영상 인식 프로젝트로 배우는
딥러닝 기반 컴퓨터 비전

3번의 영상 인식 및 이미지 인식 프로젝트로 배우는 딥러닝 모델 설계

강의 난이도
4/5
영상 인식, 문자 인식, 생체 인식 등 다양한 분야에서 쓰이는 딥러닝!
컴퓨터 비전 분야에 딥러닝을 제대로 적용하기 위해서는 머신러닝의 이해를 기반으로 하여 모델을 설계하는 것이 필요합니다.

핵심 논문 리뷰부터 3개의 프로젝트를 통해 머신러닝 및 딥러닝까지 완벽하게 이해하는 것은 물론, 현업 적용까지!

본 강의는 이해를 바탕으로 한 머신러닝 모델 설계를 목표로 하고 있으며, 기본적인 머신러닝 구조 설계에서부터 심층 신경망 모델까지 단계별로 진행되므로 머신러닝을 이미 접해보신 분들은 머신러닝에 대한 보다 심층적인 이해를, 머신러닝을 처음 접하는 수강생들은 탄탄한 이해를 얻을 수 있습니다.

일정

20.06.21 ~ 20.08.23 | 총 8회
매주 일요일 14:00 ~ 17:00, 총 24시간
* 07월 01일 휴강

정원 및 준비물

총 15명
노트북

장소

러닝스푼즈 강의장
강남대로 94길 15, S2빌딩 4층
영상 인식
영상 인식
문자인식, 생체인식, 의료분야, 자율주행, VR 등
단언컨대 현재 딥러닝 영역에서 가장 두각을 나타내는 분야입니다.
영상 인식
영상 인식
영상 인식
<실제 실습예시>
딥러닝을 시작할 때 가장 먼저 접하게 되는
Classification부터 Segmentation, Detection까지!
영상 인식
8번으로 이루어진 탄탄한 커리큘럼으로
컴퓨터 비전 분야의 전문가가 되어보세요!

| 강의특징

영상 인식
01
기초 머신러닝 기법만 알아도 쉽게 배울 수 있는 컴퓨터 비전
본 과정은 2개의 Part로 나누어 기초 머신러닝 기법만 알아도 쉽게 컴퓨터 비전에 입문할 수 있도록 강의를 진행합니다. Part 1에서는 기초 머신러닝과 전반적인 딥러닝 개념에 대해 이해해봅니다. 이후 Part 2에서는 앞에서 학습한 내용을 바탕으로 컴퓨터 비전 입문부터 프로젝트를 통한 활용까지 소화해낼 수 있도록 강의를 진행합니다.
영상 인식
02
영상인식 논문 수십개를 리뷰한다고 전문가가 될 수 있을까요? 
가장 활발한 분야인 만큼, 관련 논문도 수십개입니다. 단언컨대 논문 수십개를 본다고 해서 전문가가 될 수 있는 것은 아닙니다. 딱 6개. 컴퓨터 비전 분야에서 가장 핵심이라 평가되고 있는 논문들만 집중적으로 리뷰하고 실습함으로써 보다 직관적으로 딥러닝 기반 컴퓨터 비전을 이해할 수 있도록 합니다.
영상 인식
03
딥러닝만큼은 반드시 현업 전문가에게 직접 배워야 합니다.
데이터 사이언스에서도 가장 어렵다고 평가되고 있는 딥러닝 분야. 그만큼 전문적인 지식을 필요로 하는 경우가 많습니다. 본 강의는 컴퓨터 비전 기술을 다루는 국내 최고의 기업 중 한 곳에서 근무하는 강사님이 직접 강의를 이끌어 나갑니다. 현업에서 활발하게 사용되는 컴퓨터 비전 기법들은 무엇인지 등을 직접 배울 수 있음은 물론 1:1 코칭을 통해 보다 쉽게 지식을 내 것으로 만들 수 있습니다.
3번의 기초와 5번의 심화과정까지 –
컴퓨터 비전을 한 번에 끝낼 수 있는 탄탄한 커리큘럼이 준비되어 있습니다.
영상 인식
핵심논문리뷰와 프로젝트를 병행하여
컴퓨터 비전 입문은 물론 현업 적용까지 책임지겠습니다.
6개의 핵심 논문 리뷰와 3번의 프로젝트로 모델을 완벽히 이해해보세요.

