기, 학습 루프로 빠르게 진행합니다. Python과 입문 머신 러닝 기초가 중요합니다.
현재 프레임워크 API를 사용하나요?
전체가 그렇지는 않습니다. TensorFlow는 Session, placeholder 같은 1.x 패턴을 사용하고, Keras는 독립 keras 패키지를 사용하며, PyTorch 가이드에는 이전 Variable과 CUDA 8/9 내용이 있습니다. 개념은 유용하지만 새 프로젝트에는 현재 문서를 함께 사용해야 합니다.
어떤 데이터와 작업이 포함되나요?
TensorFlow 회귀에는 캘리포니아 주택, 완전 연결 분류에는 scikit-learn 숫자, 감성 분류에는 IMDB 리뷰, PyTorch 회귀에는 생성 데이터를 사용합니다.
