Tensorflow를 활용한
딥러닝 자연어처리

자연어처리 강의, 텍스트 분류부터 서비스 상용화와 AI 챗봇 구현까지​

강의 난이도
4/5
위키독스 BEST 추천 ‘딥러닝을 이용한 자연어 처리’ 저자 직강!
‘자연어처리’ 챗봇, 빅데이터까지 다양한 분야에서 쓰이고 있습니다.
비정형 데이터를 자유자재로 다루기 위해선 자연어처리 기술이 필요합니다.

– Tensorflow 2.0으로 더 쉬워진 딥러닝 프레임워크
– 자연어처리 핵심 논문의 깊이 있는 이해
– 구글 트랜스포머 모델을 통한 챗봇 성능 향상
– 현업에 바로 활용하실 수 있도록 강사의 노하우를 더한 최신 기술 학습까지!

자연어처리 기초부터 최신 모델을 활용한 챗봇 구현까지 딥러닝 자연어 처리의 핵심만 모았습니다.
단 8주, 자연어처리의 모든 것을 이 강의 하나로 시작하세요!

일정

21.01.10 ~ 21.03.07 | 총 8회
매주 일요일 10:00 ~ 13:00, 총 24시간
* 21년 02월 14일 설 연휴 휴강

정원 및 준비물

총 15명
노트북

장소

러닝스푼즈 강의장
강남대로 94길 15, S2빌딩 3층
자연어처리
자연어처리

"딥러닝을 이용한 자연어처리" 교재를
오프라인 강의로 만나세요.

불과 3년 전, 자연어처리의 성능은 비전 분야에 비해 떨어졌습니다.
이젠 그렇지 않습니다. 2년동안 쉬지 않고 자연어 처리 분야를 스스로 연구하신 결과 ‘딥러닝을 이용한 자연어처리입문’ 교재가 위키독스에서 선풍적인 인기를 끌고 있습니다. 본 교재의 저자이자 현업 전문가를, 이제는 강의에서 만나보실 수 있습니다.
한국어 자연어 처리 강의, 강사님만의 독보적인 노하우를 직접 터득하세요!
01
빅데이터 분석 분야
02
정보 검색
03
대화체 질의 응답 시스템
04
기계 번역
다양한 분야에서 활용되고 있는 기술, 자연어처리
자연어처리
하지만!

텍스트 데이터를 다루는 실무자 분들도,
자연어처리의 개념을 아는 분들도

자연어처리를 현업에 적용하기에는 어렵지 않으셨나요?
단 8주,

이제는 가능합니다.

| 자연어처리 실무 역량 강화 강의

자연어처리 논문 이해부터 서비스 구현까지

자연어처리를 실무에 바로 활용할 수 있는 역량을 갖출 수 있도록 논문과 최신 기법에 대한 이론 학습은 물론, 실습을 통해 서비스를 구현해보는 수업입니다. 강사님이 핵심 개념을 최대한 이해하기 쉽게 풀어서 설명하고, 수강생 한명 한명 꼼꼼하게 확인하며 진행됩니다.

유명 저자 & 현업 전문가의 가이드

위키독스 추천책 ‘딥러닝을 이용한 자연어 처리’ 저자이자, Koscom 기업에서 챗봇, 토픽 모델링, 감성 분류 등 자연어처리 활용 기술을 현재까지도 활발히 다루고 계신 전문 강사님이 직접 강의를 진행합니다. 그동안 기수강생분들이 고민하고 있던 서비스 개선과 자연어처리 활용법에 대한 가이드를 제공합니다.