| 수강효과

01
영상 인식 딥러닝 모델을
설계할 수 있는 능력
‘영상 인식’을 위한 딥러닝에서는 선형대수학, 확률, 통계 지식이 필요합니다. 또한 모델을 제대로 적용하기 위해서는 이미지 혹은 영상 데이터의 형태와 구조에 대해서 알 필요가 있습니다. 해당 강의에서는 딥러닝 기반의 컴퓨터 비전에서 필요한 핵심 내용만을 간략히 정리하고 배우며 실습을 통해 딥러닝 모델(RNN, CNN)을 직접 설계해보며 모델 응용력을 갖출 수 있습니다.
02
최신 영상 인식 딥러닝 기법 활용과 논문 리뷰
본 강의를 수강한 후 영상 인식 문제를 정의하고, 각 문제에 대한 대표적인 알고리즘들을 논문 리뷰를 통해 이해할 수 있습니다. 영상 인식 문제 유형의 대표적인 물체 인식(Object Detection), 이미지분할(Segmentation), 이미지분류(Classification) 모델 관련 프로젝트와 논문 리뷰를 통해 딥러닝 기반의 영상처리 기법을 이해하고 구현할 수 있습니다.
03
실무에서 수요가 높은 영상 인식 결과물 현업 적용
CNN Classifier 웹 어플리케이션 프로젝트, U-Net segmetation for medical image 프로젝트, YOLO-based Object detection on custom data 프로젝트의 총 3번의 프로젝트를 통해 현업에서 활발히 사용되는 기법들을 익히고 모델을 구현해봅니다. 특히 현업전문가가 말하는 현업에서 가장 수요가 높은 기법들에 대해서 살펴보고 프로젝트에서 구현해봅니다. 또한, 구현되는 결과물을 현업에 즉시 적용할 수 있습니다.

| 수강대상

본 강의는 아래의 선수지식이 필요합니다.
– 선형 회귀, 로지스틱 회귀, 경사하강법에 대해 들어본 적이 있다.
– 파이썬의 조건문, 반복문, Numpy 등 기초적인 파이썬 구문을 구현해본 적이 있다.
딥러닝 입문

실제 데이터를 활용해
딥러닝 모델을 구현하고 싶은 분

내가 하는 일에 영상 인식 기술을
접목하고 싶은 분

기존 영상 인식 모델 성능을
향상시키고자 하는 분

최신 영상처리 기법을 배워
활용하고 싶은 분

A. 본 강의를 이해하는 데 필요한 배경지식인 미분, 선형대수, 행렬 등
기본적인 수학 지식과 컴퓨터 비전 기술의 입력 데이터인 이미지 혹은 영상 데이터의 형태와 구조의 핵심 개념을 배웁니다.

| 수강후기

정하진대학생
Read More
머신러닝과 딥러닝에 대한 관심은 많았지만, 정말 하나도 모르는 입문자였습니다. 관련 자료를 찾아서 공부도 해봤지만 참고할 수 있는 자료를 쉽게 구하기도 어려웠구요. 궁금한 점도 바로 해결할 수 없어 오프라인으로 딥러닝 강의 수강을 하게 되었습니다. 그래서 더욱 만족했던 강의입니다. 딥러닝에 대한 전체적인 맥락을 바로 잡아주는 것뿐만아니라, 궁금했던 점들에 대해서 자유롭게 질문하고 피드백을 받을 수 있는 분위기 입니다. 오프라인 강의는 궁금한 점을 바로 해결하고, 피드백받을 수 있어야 한다고 생각하는 점에서 특히 만족했던 강의입니다.
정수민마케팅 분석
Read More
매주 배우는 이론적인 부분과 실습의 코드가 매칭되어 강의가 진행되어 수업 이후에도 활용도가 높아졌어요. 사실 코드는 인터넷을 통해 어느 정도 수집해본 적이 있는데, 정작 코드를 수정하려고 하면 어디서부터 어디까지 수정해야 되는지를 잘 모르겠더라구요. 그래서 실제 현업에서 딥러닝을 사용하고 있는 전문가는 어떤 방식으로 사용하고 있는지 알고 싶어 수강하게 되었어요. 특히, 이론을 설명하시면서도 업무에서 어떻게 활용하고 코드로 작성할 때 팁은 무엇인지를 정확하게 알 수 있는 점이 가장 좋았어요.
김지원판매영업
Read More
딥러닝이 적용되는 주요 사례에 대한 이해가 필요해서 수강하게 되었습니다. 아무래도 제가 판매영업 직군이기 때문에 저희 회사가 제공하는 서비스들이 어떻게 동작되는지 구체적으로 설명할 수 있는 지식이 필요했습니다. 이제는 딥러닝이 무엇인지 어디가서도 말할 수 있을 정도로 이해하고 있고, 클라이언트에게도 설명할 수 있어 만족합니다.
전창수연구원
Read More
대학교에서 연구 활동을 하고 있습니다. 딥러닝을 활용한 비즈니스 사례가 많아지면서 본인의 연구에도 딥러닝 기술을 적용하기 위해 수강하게 되었습니다. 실제로 책에서 볼 수 없었던 내용들이 현업에서 어떻게 활용되고 있는지 알 수 있었던 점이 만족스러웠습니다.
Previous
Next

