＂1. 인공지능 개론
[1일차] 인공지능개론
- 인공지능 기술 개요
- 인공지능 모델의 종류와 응용 사례
- 상용 인공지능 서비스
- 영상인식 응용 기술 및 응용
- 챗봇 서비스 기술 및 응용
[2일차] 인공지능을 위한 파이썬
- Python 소개 및 개발 환경 설정
- 통계 분석을 위한 Python 프로그래밍 학습
- 기계학습 알고리즘과 Neural Networks 이해
2. 인공지능을 위한 파이썬
[3일차] 파이썬 라이브러리
- 수치 연산 라이브러리 [Numpy / Scipy]
- 시각화 라이브러리 [matplotlib]
- 데이터 분석 라이브러리 [Pandas]
- 머신러닝 라이브러리 [Scikit-learn]
[4일차] 머신러닝 알고리즘(1)
- kNN
- K-MEANS
- Naive Bayes
[5일차] 머신러닝 알고리즘(2)
- Linear regression & Logistic regression
- Decision Tree
- Deep neural network
3. 딥러닝 프레임워크(TensorFlow)
[6일차] Deep Learning 개요
- Deep feedforward network
* Feed-forward neural networks
* Computational graph and backpropagation
- Optimization for training deep models
- Regularization
[7일차] Convolutional Networks
- CNN (Convolution Neural Networks)
* Convolutional layers
* Activation
* Pooling
* Batch Normalization
* Dropout
- AlexNet / VGGNet architecture
[8일차] Recurrent neural networks & Auto Encoder
- RNN (Recurrent Neural Networks)
- LSTM and gated recurrent units
- CTC
- Seq2Seq architectures
- Attention models
- AutoEncoder / Seq2Seq
- Complex Network Models / Representative models
4. 딥러닝 기반 영상 인식 기술
[9일차] Pixel Data 처리를 위한 Image Processing
- Image Processing Fundametals
- Image Coordinate System
- Scaling and Aspect Ratios
- Image Classification
[10일차] 시각인지를 위한 딥러닝
- Deep Learning Classification Pipeline
- Optimization Methods and Regularization
- Learning Rate Schedulers
- Spotting Underfitting and Overfitting
- Visualizing Network Architectures
- CNNs for Classification
[11일차] 딥러닝 시각 인지 아키텍쳐 이해
- Data Augmentation
- Networks as Feature Extractors
- Ranked Accuracy / Fine-tuning Networks
- Advanced Optimization Methods
- AlexNet / VGGNet / GoogLeNet / ResNet
[12일차] 딥러닝 기반 영상처리 실무
- 이미지 탐색 알고리즘
* R-CNN / You Only Look Once
* AttentionNet
- 시각인지(Visualizing and Understanding)
* 시각적 특징 및 반전(Feature visualization and inversion)
* 적대적 예시(Adversarial examples)
5. 딥러닝 기반 텍스트마이닝과 챗봇 구현기술
[13일차] NLP의 개념 이해 / 규칙 기반의 자연어처리 / 응용 시스템 소개
- 최근 AI 서비스 동향과 자연어처리 기술
- 규칙 및 통계 기반의 자연어처리 기술 (형태소분석， 품사 태깅， 구문분석， 감성분석， 의미분석 등)
- 언어데이터의 종류와 구축 방안
- NLP 응용 시스템 소개
- 한국어 자연어처리를 위한 KoNLPy 소개
[14일차] NLP와 기계학습
- 기계학습 및 딥러닝에 대한 기본 개념 소개
- 기계학습 기반 자연어처리 기술 개발 (Word2Vec， 청커， 감정 분석， 기계번역)
[15일차] 챗봇을 위한 딥러닝
- 챗봇 개론
- 딥러닝 기법 챗봇에 활용법 (Seq2seq / Attention Networks / Machine Comprehension / VAE)
6. 인공지능 서비스 개발 Project 내용
[16일차] 프로젝트 소개， 팀구성 / 언어/시각인지 기술 설명 / 프로젝트 과제 선정
- 프로젝트 소개， 방법론， 팀구성
- 딥러닝 기본 정보 및 실습 주제 /수행정보 안내
- 프로젝트 수행 계획 안내 및 주제 결정
[17일차] 프로젝트 수행 계획서 / 프로젝트 수행을 위한 딥러닝 실습 교육
- 프로젝트 수행 계획서 리뷰 및 제출
- 프로젝트 수행 계획 안내 및 주제 결정
[18일차] 프로젝트 수행 - 조별 프로젝트 수행
[19일차] 프로젝트 피드백 및 멘토링
- 딥러닝 기술기법 및 실습프로젝트 수행， 중간 점검
[20일차] 프로젝트 피드백 및 멘토링 / 프로젝트 결과 발표
- 딥러닝 기술기법 및 실습프로젝트 수행， 중간 점검
- 프로젝트 결과 발표＂
