course thumbnail
  • 데이터사이언스
  • 중급, 고급

Tensorflow를 활용한 딥러닝 자연어처리

(14기 모집 중! 온/오프라인 병행, 녹화본 제공) 자연어처리 강의의 끝판왕! 위키독스 BEST 추천 ‘딥러닝을 이용한 자연어 처리’ 공동저자의 직강!

14기
22.07.10 ~ 22.08.28 (총 8회) 매주 일요일 10:00 ~ 13:00 (총 24시간)
  • 오프라인
  • LIVE
    온라인 라이브 (링크제공)

한국어 자연어처리

딥러닝 프레임워크 Tensorflow로 학습해보세요!



강의소개

국내 최고 자연어 처리 전문가와 함께 하면
8주만에 자연어 처리 현업 적용이 가능합니다.

자연어 처리 강의

01. 위키독스 자연어 처리 분야 1위 베스트셀러 저자의 직강!

2,500명 이상이 선택한 "딥 러닝을 이용한 자연어 처리 입문" 저자로부터 자연어처리 기술을 습득하세요.

02. 직접 개발하기는 어려운 "자연어 처리 모델"의 프로토타입을 가져가세요!

8주 간 진행되는 본 과정을 다 수강하시고 나면, 자연스럽게 딥러닝으로 만들어진 자연어처리 모델의 프로토타입을 얻어가실 수 있습니다.

03. 영어 논문 리뷰는 그만! "한국어"만의 특징을 접목해, 내 실제 현업에 적용하세요!

본 과정에서는 한국어 자연어 처리를 함께 진행함으로써 영어와 한국어 자연어 처리 특징을 비교하고, 나아가 현업에 실제 적용하실 수 있습니다.


본 강의에서
무엇을 얻어갈 수 있나요?

위키독스  딥 러닝을 이용한 자연어 처리 입문 저자의 스킬

  • 압축형 노하우

    교재 PDF + 코드

    위키독스 교재에는 없는 강사님만의 노하우를 포함한PDF 파일과 실습용 코드를 제공합니다.

    자연어 처리 강의
  • 프로토 타입 모델

    현업에 즉시 활용 가능

    자연어처리 관련 기법을 배우고, 나의 현업에 즉시 적용할 수 있는 프로토 타입 모델을 강사님과 함께 제작합니다.

    자연어 처리 강의
  • 커리어 로드맵

    한국어 NLP 전문가에게 직접

    국내 자연어처리 분야의 전문가로부터 노하우를 전수 받아 실질적인 자연어처리 실무자로 향하는 커리어 로드맵을 전수합니다.

    자연어 처리 강의

국내 유일 딥러닝 자연어처리 실전 강의,
단 8주만에 완벽히 가이드해드릴게요!


본 강의가 특별한 이유는
무엇인가요?

1

쉽게 이해하는 한국어 자연어처리 핵심 논문

딥러닝 공부를 위해 논문을 공부하는 것은 필수이지만, 짧게 요약된 설명들과 문헌마다 다른 이미지 사용은 오히려 딥러닝 학습 초심자를 혼란스럽게 합니다. 이 강의는 저자가 직접 제작한 수많은 교육용 이미지들을 사용하여 자연어 처리 논문을 쉽고 직관적으로 이해할 수 있습니다. 특히 영어 논문이 아닌, 한국어를 활용하여 실용적으로 배우실 수 있습니다.

2

'위키독스' BEST 추천책 저자의 직강

파이썬, 자바, 머신러닝, 알고리즘 트레이딩 등 수많은 IT 베스트 도서를 탄생시킨 ‘위키독스’에서 2,500명 이상의 추천을 받은 Best 추천 교재 ‘딥 러닝을 이용한 자연어 처리’ 공동 저자가 직접 쉽고 꼼꼼하게 강의합니다. 어려웠던 자연어 처리! 그 개념의 기초부터 챗봇 구현까지 Best 추천 교재의 저자님께 직접 듣고 이해해보세요.

3

자연어처리 전처리부터 최신 모델 학습까지

강의가 끝난 후에도 지속 가능한 자연어 처리 개발, 비즈니스를 위해 자연어 처리의 밑바닥 개념부터 복잡한 최신 모델까지 필요한 개념만을 정리한 강의입니다.
자연어처리를 위한 기본적인 전처리 방법부터 자연어처리의 최신 모델인 Transformer 기반의 BERT를 내 업무에 직접 활용해보세요.