| 수강혜택

01
영상 인식 프로젝트 진행 시, 1:1 코드 리뷰 및 피드백 진행
02
현업 영상 인식 및 이미지 프로젝트에
바로 적용 가능한 모델 코드 제공

| 커리큘럼

Part1. 머신러닝 및 딥러닝 기본

우리가 설계하고자 하는 ‘머신’은 “데이터를 설명할 수 있는 함수” 라는 설명 할 수 있습니다. 본 주차에서는 위 문장이 의미하는 바에 대해 자세하게 이해해 볼 것입니다. 이 말을 이해한 후, 새로운 시각으로 문제를 정의하고 모델을 설계하려는 근본적인 목적에 대해 생각해 볼 것입니다. 이 과정을 통해 주어진 문제를 어떻게 정의하는지, 그리고 어떻게 접근할 것인지에 대한 시각을 갖출 수 있을 것입니다.

이론
– 머신러닝의 개념
– 머신러닝에서 데이터의 의미
– 문제의 종류와 문제를 정의하는 방법
– 학습 과정과 가중치가 업데이트 되는 원리

실습
– 동전 분류하기 (분류 문제)
– 선형함수의 개형 찾기 (회귀 문제)
딥러닝은 기존 학습 모델에서 Feature extraction 프로세스가 추가되는 것이라고 요약할 수 있습니다. Feature를 컴퓨터가 직접 추상화하여 획득하는 것이 어떠한 효과를 가져오는지, 그리고 이 과정에서 어떠한 defect가 발생하는지에 대해 자세하게 살펴 볼 것입니다. 이러한 탄탄한 이해만이 융합 기술 개발을 위한 응용을 가능하게 할 것입니다.

이론
– 딥러닝의 Feature extraction 매커니즘
– 과적합/과소적합 문제와 해결방법
– Gradient vanishing problem 이 나타나는 이유

실습
– 같은 문제를 일반 머신러닝 모델와 딥러닝 모델을 설계하여 풀어보고 결과 비교하기
딥러닝은 빠르게 발전하여 많은 난제들을 해결해나가고 있습니다. 그 중 대표적인 알고리즘들로 CNN(Convolution Neural Network)과 RNN(Recurrent Neural Network)/ LSTM(Long-Short Term Memory)이 있습니다. 두 알고리즘의 가장 큰 차이는 입력 Data의 특성에 따른 것입니다.
본 강의에서는 이 data의 특성이 어떻게 차이가 나며, 어떤 경우에 CNN모델을 설계하는 것 인지 혹은 어떤 경우에 RNN/LSTM 형태 모델을 설계해야 하는 것인지 알아볼 것입니다.

이론
– Data의 Domain 특성에 따른 모델 선택
– CNN과 RNN/LSTM의 차이
– Sequential data의 data set 만들기

실습
– 주가 예측 모델 설계

Part2. 딥러닝 심화 및 프로젝트

컴퓨터 비전 기술은 딥러닝의 대표적인 활용분야 중 하나입니다.
본 강의의 목적인 영상 인식 모델 설계에 보다 깊이 다가가기 위해, 영상 데이터가 갖는 특성, 영상 인식 문제의 종류, 이미지 신호 처리 기술 등에 대해 다룹니다.

