|
|
|
ÅÙ¼ÇÃ·Î¿Í Äɶ󽺷Π±¸ÇöÇÏ´Â µö·¯´×
|
|
|
µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî(¿¡ÀÌÄÜ)1
¤Ó ¼öÁþ ÆÈ, À̺´¿í
¤Ó
¿¡ÀÌÄÜÃâÆÇ
¤Ó
Deep Learning with TensorFlow and Keras - Third Edition
|
|
|
|
- Á¦ÈÞ¸ô ÁÖ¹® ½Ã °í°´º¸»ó, ÀϺΠÀ̺¥Æ® Âü¿© ¹× ÁõÁ¤Ç° ÁõÁ¤, ÇÏ·ç/´çÀÏ ¹è¼Û¿¡¼ Á¦¿ÜµÇ¹Ç·Î Âü°í ¹Ù¶ø´Ï´Ù.
-
-
-
µö·¯´×¿¡ °ü·ÃµÈ °ÅÀÇ ¸ðµç ÃֽŠ±â¼úÀ» ¼³¸íÇÑ´Ù. ȸ±ÍºÎÅÍ ½ÃÀÛÇØ µö·¯´×ÀÇ ±âÃʸ¦ ¼³¸íÇÏ°í, ÄÁº¼·ç¼Ç ½Å°æ¸Á, ¼øȯ ½Å°æ¸Á, LTSM, ÀÚ¿¬¾î ó¸®, À̹ÌÁö ÇÕ¼º µî¿¡ ´ëÇÑ ÃֽŠ±â¼ú µ¿ÇâÀ» ¼Ò°³ÇÑ´Ù. ƯÈ÷ ÇöÀç È°¹ßÈ÷ ¿¬±¸ ÁßÀÎ AutoML ºÐ¾ßÀÇ ÇöȲ°ú ±¸±Û Ŭ¶ó¿ìµå¸¦ ÀÌ¿ëÇÑ AutoML ½Ç½Àµµ ´Ù·ç¸ç, È®·üÀû ÅÙ¼ÇÃ·Î¿Í ±×·¡ÇÁ ½Å°æ¸Á¿¡ ´ëÇؼµµ Ä£ÀýÇÏ°Ô ¾È³»ÇÑ´Ù.
dzºÎÇÑ ¿¹Á¦¸¦ ÅëÇØ Äɶ󽺰¡ ¿ÏÀü ÅëÇÕµÈ ÅÙ¼Ç÷ÎÀÇ »ç¿ë ¹æ¹ýÀ» ´Ù¾çÇÑ ÀÀ¿ëºÐ¾ß¿¡ °ÉÃÄ Á÷Á¢ ±¸ÃàÇغ¼ ¼ö ÀÖ´Ù. GANÀ» ÅëÇÑ Çʱâü ¼ýÀÚÀÇ »ý¼º, RNN°ú LTSMÀÌ ³ª¿À°Ô µÈ ¹è°æ ¹× ¾î¶² ¹®Á¦¸¦ ÇØ°áÇÏ°íÀÚ Çß´ÂÁö¿¡ ´ëÇÑ ¹è°æ ¼³¸íÀ» µè°í ³ª¸é ´Ù¾çÇÑ °¢µµ¿¡¼ µö·¯´×À» ÀÌÇØÇÏ°Ô µÉ °ÍÀÌ´Ù.
Æ®·£½ºÆ÷¸Ó¸¦ º°µµ·Î ´Ù·ç´Â »õ·Î¿î ÀåÀ» Ãß°¡Çß°í, BERT, GPT-2, GPT3, Reformer µî ´Ù¾çÇÑ ¾ð¾î ¸ðµ¨¿¡ ´ëÇÑ »ó¼¼ÇÑ ¼³¸í°ú ºñ±³ ¹× Huggin Face ¶óÀ̺귯¸®¸¦ ÅëÇÑ ´Ù¾çÇÑ ¾ð¾î ¿¹Á¦ µî 2ÆÇ¿¡ ºñÇØ ¿©·¯ ³»¿ëÀ» º¸°Çß´Ù. ±×·¡ÇÁ ½Å°æ¸Á ¶ÇÇÑ ¿¹Á¦¿Í ÇÔ²² ±× ±â´É°ú Ư¡À» ÀÚ¼¼È÷ ¼³¸íÇÑ´Ù.
