딥러닝 프로페셔널 — 학습 가이드
딥러닝 프로페셔널 인증을 위한 시각적이고 예제 중심의 학습 가이드입니다. 신경망의 작동 개념 모델을 구축합니다: 순전파, 역전파 및 연쇄 법칙, 활성화 함수 및 손실 함수, 최적화 기법 및 스케줄, 초기화 및 그래디언트 문제, 정규화 및 정규화 도구 세트, 그리고 두 가지 주요 아키텍처 패밀리(CNN 및 RNN/LSTM)와 임베딩, 전이 학습, GPU 및 배치 크기의 실제 측면. 다이어그램, 비교 표 및 완전히 계산된 작은 순전파 및 역전파 예제가 포함됩니다.
Key facts
- Course price: $195 (one-time payment)
- Field: Artificial Intelligence & LLMs
- Prepares for: 딥러닝 전문가
- 5 modules · 15 lessons · about 4 hours of lessons
- Self-paced, online, illustrated lessons
Course outline
- 뉴런, 네트워크 및 순전파 — 퍼셉트론에서 다층 네트워크까지: 순전파가 입력을 예측으로 변환하는 방법과 비선형성이 필수적인 이유입니다.
- 퍼셉트론과 MLP
- 순전파, 단계별로 이해하기
- 소프트맥스와 예측 만들기
- 역전파 및 연쇄 법칙 — 네트워크가 학습하는 방법: 손실, 연쇄 법칙, 역방향 그래디언트 흐름 및 완전히 계산된 작은 순전파 및 역전파 예제입니다.
- 손실 함수: MSE와 교차 엔트로피
- 연쇄 법칙과 역전파
- 작업 예제: 작은 순방향 + 역방향 패스
- 활성화 함수, 옵티마이저 및 학습률 — 훈련을 작동시키는 레버: 활성화 함수, SGD에서 Adam까지의 옵티마이저 패밀리, 학습률 스케줄 및 훈련 루프입니다.
- 활성화 함수 비교
- 최적화기: SGD, Momentum, RMSprop, Adam
- 학습률 스케줄과 웜업
- 실제로 작동하는 심층 신경망 훈련 — 초기화, 그래디언트 병리, 정규화 및 정규화와 모든 것을 연결하는 전체 훈련 루프입니다.
- 초기화와 그래디언트 병리 현상
- 정규화: 드롭아웃, 가중치 감쇠, 조기 종료
- 정규화와 학습 루프
- CNN, RNN 및 전이 학습 — 두 가지 주요 아키텍처 패밀리(합성곱 및 순환)와 임베딩, 전이 학습, 증강 및 GPU/배치 크기 현실입니다.
- 합성곱 신경망
- 시퀀스를 위한 RNN, LSTM 및 GRU
- 임베딩, 전이 학습 및 하드웨어 현실