Tensorflow 2.0 code base 기반의 구현

딥러닝 분야에서 Tensorflow는 가장 많이 활용되고 있는 프레임워크입니다. 그 중 Tensorflow 1.0과 달리 Tensorflow 2.0은 간단하고 사용하기 쉽다는 장점이 있습니다. 본 과정은 Tensorflow를 통해 자연어처리 기법을 배우고, Tensorflow의 딥러닝 모듈을 비교하고 사용하는 방법을 익힙니다.

| 강의특징

01
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 초심자 눈높이에서 저자가 직접 제작한 수많은 교육용 이미지들을 사용하여 자연어 처리 논문을 쉽고 직관적으로 이해할 수 있습니다. 특히 일반적인 영어 논문이 아닌, 한국어를 활용하여 더욱 실용적으로 배우실 수 있습니다.
02
온라인 플랫폼 ‘위키독스’ BEST 추천책 저자 직강
파이썬, 자바, 머신러닝, 알고리즘 트레이딩 등 수많은 IT 베스트 도서를 탄생시킨 ‘위키독스’에서 1,300명 이상의 추천을 받은 Best 추천 교재 ‘딥러닝을 이용한 자연어 처리 입문’ 저자가 직접 쉽고 꼼꼼하게 강의합니다. 어려웠던 자연어 처리! 그 개념의 기초부터 챗봇 구현까지 Best 추천 교재의 저자님께 직접 듣고 이해해보세요.
03
자연어처리 전처리부터 최신 모델 Transformer까지
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.
나에게 지금 필요한 건
흔한 영어 텍스트 분석이 아닌
한글 텍스트 분석을 통한 챗봇 구현!
자연어처리
“자료가 없는데 잘 배울 수 있을까?”
“실생활에 바로 적용이 가능할까?”

여러분도 이제 한국어 자연어처리를 시작할 수 있습니다!
한글 자연어처리 기술은
영어 텍스트 분석 학습에서 시작됩니다.

감성 예측, Bi-LSTM 등
“딥러닝 자연어처리 기술”
영어와 한국어로 동시에 배우셔야 합니다.
Step by Step으로 배울 수 있는 단계별 자연어처리 학습으로
자연어처리
8주 후, 여러분만의 챗봇까지 구현해보세요.
8주 후 챗봇 구현 결과물(좌 : 실습 코드, 우 : UX 적용)

| 수강효과

01
Tensorflow 기반 다양한 자연어처리 모델 구현
자연어 처리를 위한 Tensorflow 활용 방법을 익히고, Text Classification 등 다양한 딥러닝 자연어 처리 모델을 구현하는 방법을 배우게 됩니다. 최종적으로 최신 Transformer 모델로 직접 구현한 챗봇 서비스를 얻어가실 수 있습니다. 또한 여기서 배우는 모델들은 챗봇, 감성 인식 뿐만 아니라 텍스트 분류, 개체명 인식, 토픽 추출, 번역기 등 다양한 자연어 처리 도메인에서 활용할 수 있습니다.
02
Best 추천책 저자 겸 현업 분석가의 노하우 전수
국내에는 4-5권만 있고, 한국어 자연어 처리 분야에서는 독보적인, 지금도 꾸준히 업데이트되는 위키독스 Best 추천책 ‘딥러닝을 이용한 자연어처리’! 그 교재의 저자이자 현업 데이터 분석가로도 활동하시는 강사님의 실무 관련 다양한 경험을 토대로, 자연어 처리의 이론적인 내용은 물론 모델 구현 시 고려하면 좋은 팁 등 현업에 활용되는 실전 노하우까지 공유합니다.
03
커리어 시작과 현업 적용을 위한 로드맵 작성
타사에서는 그저 영어로 된 논문으로 자연어 처리를 진행합니다. 하지만 본 강의는 영어와 한국어 데이터 전처리, 통계 기반의 접근 방법, 워드 임베딩, 최신 딥 러닝 모델까지 모두 학습하실 수 있습니다. 그리고 이를 종합하여 현업에서의 자연어 처리 커리어를 준비하거나 업무에 어떻게 적용할지에 대한 인사이트를 얻어갈 수 있습니다. 최종적으로 자신이 목표로 하는 로드맵을 시작할 수 있게 됩니다.

| 수강대상

본 강의는 아래의 선수지식이 필요합니다.
– 선형 회귀, 로지스틱 회귀, 경사 하강법에 대해서 들어본 적이 있다.
– 파이썬의 조건문, 반복문, Numpy 등 기초적인 파이썬 구현을 해본적이 있다.

