9개의 Jupyter Notebook에서 TensorFlow 2 기초부터 실제 신경망 모델까지 단계적으로 학습합니다. 텐서, eager execution, 자동 미분으로 시작해 회귀와 분류를 구현하고, 합성곱 신경망, 전이 학습, 모델 저장으로 확장합니다.
TensorFlow API의 여러 수준을 의도적으로 비교합니다. 변수와 GradientTape로 저수준 계산을 작성하고, tf.keras Sequential 및 Functional 모델을 만들며, 모델 서브클래싱과 실제·합성 데이터를 활용한 구현 과제를 완성합니다.
학습 내용
- Eager execution에서 TensorFlow 텐서와 변수 생성 및 조작하기
tf.GradientTape로 미분을 계산하고 기울기 추적하기- 저수준 연산, 계층, Keras 모델로 선형 회귀 구현하기
- 저수준 TensorFlow 코드를 완성해 다항 회귀 적합하기
- 사용자 코드, Sequential, Functional, 모델 서브클래싱으로 얕은 분류기 만들기
- 손글씨 숫자와 자동차 안전성 데이터 준비 및 분류하기
- Fashion-MNIST용 VGG 및 LeNet-5 신경망을 만들고 사전 학습 VGG16 기반 적용하기
- 가중치, 전체 모델, 저수준 checkpoint 저장 및 복원하기
추천 대상
Python과 입문 머신 러닝을 알고 텐서부터 CNN까지 TensorFlow 2를 코드 중심으로 배우려는 학습자를 위한 과정입니다. Notebook은 초급으로 표시되지만 빠르게 진행되며 배열, 회귀, 분류, 신경망 계층의 기본 목적을 이해한다고 가정합니다. 배포와 프로덕션 serving은 다루지 않습니다.
선수 지식: Python, NumPy 형태 배열 연산과 미분, 회귀, 분류, 신경망에 대한 입문 지식을 권장합니다. Jupyter Notebook 경험도 도움이 됩니다.
학습 환경: 9개 활동 모두 제공되는 Ubuntu 22.04 Jupyter 환경에서 실행됩니다. 준비된 Notebook에는 설명, 실행 예제, 데이터 로딩 코드, 완성할 구현 구간이 포함됩니다.
자주 묻는 질문
TensorFlow 문법만 소개하는 과정인가요?
아니요. 문법과 자동 미분에서 시작해 회귀, 얕은 분류, VGG 스타일과 LeNet-5 CNN, 전이 학습, 모델 저장까지 진행합니다.
어떤 데이터 세트를 사용하나요?
생성 회귀 데이터, scikit-learn 손글씨 숫자, Car Evaluation, Fashion-MNIST를 사용해 회귀, 표 형식 분류, 이미지 분류를 연습합니다.
모든 예제가 최신 TensorFlow 2 API 스타일인가요?
아니요. 중심 방식은 eager, GradientTape, tf.keras이지만 일부 셀에는 tf.train.AdamOptimizer 같은 초기 TensorFlow 2 시대 이름이 남아 있습니다. 새 환경에 적용할 때 현재 문서를 확인하세요.
하나의 최종 프로젝트가 있나요?
아니요. 대신 다항 회귀, 자동차 안전성 분류, LeNet-5 스타일 신경망을 완성하는 집중 과제와 가이드형 Notebook이 있습니다.