-
-
¢Â ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ë ¢Â
¡ß ÅÙ¼Ç÷ηΠº¸ÆíÀûÀÎ GNNÀ» »ç¿ëÇÑ ±×·¡ÇÁ ¸¶ÀÌ´× °úÁ¦ ÇØ°á ¹æ¹ý
¡ß »çÀü ÇнÀ ´Ü°èºÎÅÍ Æò°¡ÇÏ´Â ¹Ì¼¼-Æ©´× ´Ü°è±îÁö Æ®·£½ºÆ÷¸ÓÀÇ ¼¼°è Ž±¸
¡ß ÀÚ±â-ÁöµµÇнÀÀ» Àû¿ëÇÑ ÀÚ¿¬¾î ó¸®, ÄÄÇ»ÅÍ ºñÀü, ÀÚµ¿ ½ÅÈ£ ó¸® ¹æ¹ý
¡ß TensorFlow Probability¸¦ ÀÌ¿ëÇÑ È®·ü°ú µö·¯´× ¸ðµ¨ º´ÇÕ
¡ß Ŭ¶ó¿ìµå¿¡¼ ¸ðµ¨À» ÈÆ·ÃÇÏ°í ÅÙ¼Ç÷θ¦ ½ÇÁ¦ ȯ°æ¿¡¼ ÀÛµ¿½ÃÅ°´Â ¹æ¹ý
¡ß ÅÙ¼Ç÷Π2.x¿Í ÄÉ¶ó½º API¸¦ ÅëÇÑ ¸Ó½Å·¯´×°ú µö·¯´× ¸ðµ¨ ±¸Ãà
¢Â ÀÌ Ã¥ÀÇ ´ë»ó µ¶ÀÚ ¢Â
¸Ó½Å·¯´× °æÇèÀÌ ÀÖ´Â µ¥ÀÌÅÍ °úÇÐÀÚÀ̰ųª ½Å°æ¸Á¿¡ ¾î´À Á¤µµ ³ëÃâµÈ AI ÇÁ·Î±×·¡¸Ó¶ó¸é ÀÌ Ã¥ÀÌ TensorFlow¸¦ »ç¿ëÇÑ µö·¯´×¿¡ ´ëÇÑ À¯¿ëÇÑ ½ÃÀÛÁ¡ÀÓÀ» ¾Ë°Ô µÉ °ÍÀÌ´Ù. µö·¯´× ¾²³ª¹Ì¿¡ ´ëÇÑ °ü½ÉÀÌ ³ô¾ÆÁö°í ÀÖ´Â ¼ÒÇÁÆ®¿þ¾î ¿£Áö´Ï¾î¶ó¸é ÀÌ Ã¥ÀÌ ÇØ´ç ÁÖÁ¦¿¡ ´ëÇÑ Áö½ÄÀ» ³ÐÈú ¼ö ÀÖ´Â ±âÃÊ Ç÷§ÆûÀÌ µÉ °ÍÀÌ´Ù. ÀÌ Ã¥À» ÀÐÀ¸·Á¸é Python¿¡ ´ëÇÑ ±âº» Áö½ÄÀÌ ÇÊ¿äÇÏ´Ù.
¢Â ÀÌ Ã¥ÀÇ ±¸¼º ¢Â
1ÀåÀº ¸Ó½Å·¯´× ¹× µö·¯´×À» À§ÇØ Google¿¡¼ °³¹ßÇÑ ¿ÀÇ ¼Ò½º ¶óÀ̺귯¸®ÀÎ ÅÙ¼Ç÷ÎÀÇ ±âº» »çÇ×À» ¹è¿î´Ù. ¶ÇÇÑ Áö³ ¸î ³â µ¿¾È ³î¶ó¿î ¼ºÀåÀ» ÀÌ·é ¸Ó½Å·¯´×ÀÇ µÎ °¡Áö ¿µ¿ªÀÎ ½Å°æ¸Á°ú µö·¯´×ÀÇ ±âÃʸ¦ ¼Ò°³ÇÑ´Ù. 1ÀåÀÇ ±âº» ¸ñÀûÀº ±âº»ÀûÀÌÁö¸¸ ¿ÏÀüÇÑ µö·¯´× ½Ç½ÀÀ» ¼öÇàÇÏ´Â µ¥ ÇÊ¿äÇÑ ¸ðµç µµ±¸¸¦ ¼Ò°³ÇÏ´Â °ÍÀÌ´Ù.
2ÀåÀº ¸Ó½Å·¯´× ±â¼úÀÇ ±âº» ÀÛ¾÷ÀΠȸ±Í¿Í ºÐ·ù¿¡ ÁßÁ¡À» µÐ´Ù. ÅÙ¼Ç÷θ¦ »ç¿ëÇØ ´Ü¼ø, ´ÙÁß ¹× ´Ùº¯·® ȸ±Í ¸ðµ¨À» ±¸ÃàÇÏ´Â ¹æ¹ýÀ» ¹è¿î´Ù. ¶ÇÇÑ ´ÙÁß Å¬·¡½º ºÐ·ù ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇØ ·ÎÁö½ºÆ½ ȸ±Í¸¦ »ç¿ëÇÑ´Ù.