텍스트 데이터를 다루는 실무에 바로 활용하기를 원하는 분

자연어처리의 최신 기술을 배우고 싶은 분

영어가 아닌 한국어로 된 자연어처리 기술을 배워 활용하고 싶은 분

딥러닝 입문

데이터 사이언스 커리어를 위해 자연어처리 심화까지 모두 배워보고 싶으신 분

"자연어 처리 기초부터 배우고 싶은데, 어렵진 않을까?"

난이도가 높은 강의라
내 수준에 따라갈 수 있을까?
자연어처리 어렵진 않을까? 고민하는
왕초보라도 걱정하지 마세요!
자연어처리
수강생 분들의 성장을 위한 의지와 열정에
러닝스푼즈가 최선을 다해 도와드리겠습니다.

자연어처리 입문을 원하는 초심자분들을 대상으로
공부하면서 겪었던 시행착오나 실무에서 얻은 노하우를 공유해드리겠습니다.
-강사님 인터뷰 中-

| 수강후기

서지원회사원
Read More

혼자서 이론적 내용을 이해하기 위해 노력해보고, 코드로도 작성해봤는데 풀리지 않았던 점들이 있어 찾던 중 강의 수강을 하게 되었습니다. 8주라는 비교적 긴 시간동안 이었지만, 그 시간을 통해 충분히 강사님께 물어보고 궁금했던 점들을 해결할 수 있었기 때문에 오히려 만족스러웠습니다. 혼자 터득하기 힘들었던 점이 많으셨던 분들께는 강사님의 Q&A를 적극 활용할 것을 추천드립니다.

이수민직장인
Read More

저는 다른 것보다 자연어처리와 관련한 최신 논문을 명확히 이해할 수 있었던 점이 가장 만족해요. 트랜스포머 모델에 대해서는 여러 사례들에 대해서만 알 수 있었는데 실제로 수업을 통해 구현도 해보고, 실무에서 사용하고 계신 강사님의 노하우를 알게 되어 더욱 많은 도움이 되었어요.

박성일취준생
Read More

자연어처리라는 분야가 어렵다고 생각했고, 텐서플로우 기초만 아는 제가 과연 잘 따라갈 수 있을까 반신반의했습니다. 하지만 강사님께서 직접 논문을 통한 자연어처리 개념 이해부터 챗봇 서비스 구현까지 도와주시니 8주가 금방 지나갈 정도로 알차고 만족한 강의가 된 것 같습니다.

정형규의사
Read More

자연어처리의 모델이 지속적으로 다양해지고, 학습 난이도 또한 높아지고 있어요. 타 강의들에서는 자연어 처리 강의에 BERT를 심도 있게 다루지 않았는데 이 강의에서 자세하게 설명해주셨고, 특히 수강생의 전체적인 수준을 파악하셔서 가르쳐주세요. 강사님의 교재를 참고로 하니 더욱 이해가 잘 되어, 논문 활용과 챗봇 구현에도 큰 도움이 되었습니다. 금액이 전혀 아깝지 않은 최고 별점의 강의입니다!

Previous
Next

| 커리큘럼

GIGO(Garbage In, Garbage Out)이라는 말이 있습니다. 전처리가 제대로 되어있지 않으면 뛰어난 모델이라도 성능에 한계가 있습니다. 영어와 한국어의 자연어 처리에서 서로 다른 주의해야 할 사항들과 그 전처리 방법에 대해서 이해해봅시다.
컴퓨터가 자연어 처리를 이해하도록 하고, 자연어를 생성하는 모델을 만들면 이를 언어 모델(Language Model)이라고 합니다. 언어 모델의 발전 과정 소개를 통해 딥 러닝 자연어 처리가 주류가 되기 시작한 이유를 소개합니다.

이론
– 영어와 한국어의 자연어 전처리의 차이
– 각종 자연어 처리 방법(Tokenization, Cleaning, Normalzation, tf.keras의 Tokenizer 등)
– 자연어를 이해하고 생성하는 언어 모델의 개념 소개
– 딥 러닝 언어 모델의 등장 배경

실습
– 파이썬을 이용한 각종 전처리 함수 구현
– 텐서플로의 케라스 토크나이저를 이용한 전처리 실습
컴퓨터로 본격적으로 자연어 처리를 시작하려고 합니다. 그런데 컴퓨터는 텍스트보다는 숫자를 더 잘 처리합니다.
자연어 처리의 주요 단위인 단어들을 텍스트 형태에서 수치화 할 필요가 있습니다.
이번 주차에서는 단어들을 벡터로 변환하는 벡터화 방법들을 이해합니다.