이론
– 이미지/영상 데이터의 특성
– 영상 신호 처리 기술
– 영상처리 기반 Feature 추출 알고리즘과 딥러닝의 추상화를 통한 Feature extraction 비교

실습
– 영상처리 기술 실습
이미지 인식하고 이를 분류하는 문제는 딥러닝을 통해 가장 발전된 분야 중 하나입니다.
영상 데이터를 그대로 입력으로 받아 카테고리를 분류하는 모델인 CNN 모델에 대해 알아볼 것입니다.

이론
– CNN 모델의 구조와 학습 원리
– 영상 데이터에 Convolution이 필요한 이유
– AlexNet, LeNet, VGG 모델의 구조적 특징과 성능 비교
– 논문 리뷰: Very Deep Convolutional Networks for Large-Scale Image Recognition

실습
– 영상 데이터 (이미지) 분류 문제
이미지 분할(Segmentation)은 이미지상의 object를 픽셀 단위로 분류하는 문제로 생각할 수 있습니다. 즉 object를 인식하는 것 뿐만이 아닌 사물의 위치를 정확히 집어내야 (pinpoint)하므로 이미지 각각의 픽셀들을 특정 클래스로 분류해야 할 필요가 있습니다. 때문에 앞서 다룬 Classification 문제 보다 컴퓨터가 이미지에 대해 좀 더 깊게 이해하도록 학습 시켜줄 필요가 있습니다.
대표적인 Segmentation 모델 구조인 U-Net 모델이 어떻데 이미지를 추상화하여 학습하는지 알아보고 주어진 Segmentation 문제를 풀어볼 것입니다. Segmentation은 복잡한 문제만큼이나 실습의 난이도 또한 높습니다.
본 강의 시간 동안 Line by line 자세한 코드 리뷰를 통해, 본 강의에서 배운 코드를 직접 custom data에 적용할 수 있는 수준까지 이해할 것입니다.

이론
– U-Net의 Contracting와 Expansive 구조
– Segmentation 문제가 Classification 문제와 구별되는 점: Localization
– 논문 리뷰: U-Net: Convolutional Networks for Biomedical Image Segmentation

실습
– 의료 영상에 대한 Segmentation 실습
이미지 물체 인식(Detection)기술은 딥러닝 기반의 융합 기술 분야에서 가장 많이 요구 되는 기술 중 하나 입니다. 과학에서는 인간을 모사하는 것이 판을 뒤엎는 경우가 많았습니다. 본 과정에서 다루게 될 YOLO (You Only Look Once) 네트워크 또한 그런 경우입니다. 인간이 이미지에서 물체를 인식할 때는 좌측상단부터 훑는 것이 아니고 전체를 한번에 인식하는 것에 착안하여, input image를 grid로 나누어 네트워크를 통과하고 나면 물체의 bounding box와 class를 동시에 예측하게끔 하는 방식입니다.
본 강의의 최종 목표 프로젝트는 각 수강생들이 개인 Custom data로 딥러닝 기반 물체 인식 모델을 설계하는 것입니다. 목표를 달성하기 위해 data를 준비하는 과정인 Labeling tool 사용법부터 Pre-trained weight를 활용하여 학습 시간을 단축하는 방법, 그리고 학습된 모델을 저장하고 로드하는 방법까지 다룸으로써 현업에 도움이 될 수 있도록 가이드 할 것입니다.

이론
– YOLO 네트워크 구조 이해
– Object detection 문제의 Trade-Off
– 논문 리뷰: You Only Look Once: Unified, Real-Time Object Detection