[1일차] 인공지능개론
- 인공지능 기술 개요
- 인공지능 모델의 종류와 응용 사례
- 상용 인공지능 서비스
- 영상인식 응용 기술 및 응용
- 챗봇 서비스 기술 및 응용
[2일차] 인공지능을 위한 파이썬
- Python 소개 및 개발 환경 설정
- 통계 분석을 위한 Python 프로그래밍 학습
- 기계학습 알고리즘과 Neural Networks 이해
2. 인공지능을 위한 파이썬
[3일차] 파이썬 라이브러리
- 수치 연산 라이브러리 [Numpy / Scipy]
- 시각화 라이브러리 [matplotlib]
- 데이터 분석 라이브러리 [Pandas]
- 머신러닝 라이브러리 [Scikit-learn]
[4일차] 머신러닝 알고리즘(1)
- kNN
- K-MEANS
- Naive Bayes
[5일차] 머신러닝 알고리즘(2)
- Linear regression & Logistic regression
- Decision Tree
- Deep neural network
3. 딥러닝 프레임워크(TensorFlow)
[6일차] Deep Learning 개요
- Deep feedforward network
* Feed-forward neural networks
* Computational graph and backpropagation
- Optimization for training deep models
- Regularization
[7일차] Convolutional Networks
- CNN (Convolution Neural Networks)
* Convolutional layers
* Activation
* Pooling
* Batch Normalization
* Dropout
- AlexNet / VGGNet architecture
[8일차] Recurrent neural networks & Auto Encoder
- RNN (Recurrent Neural Networks)
- LSTM and gated recurrent units
- CTC
- Seq2Seq architectures
- Attention models
- AutoEncoder / Seq2Seq
- Complex Network Models / Representative models
4. 딥러닝 기반 영상 인식 기술
[9일차] Pixel Data 처리를 위한 Image Processing
- Image Processing Fundametals
- Image Coordinate System
- Scaling and Aspect Ratios
- Image Classification
[10일차] 시각인지를 위한 딥러닝
- Deep Learning Classification Pipeline
- Optimization Methods and Regularization
- Learning Rate Schedulers
- Spotting Underfitting and Overfitting
- Visualizing Network Architectures
- CNNs for Classification
[11일차] 딥러닝 시각 인지 아키텍쳐 이해
- Data Augmentation
- Networks as Feature Extractors
- Ranked Accuracy / Fine-tuning Networks
- Advanced Optimization Methods
- AlexNet / VGGNet / GoogLeNet / ResNet
[12일차] 딥러닝 기반 영상처리 실무
- 이미지 탐색 알고리즘
* R-CNN / You Only Look Once
* AttentionNet
- 시각인지(Visualizing and Understanding)
* 시각적 특징 및 반전(Feature visualization and inversion)
* 적대적 예시(Adversarial examples)
5. 딥러닝 기반 텍스트마이닝과 챗봇 구현기술
[13일차] NLP의 개념 이해 / 규칙 기반의 자연어처리 / 응용 시스템 소개
- 최근 AI 서비스 동향과 자연어처리 기술
- 규칙 및 통계 기반의 자연어처리 기술 (형태소분석， 품사 태깅， 구문분석， 감성분석， 의미분석 등)
- 언어데이터의 종류와 구축 방안
- NLP 응용 시스템 소개
- 한국어 자연어처리를 위한 KoNLPy 소개
[14일차] NLP와 기계학습
- 기계학습 및 딥러닝에 대한 기본 개념 소개
- 기계학습 기반 자연어처리 기술 개발 (Word2Vec， 청커， 감정 분석， 기계번역)
[15일차] 챗봇을 위한 딥러닝
- 챗봇 개론
- 딥러닝 기법 챗봇에 활용법 (Seq2seq / Attention Networks / Machine Comprehension / VAE)
6. 인공지능 서비스 개발 Project 내용
[16일차] 프로젝트 소개， 팀구성 / 언어/시각인지 기술 설명 / 프로젝트 과제 선정
- 프로젝트 소개， 방법론， 팀구성
- 딥러닝 기본 정보 및 실습 주제 /수행정보 안내
- 프로젝트 수행 계획 안내 및 주제 결정
[17일차] 프로젝트 수행 계획서 / 프로젝트 수행을 위한 딥러닝 실습 교육
- 프로젝트 수행 계획서 리뷰 및 제출
- 프로젝트 수행 계획 안내 및 주제 결정
[18일차] 프로젝트 수행 - 조별 프로젝트 수행
[19일차] 프로젝트 피드백 및 멘토링
- 딥러닝 기술기법 및 실습프로젝트 수행， 중간 점검
[20일차] 프로젝트 피드백 및 멘토링 / 프로젝트 결과 발표
- 딥러닝 기술기법 및 실습프로젝트 수행， 중간 점검
- 프로젝트 결과 발표＂
