- ±³À°¸ñÇ¥
Á¤º¸±â¼úÀÇ ¹ßÀü°ú ´õºÒ¾î ´Ù¾çÇÑ ÇüÅÂÀÇ µ¥ÀÌÅ͵éÀÌ ±âÇϱ޼öÀûÀ¸·Î »ý¼ºµÇ°í Á¤º¸ÀÇ À¯Åë ¹× º¸À¯¶ûÀÇ Áõ°¡·Î ÀÎÇØ À¶ÇÕ Çй®ÀÇ Á߿伺°ú ´õºÒ¾î º¹ÀâÇÑ µ¥ÀÌÅÍÀÇ ºÐ¼®¿¡ ´ëÇÑ Çʿ伺ÀÌ ºÎ°¢µÇ°í ÀÖ´Ù.
ÀÌ·¯ÇÑ »óȲ¿¡¼ º» °úÁ¤Àº ´ë¿ë·®ÀÇ µ¥ÀÌÅ͸¦ °ü¸®,ó¸®,ºÐ¼®À» ÅëÇØ ±â¾÷¿¡ ÇÊ¿ä·Î ÇÑ µ¥ÀÌÅ͸¦ ºÐ¼®ÇÏ°í ÀΰøÁö´ÉÀÇ ÀÌÇØ¿¡ ²À ÇÊ¿äÇÑ ¸Ó½Å·¯´×°ú µö·¯´×¿¡ ´ëÇÑ ±³À°À» ÅëÇÑ ºòµ¥ÀÌÅÍ ºÐ¼®°¡ ¾ç¼ºÀ» ¸ñÇ¥·Î ÇÏ°í ÀÖÀ¸¸ç À̸¦ À§ÇØ Ã¼°èÀûÀÌ¸ç ½Ç¹«ÀûÀÎ ±³À°À» ÅëÇØ ÈƷø¸Á·µµ ¹× ÀÎÀç¾ç¼ºÀ» ¸ñÇ¥·Î ÇÑ´Ù.
- »ó¼¼³»¿ë
NCS Á÷¾÷±âÃÊ´É·Â
- ÀÇ»ç¼ÒÅë´É·Â
- Á¤º¸´É·Â
ºòµ¥ÀÌÅÍ ±âÃÊ
- ºòµ¥ÀÌÅÍÀÇ °³³ä ¹× ±âÃÊÁö½Ä
- µ¥ÀÌÅÍ ¼öÁý °èȹ ¼ö¸³Çϱâ
- ºòµ¥ÀÌÅÍ ¼öÁý ½Ã½ºÅÛ ±¸¼ºÇϱâ
- ³»ºÎ µ¥ÀÌÅÍ ¼öÁýÇϱâ
- ¿ÜºÎ µ¥ÀÌÅÍ ¼öÁýÇϱâ
- µ¥ÀÌÅÍ º¯È¯Çϱâ
- ¼öÁý µ¥ÀÌÅÍ °ËÁõÇϱâ
ºòµ¥ÀÌÅÍ R°ú µ¥ÀÌÅÍ ºÐ¼®
* RÀÇ ±âÃÊ¿Í ±âº» ½ºÅ©¸³Æ®
- R ¼Ò°³ ¹× ¼³Ä¡
- R Studio ¼³Ä¡
- Rstudio ·¹À̾ƿô°ú ½ÇÇà
- ±âº» ½ºÅ©¸³Æ®¿Í ÇÔ¼ö
- R Ãß°¡ ÆÐÅ°Áö »ç¿ë
* º¤ÅÍ, Çà·Ä
- º¤ÅÍ ¹× Çà·Ä »ý¼º
- °´Ã¼Á¤ÀÇ ¹× µ¥ÀÌÅÍÇÁ·¹ÀÓ
- º¤ÅÍ¿Í Çà·ÄÀÇ ¿¬»ê
- °£´ÜÇÑ ÇÔ¼ö»ý¼º
- for, while
* µ¥ÀÌÅÍ ±¸Á¶ ¹× R ¹®¹ý ÇнÀ
- apply, dplyt µî
- ¹®ÀÚ µ¥ÀÌÅÍ
- µ¥ÀÌÅÍ ½Ã°¢È ¹æ¹ý (ggplot)
- R µ¥ÀÌÅÍ »ý¼º ¹× È°¿ë
- R µ¥ÀÌÅÍ °áÇÕ ¹× À籸Á¶È
- ¿©·¯ÇüÅÂÀÇ DataBase
* R ±×·¡ÇÈ
- Histogram
- Pie Chart, Box Plot
- Scatter plot
- Layout
- lattice¿Í gglpot2
- ggplot2
- 3D¿Í È÷Æ®¸Ê
- °ø°£Áöµµ ºÐ¼®
* µ¥ÀÌÅÍ Å½»ö
- µ¥ÀÌÅÍ ´Ù·ç±â
- µ¥ÀÌÅÍ ±â¼úÅë°èÄ¡ ¿ä¾à
- µ¥ÀÌÅÍ ±×·¡ÇÁ µ¥ÀÌÅÍ Å½»ö
- Á¤±Ô¼º°ËÁ¤°ú ½Å·Ú±¸°£
* R Åë°èºÐ¼®
- T-test
- ±×·ì ºñ±³
- ºÐ»êºÐ¼®
- ÀÌ¿ø ºÐ»êºÐ¼®
- »ó°üºÐ¼®
- ȸ±ÍºÐ¼®
- ÅؽºÆ® ¸¶ÀÌ´×
ÆÄÀ̽ã°ú µ¥ÀÌÅÍ ºÐ¼®
* ÆÄÀ̽㠰³¿ä
- ÆÄÀ̽㠴ٿî·Îµå¿Í ¼³Ä¡
- ÇÁ·Î±×·¥ ¼³Ä¡¿Í ÀúÀå
* ±âº» ÇÁ·Î±×·¡¹Ö
- °´Ã¼¿Í µ¥ÀÌÅÍÇü
- ¿¬»êÀÚ
- Á¦¾î±¸Á¶
- ÇÔ¼ö
- ¸®½ºÆ®
- Æ©ÇÃ
- µñ¼Å³Ê¸®
- ÀÌÅÍ·¹ÀÌÅÍ
- ÁýÇÕ
- Ư¼öÇÔ¼ö
- Ŭ·¡½º¿Í °´Ã¼