최종 프로젝트
– Custom data에 대한 Object detection 모델 학습 및 검증

| 강사소개 및 인터뷰

Sean Lee
(현) 대기업 영상 인식 연구원
– 머신러닝 분야 SCIE 논문(KIIS) 저자
– NVIDIA 딥러닝 교육과정 수료

(참여 프로젝트)
– 정보통신부: 머신러닝 기반 이미지 유사도 측정 모델
– 서울대 의과대학: 녹내장 검출 모델
– 서울대 융합기술원: Brain tumor검출 모델
1. 자기소개 부탁드립니다.
현재 연구소에서 영상인식과 관련된 연구를 하고 있는 연구원입니다. 머신러닝(Machine learning) 분야를 처음 접하게 된 건 2014년 입니다. 기존 컴퓨터 비전에서 보이던 한계를 뛰어넘기 위해 연구를 하던 중, ‘패턴인식’이라는 학문을 접하게 되었고, 이를 연구에 적용시켜본 것이 머신러닝에 입문하게 된 계기입니다. 그만큼 이 학문에 대한 애정과 자부심을 갖고 있으며 초심자에게 가이드가 되어 줄만큼의 이해도를 갖고 있다고 생각합니다
2. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?
이론만 공부하는 것은 실제 문제를 해결하는 것과는 괴리가 크며, 이해가 없는 실습은 응용하는 데 한계가 있습니다. 본 강의는 ‘실습’을 통한 ‘이해’를 모토로 진행되기 때문에, 매 강의마다 이론과 실습을 1:1의 비율로 구성하였습니다. 특히 가시적인 이해를 돕기 위해 영상 데이터를 활용하여 다양한 영상 인식 모델을 설계해 볼 것입니다. 실습은Python을 기반으로 Tensorflow, Keras 등 과 같은 머신러닝에 특화된 라이브라리 등을 이용하여 진행할 것입니다. 실습 목표는 모든 수강생들이 직접 개인 PC 환경에서 머신러닝 모델을 설계 및 구동할 수 있게끔 지도하는 것입니다.
3. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?
1~3주차에서는 대표적인 모델들을 자세하게 살펴보면서 머신러닝의 학습원리에 대해 깊게 이해해 볼 것입니다. 이 과정을 마치면, 어느 정도 잘 정제된 본인의 Data들에 바로 적용하여 간단한 이미지 분류 모델이나 회귀 곡선 추정 모델을 설계할 수 있을 것입니다.

4~8 주차에서는 딥러닝 분야의 최신 논문들과 함께, 각 논문들의 Contribution에 대해 알아보고, 아이디어가 모델에 어떻게 반영되었는지 학습할 것입니다. 본 과정의 실습을 이해하고, Custom data로 구동하는 방법을 익히면서, 각 기법들을 본인의 분야에서 안고 있는 문제점과 결부시켜 봄으로써 창의적인 아이디어를 고안하는 데 활용 될 수 있을 것입니다.
4. 주로 어떤 분야에 있는 분들이 수강 대상에 적합할까요?
머신러닝의 기본적인 내용을 심층적으로 이해하는 것을 시작으로 하여 최신 알고리즘까지 직접 모델링 해보는 실습까지 진행되는 만큼, 머신러닝에 대해 피상적으로 알고 계신 분이 본인의 분야로 응용하고자 하는 목표를 가지신 분께 적합한 강의일 것 같습니다. 특히 영상 인식을 위주로 실습이 진행되므로 영상 인식 분야에 대해 연구 목표가 있으신 분이 머신러닝을 이해하고 활용하는 데 큰 도움이 될 것이라고 생각합니다.
5. 다른 강의와 어떤 차별 점이 있나요?
머신러닝은 각종 매체를 통해 쉽게 접할 수 있습니다. 하지만 그것을 내 컴퓨터로, 그리고 내 데이터로 모델링하기 위해서는 학습원리에 대한 이해가 필수적입니다. 깊은 이해를 갖고 머신 모델링에 접근해야 좀 더 데이터에 적합한 네트워크를 선택 또는 응용할 수 있기 때문입니다.

본 강의는 모든 수강생들이 내 컴퓨터에서, 내 데이터로 나만의 머신러닝 모델을 설계하는 것을 목표로 합니다. 본 강의의 커리큘럼을 충실히 따라온다면 이론적 지식에 대한 탄탄한 이해를 바탕으로 가시적인 결과가 보이는 실습을 해 봄으로써, 본인의 분야에 응용할 역량을 갖출 수 있을 것입니다.
6. 마지막으로 수강생들에게 하고 싶으신 말

최근 머신러닝 기술은 IT 에만 국한되지 않고, 다양한 분야에서 연구하며 눈부신 발전을 이뤄내고 있습니다. 이러한 기술의 흐름에 발맞추어, 머신러닝에 대한 탄탄한 이해를 바탕으로 본인의 분야에서 머신러닝을 응용한 멋진 아이디어를 고안할 수 있었으면 좋겠습니다.

140만 원100만 원

수강신청은 결제 순으로 선착순 마감될 수 있습니다.

개강 후 환불은 학원법 시행령 <제18조 제3항> 수강료 반환기준에 의거합니다.

# 환불 세부규정 확인하기 (클릭)

40만 원 할인, 놓치지 마세요!