FAQ

강의에 대해
궁금한 점이 있으신가요?

1. 온라인 라이브로만 진행하나요?

해당 과정은 오프라인과 온라인 라이브가 동시 진행됩니다.
온라인 라이브 강의는 zoom을 활용해 진행될 예정입니다.
과정 진행 시간 동안 담당 매니저가 디스코드 채널을 운영할 예정이며, 강사님과도 해당 채널을 통해 언제든 소통하실 수 있습니다.

2. 수강 시, 준비 사항은 어떤 것이 있을까요?

실습을 위해 개인 PC가 꼭 필요합니다. OS는 Windows OS, Mac OS 모두 가능합니다.
또한, 본 강의는 파이썬 문법 및 머신러닝 이론, Tensorflow 기초 등의 이해가 필요합니다.

3. 어떤 환경에서 실습이 이루어지나요?

실습 환경은 대부분 Google Colaboratory에서 이루어지며,
본인만의 플랫폼에서 실습을 희망하시는 경우, 강의에서 추가 안내드릴 수 있습니다.

수강 대상

이런 분들은 꼭 들으셔야 해요!


자연어처리의 기초부터 완벽하게 배우고 싶으신 분


BERT, GPT-2 등 현업에 사용되는 자연어처리의 최신 기술을 배우고 싶은 분


영어와 한국어로 동시에 배우는 자연어처리 기술을 활용하고 싶은 분

강사소개

우리 강사님을 소개할게요!

자연어 처리 강의
안상준
이력사항
  • (현) 대기업 금융회사 데이터분석팀 분석가
  • 위키독스 ‘딥 러닝을 이용한 자연어 처리’ 공동 저자
프로젝트
  • 빅 데이터 분석 시스템 “비정형 데이터 분석 모듈” 개발
  • 유명 보안 기업 프로젝트 “고객 응대를 위한 AI 챗봇” 개발
  • 유명 반도체 기업 프로젝트, “비정형 로그 데이터 군집 시스템” 개발
  • 유명 반도체 기업 텍스트 마이닝 프로젝트 자문
  • K 기업 딥 러닝 자연어 처리 사외 강의
1. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?

딥 러닝 프레임워크인 텐서플로와 케라스를 사용하여 자연어 처리의 주요 기술들을 배울 예정입니다.
강의 구성은 이론 설명과 해당 이론을 적용해보는 실습으로 구성되어져 있습니다.
텐서플로 기초, 자연어 처리 개요, 단어 임베딩, 텍스트 분류, 챗봇 만들기까지 각 파트는 수강생이 초심자라는 가정 하에 밑바닥 기초와 실습 코드 설명을 1:1 비율로 제공합니다.

2. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?

- 텍스트 데이터에서 주소, 상품 이름 등 원하는 특정 엔티티(entity)들을 추출하고 싶어하는 A기업
- 고객의 일상 언어 질의에 대답을 할 수 있는 챗봇 구현을 원하는 B 기업
- 정리되지 않은 상담원의 상담 이력 데이터의 유형이나 감성 분류를 원하는 C기업

딥 러닝 자연어 처리는 특정 분야에만 적용되는 것이 아니라 제조, 금융, 식품, 물류, IT 등 다양한 도메인에서 모두 적용할 수 있는 기술입니다.
본 과정의 실습 내용을 통해 본인의 분야에서 안고 있는 고민들을 해결할 수 있는 인사이트와 기술력을 얻는 것에 활용할 수 있습니다.

3. 다른 강의와 어떤 차별 점이 있나요?

AI 분야는 비전, 추천, 강화학습 등 범위가 너무 다양해서 딥 러닝 강의를 하나 들었다고 자연어 처리를 할 수 있는 것이 아닙니다.
자연어 처리를 위해서는 결국 자연어 처리만을 위한 공부가 필요합니다.
본 강의는 자연어 처리라는 분야만을 파고들고, 이론적 지식에 대한 이해를 바탕으로 결과가 바로 보이는 실습에 초점을 둡니다.
이 강의의 궁극적인 목표는 수강생들의 실무 적용입니다.

