본문 영역으로 바로가기
로그인 회원가입 블로그 유투브

인천무크

팝업닫기
알림창
인천무크(i-MOOC) 회원가입
1. 아래 버튼을 클릭해 Office 365 계정 회원가입 진행
2. 인천무크 바로가기 버튼을 클릭하여 i-MOOC에서 로그인

※회원가입에 필요한 Office 365 인증코드는 소속학교 선생님을 통해 확인하실 수 있습니다.

비디오이미지
진행중 한글

[딥러닝 클래식 과정] CNN Basic

  • 코스/코스구분

    인공지능 / 수료

  • 기관

    publicai

  • 언어/번역

    한글/한글

  • 수강 신청 기간

    2025.11.17 ~ 2030.03.01

  • 강좌 수강 기간

    2025.11.17 ~ 2030.04.01

  • 강좌 키워드

    #Microsoft_S #AI특강 #딥러닝 #컴퓨터비전 #합성곱연산

강의 소개

TensorFlow를 활용해 CNN과 DNN 모델을 구현하며, 전통적인 딥러닝 구조와 학습 원리를 실습을 통해 이해합니다.

강의 계획서

    1. 1-1 이미지 데이터 표현하기

    2. 1-2 이미지 데이터의 구조

    3. 1-3 컴퓨터 비전과 MNIST 데이터

    4. 1-4 심층신경망을 활용한 컴퓨터비전

    5. 1-5 이미지 심층신경망 모델의 문제점

    6. 1-6 이미지 특성과 CNN의 등장 배경

    1. 2-1 합성곱 연산의 동작 원리

    2. 2-2 합성곱 연산의 동작 구현하기

    3. 2-3 합성곱 연산의 장점

    4. 2-4 합성곱 연산에서의 필터

    5. 2-5 필터를 활용해 이미지 특징 추출하기

    6. 2-6 필터를 활용해 윤곽선 특징 추출하기

    7. 2-7 텐서플로우를 활용한 이미지 윤곽선

    1. 3-1 필터의 크기

    2. 3-2 합성곱 연산의 문제점

    3. 3-3 패딩(padding)이란

    4. 3-4 패딩(padding)의 크기 결정

    5. 3-5 스트라이드(stride)란

    1. 4-1 고차원 데이터의 합성곱 연산

    2. 4-2 고차원 데이터의 합성곱 연산 구현

    3. 4-3 복수개 필터의 합성곱 연산

    1. 5-1 풀링 연산이란

    2. 5-2 풀링 연산 Max pooling 연산

    3. 5-3 풀링 연산 Average pooling 연산

    4. 5-4 고차원에서의 풀링 연산

    5. 5-5 Max pooling과 Average pooling 연산

    1. 6-1 합성곱 신경망의 설계

    2. 6-2 합성곱 층의 구조

    3. 6-3 합성곱 층의 Notation

    4. 6-4 CNN 모델 분석하기

    5. 6-5 간단한 CNN 만들기

    6. 6-6 합성곱 신경망의 설계 마무리

    1. 7-1 합성곱 설계의 고려 사항

    2. 7-2 Receptive Field 계산법

    3. 7-3 Fully Connected Layer Convolution Layer 비교

    4. 7-4 합성곱 설계의 고려 사항_메모리

    5. 7-5 메모리 계산법

    6. 7-6 큰 이미지의 메모리 이슈

수강신청
인천광역시교육청 인천사이버진로교육원 인천교육플랫폼 인천 매타 캠퍼스

TOP
인천무크 문의
운영 시간 안내
평일: 10:00 ~ 18:00
이외의 시간은 이메일로 문의부탁드립니다.