딥러닝 자연어 처리를 위해서 이 수업에서는 주로 텐서플로의 메인 API인 Keras를 사용합니다.
자연어 처리 모델을 직접 구현해보면서 사용법을 익혀봅시다.

이론
– 단어 벡터화 방법 One-hot encoding, Bag of Words, DTM, TF-IDF 이해하기
– Tensorflow의 메인 API인 Keras 사용법 소개
– Tensorflow의 다양한 구현 방법 Sequential Vs. Functional Vs. Subclassing
– Gradient Descent 이해하기

실습
– Tensorflow를 사용하여 Bag of Words를 처리하는 모델 만들기
– Logistic Regression / Softmax Regression / Multilayer Perceptron 구현하기
지난 주에 배웠던 벡터 표현들로도 어느 정도 준수한 성능을 낼 수는 있지만, 이 벡터 표현들은 단어 간 유사도를 제대로 반영하지 못하는 등의 몇 가지 한계가 있었습니다. 이제 대한 대안은 모델 뿐만 아니라 벡터화 방법에도 인공 신경망을 도입하는 겁니다. 인공 신경망을 통해 단어를 벡터화하는 Word Embedding의 개념을 이해합니다.
Word Embedding에는 다양한 방법들이 있습니다. 케라스에서 기본적으로 제공하는 Embedding layer와 별도로 존재하는 다양한 각 Word Embeding 알고리즘들인데 각 Embedding 방법들의 특성과 장, 단점을 이해해봅시다.

이론
– Sparse Representation과 신경망 기반 Word Embedding의 차이
– Keras의 Embedding layer Vs. Pre-trained Word Embedding의 차이
– 다양한 Word Embedding : NNLM, Word2Vec, FastText, GloVe

관련 논문
– Efficient Estimation of Word Representations in Vector Space 모델 소개
– GloVe : Global vectors for word representation 모델 소개

실습
– Embedding layer, Word2Vec, FastText, GloVe 사용법 익히기
스팸 메일 분류, 주식 투자를 위한 뉴스 감성 분석, 고객 선호도 분류 등
현업에서 가장 수요가 높은 자연어 처리 모델를 꼽자면 그 중 하나는 바로 텍스트 분류입니다.
이번 주차에서는 딥 러닝을 통해 텍스트 분류 모델을 구현하는 방법을 배워봅니다.

시퀀셜 데이터를 다루는 신경망인 RNN(Recurrent Neural Network)은 전통적으로 자연어 처리를 한다면 반드시 배우게 되는 신경망입니다. 대조적으로 이미지 처리 분야의 주력 신경망인 CNN이 있는데, 때로는 CNN을 통해서 자연어 처리를 하기도 합니다. 이 두 신경망의 차이를 이해합니다.

이론
– RNN 다양한 구조 : many-to-one, many-to-many, Language Model
– 발전된 RNN : LSTM, GRU
– RNN Vs. 텍스트 분류를 위한 1D CNN(Convolutional Neural Network)

관련 논문
– Convolutional Neural Networks for Sentence Classification 모델 소개

실습
– many-to-one 문제 : Binary Classification, Multi-Class Classification 모델 구현
* 한국어 : 네이버 영화 리뷰 감성 분류하기
* 영어 : 46개 종류의 영어 뉴스 분류하기, IMDB 영화 리뷰 분류하기 등
딥 러닝으로 챗봇을 구현하는 방법은 여러가지 방법이 있겠지만, 그 중 한 가지 방법은 사용자의 의도를 파악하는 Intent Classification과 개체명을 인식하는 Named Entity Recognition이라는 두 가지 모델을 혼합해서 사용하는 것입니다.
이 두 가지 모델에 대해서 이해하고 직접 구현해봅시다.