* ¹®ÀÚ¿ ó¸®, ÆÄÀÏ Ã³¸®, ¿¹¿Üó¸®
- ¹®Àڿó¸® ±âº» ¹× Á¤±Ô Ç¥Çö
- ÆÄÀÏ Ã³¸®
- ¿¹¿Ü ó¸®¿Í ·Î±× Ãâ·Â
* ¿¢¼¿, ¿öµå, ÀÎÅÍ³Ý Web µ¥ÀÌÅÍ Ã³¸®
- ¿¢¼¿ ó¸®(¿öÅ©½ÃÆ®, ·¹ÄÚµå, Ä®·³, ¿öÅ©ºÏ ÀÛ¼º°ú ÆíÁý)
- ¿öµå ó¸®
- À¥ µ¥ÀÌÅÍ Ãëµæ
- Web API ÀÌ¿ë
- Web ½ºÅ©·¦ÇÎ
* ÅؽºÆ®¸¶ÀÌ´×
- ÅؽºÆ® ó¸®
- ÇüÅÂ¼Ò ºÐ¼®
- äÆà ÇÁ·Î±×·¥ ÀÛ¼º
* Jupyter Notebook¿¡ ÀÇÇÑ Åë°è ºÐ¼®
- Jupyter Notebook ÀÛ¼º
- NumPy »ç¿ë
- µ¥ÀÌÅÍÇÁ·¹ÀÓ
- »ó°üºÐ¼®
- ¼±Çüȸ±ÍºÐ¼®
¸Ó½Å·¯´×
- ¸Ó½Å·¯´×(±â°èÇнÀ)
- ±âº» ¾Ë°í¸®Áò °³³ä ¹× ¼Ò°³
- ³ªÀÌºê º£ÀÌÁî ºÐ·ù
- ÀÇ»ç°áÁ¤³ª¹«
- ·£´øÆ÷·¹½ºÆ®
- ȸ±ÍºÐ¼®
- Àº´Ð¸¶ÄÚºê¸ðÇü
- ¼Æ÷Æ® ¹éÅÍ ¸Ó½Å
- ÁÖ¼ººÐ ºÐ¼®
- KÆò±Õ
- ¿¬°ü¼º ºÐ¼®
- Àΰø½Å°æ¸Á(ANN, Articial Neural Network)
µö·¯´×
* Deep Learning °³¿ä
* ½Å°æ¸Á ±âÃÊ
- Linear Regression
- Logistic Regression
- MLP (Multi-Layer Perceptron)
- Optimization Methods
- Regularization
- Weight Initialization
* CNN (Convolutional Neural Network)
- CNN ±âÃÊ
- CNN ¿¬±¸»ç·Ê
- Visualization
- Weakly Supervised Localization
- CNN Optimization
- Modern CNN
- 3D CNN
* RNN (Recurrent Neural Network)
- Fundamentals of RNN
- LSTM (Long Short-Term Memory model)
- GRU (Gated Recurrent Unit)
* À̹ÌÁö ÀνÄ
- ±¸±Û Inception ¸ðµ¨À» ÀÌ¿ëÇÑ À̹ÌÁö ÀνÄ
* Object Detection
- RCNN, Fast RCNN, Faster RCNN, PVANet
- YOLO, SSD, YOLOv2
* Neural Style & Auto Encoder
* GAN (Generative Adversarial Network)
- GAN ±âÃÊ
- GAN º¯Çü
ÃÖÁ¾ ÇÁ·ÎÁ§Æ®
RÀ» È°¿ëÇÑ µ¥ÀÌÅ͸¶ÀÌ´× ±â¹ý ¹× ¸Ó½Å·¯´×&µö·¯´×À» È°¿ëÇÑ ÃÖÁ¾ ÇÁ·ÎÁ§Æ® ±¸Ãà
- ±³À°´ë»ó
- Á÷¾÷¾ÈÁ¤±â°ü¿¡ ±¸Á÷ µî·ÏµÈ 15¼¼ ÀÌ»ó ½Ç¾÷ÀÚ
- °íµîÇб³ 3Çгâ ÀçÇлý Áß °íµî±³À°±â°ü(´ëÇÐ)¿¡ ÀüÇÐÇÏÁö ¾Ê´Â Çлý
- ´ëÇÐ(Àü¹®´ëÇÐ) Á¹¾÷¿¹Á¤ÀÚ·Î ´ëÇпø µî¿¡ ÁøÇÐÀ» ÇÏÁö ¾Ê´Â Çлý
- ¼ö°Æ¯Àü
±³Àç Á¦°ø, º»¿ø¿¡¼ °³¼³Çϴ Ÿ °Á ¹«·á¼ö°, ¼ö·á ÈÄ Ãë¾÷¿¬°è ½Ç½Ã