4. 마지막으로 수강생들에게 하고 싶으신 말이 있나요?

2010년 후반에 들어 딥 러닝(Deep Learning) 자연어 처리 기술이 다양한 분야에서 가시적인 성과들을 이뤄내고 있습니다.
현재 자연어 처리 기술의 발전은 이 순간 가장 빠르게 발전하고 있고, 입문하여 비즈니스에서 빠른 성과를 얻기에도 지금이 가장 적합한 때입니다.
이번 강의를 통해 막연했던 자연어 처리에 대한 지식과 자신감을 얻어가기를 바랍니다.

커리큘럼 (8)

  • 1회차. 자연어 처리를 위한 전처리(Preprocessing)

    영어와 한국어에서의 자연어 처리 시의 차이를 이해하고,

    딥 러닝 자연어 처리를 위한 각종 전처리 방법에 대해서 실습을 통해서 이해합니다.


    1) 이론

    – 각종 자연어 처리 방법(Tokenization, Cleaning, Normalization, tf.keras의 Tokenizer 등)

    – 영어와 한국어의 자연어 처리 차이


    2) 실습

    – 파이썬 함수들을 이용하여 자연어 처리를 위한 전처리 함수 구현

    – 텐서플로의 케라스 토크나이저(tf.keras Tokenizer)를 이용한 자연어 전처리 실습

    – 한국어 텍스트 전처리 실습 : 맞춤법 교정, 띄어쓰기 교정, 문장 토큰화, 형태소 분석

  • 2회차. Tensorflow를 이용한 신경망(Neural Network) 구현하기

    딥 러닝을 깊이 이해하기에 앞서 선형 회귀, 로지스틱 회귀, 소프트맥스 회귀의 이론에 대해서 이해하고,

    Tensorflow를 이용하여 구현하는 방법에 대해서 소개합니다.


    1) 이론

    – 선형 회귀와 경사 하강법(Gradient Descent), 비용 함수(Cost function)의 개념에 대한 이해

    – 이진 분류를 위한 로지스틱 회귀(Logsitic Regression)

    – 다중 클래스 분류를 위한 소프트맥스 회귀(Softmax Regression)

    – 소프트맥스 회귀로부터 딥 러닝으로 개념 확장

    – 텐서플로의 구현 방식 : Sequential Vs. Functional Vs. SubClassing 구현 방식


    2) 실습

    – 텐서플로의 자동 미분 기능을 사용한 선형 회귀 구현

    – Keras를 통해서 선형 회귀, 로지스틱 회귀, 소프트맥스 회귀 쉽게 구현하기

    – 소프트맥스 회귀로 실제 머신 러닝 문제 풀어보기

  • 3회차. 기계가 단어를 이해하는 방법 : 워드 임베딩(Word Embedding)

    2010년대 딥 러닝 자연어 처리를 이끌었던 자연어 처리의 비밀, 워드 임베딩(Word Embedding)에 대해서 소개하고,

    랜덤 초기화 임베딩과 사전 훈련된 임베딩의 차이를 이해합니다.


    1) 이론

    – 워드 임베딩과 원-핫 인코딩의 차이 이해하기

    – Word2vec Vs. FastText Vs. Glove 비교하기

    – 랜덤 초기화 임베딩과 사전 훈련된 임베딩의 사용 사례 비교하기


    2) 실습

    – 한국어에서 통하는 한국어 자모 단위(초성 + 중성 + 종성) FastText 실습

    – 랜덤 초기화 임베딩과 Word2Vec을 이용한 감성 분류 성능 비교

    – 워드 임베딩을 텐서플로 임베딩 프로젝터(Embedding Projector)로 시각화하기

  • 4회차. 순환 신경망(RNN)과 1차원 합성곱 신경망(1D CNN)

    시퀀셜 데이터를 다루는 신경망인 RNN(Recurrent Neural Network)과 공간적인 정보를 다루는 합성곱 신경망 CNN(Convolutional Neural Network)을 통해 텍스트를 처리하는 방법에 대해서 이해합니다.


