[IBM AI course #3] Deep Learning & Neural Networks with Keras Advanced Keras TechniquesCustom Training Loops: 고급 학습 전략 구현 가능.Custom Layers: tf.keras.layers.Layer 상속 후 build 및 call 정의.Custom Callbacks: 학습 중 사용자 정의 로직 실행. Keras의 Custom Training Loop기본 fit() 대신 직접 학습 루프 구현 → 유연성 향상Dataset, Model, Optimizer, Loss function 방법데이터셋을 반복(iterate)모델 예측 수행손실(loss) 계산tf.GradientTape를 이용해 기울기(gradient) 계산옵티마..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Unsupervised Learning in KerasUnsupervised Learning라벨(정답)이 없는 데이터를 기반으로 숨겨진 패턴과 구조를 찾는 기법.클러스터링, 차원 축소, 이상 탐지 등에 활용n">분류설명예시n">Clustering비슷한 데이터끼리 그룹(클러스터)로 나누기K-means, Hierarchical Clusteringn">Association변수들 간의 빈번한 관계/규칙 찾기Apriori, Eclatn">Dimensionality Reduction데이터의 차원 축소를 통해 핵심 특성만 추출PCA, T-SNE 오토인코더Dimensionality Reduction의 PCA..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Introduction to Transformers in KerasTransformer는 자연어 처리(NLP) 분야를 혁신했고, 지금은 이미지 처리, 시계열 예측 등 다양한 영역으로 확장되었다. ("Attention is All You Need” 논문)RNN과 달리 self-attention을 통해 병렬 처리가 가능해졌다 주요 구성 요소인코더와 디코더 인코더와 디코더 공통 구조Self-attention mechanismFeed-forward neural networkResidual connectionLayer normalization 인코더입력을 임베딩 후, Positional Encoding ..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Advanced CNNs in KerasCNN은 시각 데이터를 처리하는 딥러닝 구조로, convolutional, pooling, fully connected layer로 구성됨.Convolutional Layer: 이미지에서 특징 추출Pooling Layer: 특징 맵 크기 감소 → 계산량 줄이기Fully Connected Layer: 최종 분류 작업 수행 기본 CNN 모델 구성Conv2D → MaxPooling → Conv2D → MaxPooling → Flatten → Dense → Output Data Augmentation Techniques목적모델의 일반화 능력 향상, 과적합(ove..

[IBM AI course #3] Deep Learning & Neural Networks with Keras TensorFlow구글이 개발한 오픈 소스 머신러닝 플랫폼으로, 머신러닝과 딥러닝 모델을 구축하고 다양한 환경에 배포할 수 있는 도구를 제공 TensorFlow 2.X의 핵심 기능Eager Execution: 연산을 즉시 실행하여 디버깅과 인터랙티브한 프로그래밍에 유리직관적인 고수준 API: Keras 통합으로 모델 생성 및 학습 간소화다양한 플랫폼 지원: 모바일, 웹, 임베디드 디바이스 등확장성과 성능: CPU, GPU, TPU까지 확장 가능풍부한 생태계: TFLite, TFJS, TFX 등 다양한 도구 및 라이브러리 포함 Eager Execution의 장점→ TensorFlow 2.X의 주요..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Introduction to Advanced Keras 실제 적용 분야헬스케어: 질병 진단용 의료 이미지 분석금융: 시장 예측자율주행: 객체 및 차선 인식 Functional APIKeras Functional API는 Sequential API보다 더 유연하게 복잡한 신경망 모델을 구축하게 해주며, 단순한 레이어 스택 이상의 모델이 필요할 때 유용하다. 가능한 구조다중 입력과 다중 출력공유 레이어 (Shared Layers)비선형 데이터 흐름→ 맞춤형 솔루션이 필요한 복잡한 문제를 연구하고 해결하는 데 매우 중요 레이어들을 순차적으로 쌓는 것이 아니라, 레이어 간 연결을 명시적으로 정의하는 ..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Pretrained model대규모 데이터셋(예: ImageNet)에서 이미 학습된 모델새로운 과제에 대해 재학습 없이 feature extractor로 활용 가능추출된 feature는 클러스터링, 시각화, 머신러닝 모델 입력 등에 활용 가능 → 예를 들어, VGG16, ResNet과 같은 ImageNet pretrained 모델이 이미지에서 feature map을 추출하는 데 자주 사용됨 Feature Extractor로 사용하는 장점재학습 불필요 → 빠르고 컴퓨팅 자원 소모 적음강력한 표현력 활용 → 사전 학습된 모델의 합성곱(convolutional) 계층이 학..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras TransformersTransformer는 자연어 처리(NLP) 및 다양한 분야에서 혁신을 이끈 신경망 아키텍처기존의 RNN, CNN과 달리 긴 시퀀스 내의 장거리 의존성(long-range dependency)을 효과적으로 처리기계 번역, 텍스트 요약, 질의응답 시스템, text-to-image 생성에 주로 활용됨 Transformer typesGPT (Generative Pre-trained Transformer) → ChatGPT, GeminiBERT (Bidirectional Encoder Representations from Transformers) → G..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Convolutional Neural Networks (CNNs) CNN?CNN은 입력이 이미지일 것이라는 전제를 명시적으로 도입한 신경망 구조기존의 fully connected neural network와 달리, 매우 적은 수의 파라미터로 효율적인 연산 가능이미지 인식, 객체 탐지, 전반적인 컴퓨터 비전 분야에 사용됨 CNN의 구조 및 구성 요소Input → Convolution → ReLU → Pooling → Flatten → Fully Connected → Output Input Layer흑백 이미지: n x m x 1컬러 이미지: n x m x 3 (RGB..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras 딥러닝 모델을 구축하기 위해 다양한 라이브러리와 프레임워크가 존재하며,해당 과정에서는 TensorFlow, PyTorch, Keras를 중점적으로 다루게 될 것이다. 주요 딥러닝 라이브러리1. TensorFlow가장 인기 있는 라이브러리Google에서 개발, 2015년 공개연구 및 실제 제품 환경 모두에서 사용GitHub 상의 커밋, PR, 포크 수 등 커뮤니티 규모 매우 큼학습 곡선이 가파름2. PyTorchTorch 프레임워크(Lua 기반)에서 파생GPU 연산에 최적화Python에 맞춰 재작성되어 사용성이 높고 빠름2016년 출시, 특히 학계 및 커스텀 모델 최적..