이론
– Named Entity Recogniton을 위한 BIO 태깅
– many-to-many 문제를 위한 모델인 BiLSTM + CRF(Conditional Random Field) 모델 소개

관련 논문
– Bidirectional LSTM-CRF Models for Named Entity Recognition 모델 소개
– Named-Entity-Recognition-with-Bidirectional-LSTM-CNNs 모델 소개

실습
– 사용자의 질의를 분류하는 Intent Classification 구현
– 질의로부터 개체명을 인식하는 Named Entity Recognition 구현
딥 러닝 기반 챗봇의 또 다른 구현 방법인 Google 번역기의 핵심 모델 Sequence to Sequence(Encoder-Decoder)에
대해서 이해하고 챗봇 데이터를 학습시켜 챗봇을 구현해봅니다.

이론
– 입력과 출력의 길이가 다른 many-to-many 문제를 위한 Sequence to Sequence 모델 소개
– RNN의 Teacher Forcing 학습과 테스트 방법 이해하기
– 번역의 성능 평가 : BLEU Score(Bilingual Evaluation Understudy Score)

관련 논문
– Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine
– Translation 모델 소개

실습
– Sequence to Sequence모델을 사용한 Chatbot 구현
– Sequence to Sequence 모델을 사용한 기계 번역기 구현
– TFAddon을 이용한 Sequence to Sequence 구현하기
최근 딥 러닝 자연어 처리에서 필수적인 테크닉이자,
8주차에 배우게 되는 심화 모델들의 이론의 초석이 되는 Attention Mechanism을 이해합니다.
그리고 이를 지난 주차에 학습한 모델인 Sequence to Sequence에 적용해봅시다.

이론
– Attention Mechanism 소개
– 다양한 Attention Mechanism 비교(Bahdanau attention/Luong attention)
– Self-Attention (Transformer Encoder)

실습
– Sequence to Sequence모델에 Attention Mechanism 적용하기
– Attention Based BiLSTM for Text Classification
자연어 처리의 최신 모델들 (BERT, GPT-2 등)이 서브 모듈로서 사용하고 있는 Transformer와
이를 이용한 최신 모델 BERT의 내부 구조와 작동 원리를 이해합니다.

이론
– Google의 “Attention is All You Need” 모델 소개 : Transformer
– Google의 “BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding” 모델 소개 : BERT

실습
– Transformer 밑바닥부터 구현하기
– KoBERT를 이용한 네이버 영화 리뷰 감성 분류 (Many-to-One 문제)
– KoBERT를 이용한 개체명 인식 (Many-to-Many 문제)

| 강사소개 및 인터뷰

유원준
(현) KOSCOM 데이터분석팀 분석가
(전) Samsung SDS AI 연구소 연구원

– 위키독스 ‘딥 러닝을 이용한 자연어 처리’ 저자 (https://wikidocs.net/book/2155)

(프로젝트)
– 유명 반도체 기업 텍스트 마이닝 프로젝트 자문
– 유명 반도체 기업 프로젝트, “비정형 로그 데이터 군집 시스템” 개발
– K 기업 딥 러닝 자연어 처리 사외 강의
– 빅 데이터 분석 시스템 “비정형 데이터 분석 모듈” 개발
– 유명 보안 기업 프로젝트 “고객 응대를 위한 AI 챗봇” 개발
1. 자기소개 부탁드립니다.
안녕하세요. 위키독스에 ‘딥 러닝을 이용한 자연어 처리’라는 책을 집필한 저자 Won Joon Yoo입니다. 현업에서는 주로 데이터 분석 및 자연어 처리를 주로 하고 있습니다. 제가 딥 러닝 자연어 처리를 공부할 때는, 참고할만한 한국어 자료나 책은 거의 없다시피 했습니다. 제가 겪은 수많은 시행착오를 다른 분들은 겪지 않기를 바라는 마음에 자연어 처리 자료를 온라인에 꾸준히 공유해왔는데 벌써 횟수로 3년째네요. 자연어 처리 입문을 원하는 초심자분들을 대상으로 공부하면서 겪었던 시행착오나 실무에서 얻은 노하우를 공유 해드리고자 강의를 하게 되었습니다.
2. 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.
3. 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.
4. 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.
5. 마지막으로 수강생들에게 하고 싶으신 말
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.
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!