    1) 이론

    – RNN의 many-to-one, many-to-many, Language Model 구조 이해

    – RNN의 한계를 보완한 LSTM, GRU 소개

    – 1D CNN을 이용한 텍스트 처리 소개


    2) 실습

    – Numpy를 이용한 RNN 동작 구현 텐서플로 RNN, LSTM의 다양한 구현 방법 실습하기

    – many-to-one 문제를 위한 이진 분류, 다중 클래스 분류 (LSTM, Conv1D)

    – 한국어 데이터 : 네이버 영화 감성 분류

  • 5회차. 딥 러닝을 이용한 챗봇(chatBot with Deep Learning)

    딥 러닝 기반 챗봇의 두 요소인 사용자의 의도를 파악하는 Intent Classification과 개체명을 인식하는 Named Entity Recognition에 대해서 알아보고, 이를 통한 챗봇 구현에 대해 논의합니다.


    1) 이론

    – 개체명 인식(Named Entity Recogniton)을 위한 BIO 태깅

    – many-to-many 문제를 위한 모델인 BiLSTM + CRF(Conditional Random Field) 모델 소개

    – 미등록 단어에 강건한 글자 임베딩(Char Embedding) 사용하기


    2) 실습

    – 사용자의 질의를 분류하는 의도 분류(Intent Classification) 구현하기

    – 질의로부터 개체명을 인식하는 개체명 인식(Named Entity Recognition) 구현하기

    – 두 가지 모델을 혼합하여 딥 러닝 챗봇(Deep Learning Chatbot) 구현하기

  • 6회차. 기계 번역과 챗봇을 위한 구현 방법 : Sequence to Sequence

    딥 러닝 기반 챗봇의 또 다른 구현 방법이자 Google 번역기의 핵심 모델 Sequence to Sequence(Encoder-Decoder)에 대해서 이해하고 번역기와 챗봇을 만들어봅시다.


    1) 이론

    – 입력과 출력의 길이가 다른 many-to-many 문제를 위한 Sequence to Sequence 모델 소개

    – RNN의 Teacher Forcing 학습과 테스트 방법 이해하기

    – 서브워드 토크나이저 소개 : 센텐스피스(SentencePiece)


    2) 실습

    – 서브워드 토크나이저 센텐스피스 실습

    – Sequence to Sequence 모델을 사용한 기계 번역기 구현

    – Sequence to Sequence 모델을 사용한 챗봇 구현

    – 실제 번역기 서비스 구현을 위한 Tip (OpenNMT, 서브워드 토크나이저)

  • 7회차. 어텐션 메커니즘(Attention Mechanism)

    최근 딥 러닝 자연어 처리의 필수적인 테크닉인 Attention Mechanism에 대해서 이해하고, 지난 주에 학습한 Sequence to Sequence 모델에 적용해봅시다.

    그리고 최신 딥 러닝 모델인 Transformer의 인코더에 대해서 이해해봅시다.


    1) 이론

    – Attention Mechanism 소개

    – 다양한 Attention Mechanism 비교(Dot product/Additive)

    – Transformer의 Self-Attention


    2) 실습

    – Sequence to Sequence모델에 Attention Mechanism 적용하기

    – Transformer의 Self-Attention 구현 실습

  • 8회차. 트랜스포머(Transformer) / 버트(BERT)

    자연어 처리의 최신 모델들 (BERT, GPT-2 등)이 서브 모듈로서 사용하고 있는 Transformer와 이를 이용한 최신 모델 BERT의 내부 구조와 작동 원리를 이해합니다.


    1) 이론

    – Google의 “Attention is All You Need” 모델 소개 : Transformer

    – Google의 “BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding” 모델 소개 : BERT


    2) 실습

    – Transformer 밑바닥부터 구현하여 챗봇(Chatbot) 학습하기

    – KoBERT를 이용한 네이버 영화 리뷰 감성 예측 (Many-to-One 문제)

    – KoBERT를 이용한 개체명 인식 (Many-to-Many 문제)

    – KoBERT를 이용한 질의응답 (Question Answering)

    – SBERT를 이용한 챗봇 구현하기

    – Huggingface Transformers를 사용하여 각종 한국어 BERT 사용해보기 (KoBERT, KoELECTRA, RoBERTa)

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

오프라인 LIVE

Tensorflow를 활용한 딥러닝 자연어처리

매일 선착순 20명 한정! 할인가 확인하고 커리어 성장하세요!