3ÀåÀº MNIST Çʱ⠹®ÀÚ¸¦ ³ôÀº Á¤È®µµ·Î ÀνÄÇϱâ À§ÇØ µö·¯´× ConvNetÀ» »ç¿ëÇÏ´Â ¹æ¹ýÀ» ´Ù·é´Ù. CIFAR 10 µ¥ÀÌÅͼÂÀ» »ç¿ëÇØ 10°³ÀÇ Ä«Å×°í¸®·Î µö·¯´× ºÐ·ù±â¸¦ ±¸ÃàÇÏ°í ImageNet µ¥ÀÌÅͼÂÀ¸·Î 1,000°³ÀÇ Ä«Å×°í¸®·Î Á¤È®ÇÑ ºÐ·ù±â¸¦ ±¸ÃàÇÒ °ÍÀÌ´Ù. ¶ÇÇÑ VGG16°ú °°Àº ´ë±Ô¸ð µö·¯´× ³×Æ®¿öÅ©¿Í InceptionV3¿Í °°Àº ¸Å¿ì ±íÀº ³×Æ®¿öÅ©¸¦ »ç¿ëÇÏ´Â ¹æ¹ýÀ» Á¶»çÇÑ´Ù. ¾Æ¿ï·¯ ÀüÀÌÇнÀ¿¡ ´ëÇÑ ³íÀÇ·Î ¸¶¹«¸®ÇÑ´Ù.
4ÀåÀº ºÐ»ê Ç¥Çö°ú ´Ü¾î ÀÓº£µùÀÇ ±â¿ø°ú ÀÌ·ÐÀ» ¼Ò°³ÇÑ´Ù. ±×´ÙÀ½ ¹®Àå°ú ´Ü¶ôÀ» ±â¹ÝÀ¸·Î ÇÏ´Â Á¤Àû ´Ü¾î ±â¹Ý ÀÓº£µùº¸´Ù ´õ ¿ªµ¿ÀûÀÌ°í Ç¥ÇöÀûÀÎ ´Ü¾î ÀÓº£µùÀÇ ÁøÇà »óȲÀ» Â÷Æ®·Î ¼³¸íÇÑ´Ù. ¶ÇÇÑ ±×·¡ÇÁÀÇ ³ëµå ¶Ç´Â À¥ ¾ÖÇø®ÄÉÀ̼ÇÀÇ »ç¿ëÀÚ ¼¼¼Ç°ú °°ÀÌ ´Ü¾î°¡ ¾Æ´Ñ ½ÃÄö½ºµµ Æ÷ÇÔÇϵµ·Ï ´Ü¾î ÀÓº£µùÀÇ ¾ÆÀ̵ð¾î¸¦ È®ÀåÇÒ ¼ö ÀÖ´Â ¹æ¹ýÀ» »ìÆ캻´Ù. ´Ù¾çÇÑ Á¾·ùÀÇ ´Ü¾î ÀÓº£µùÀ» »ç¿ëÇÏ´Â ¿©·¯ ¿¹ ¿ª½Ã Æ÷ÇÔÇÑ´Ù.
5Àå¿¡¼´Â ¼øȯ ½Å°æ¸ÁÀ» ´Ù·ç¸ç, ÀÚ¿¬¾î ¶Ç´Â ½Ã°è¿°ú °°Àº ½ÃÄö½º µ¥ÀÌÅ͸¦ ó¸®ÇÏ´Â µ¥ ÃÖÀûÈµÈ ½Å°æ¸ÁÀÇ Áß¿äÇÑ ¾ÆÅ°ÅØó ÇÏÀ§ ºÎ·ù¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. LSTM(Long Short-Term Memory) ¹× GRU(Gated Recurrent Unit)¿Í °°Àº Áß¿äÇÑ ¾ÆÅ°ÅØó¸¦ ¼³¸íÇÏ°í ¾ç¹æÇâ »óÅ ¹× ÀÏ°ý ó¸® »óŸ¦ ó¸®Çϵµ·Ï È®ÀåÇÒ ¼ö ÀÖ´Â ¹æ¹ýÀ» º¸¿©ÁØ´Ù. ¶ÇÇÑ ÅؽºÆ® »ý¼º, °¨Á¤ ºÐ¼® ¹× Ç°»ç űë°ú °°Àº ƯÁ¤ ÀÛ¾÷¿¡ ´ëÇÑ ´Ù¾çÇÑ ÅäÆú·ÎÁö¿Í ÇÔ²² RNNÀ» »ç¿ëÇÏ´Â ¿¹¸¦ ¼Ò°³ÇÑ´Ù. ¶ÇÇÑ ÀÎÄÚ´õ-µðÄÚ´õ ÆÄÀÌÇÁ¶óÀο¡¼ ÇÑ ½ÖÀÇ RNNÀ» »ç¿ëÇØ ´Ù¾çÇÑ NLP ÀÛ¾÷À» ÇØ°áÇÏ´Â Àαâ ÀÖ´Â seq2seq ¾ÆÅ°ÅØó¿¡ ´ëÇؼµµ ¼³¸íÇÑ´Ù.
6Àå¿¡¼´Â ÀüÅëÀûÀÎ ÀÚ¿¬¾î ó¸® ºÐ¾ß¸¦ Çõ½ÅÇÑ µö·¯´× ¾ÆÅ°ÅØóÀÎ Æ®·£½ºÆ÷¸Ó¸¦ ´Ù·é´Ù. ¸ÕÀú °¡Àå Àαâ ÀÖ´Â ¸ðµ¨¿¡ ´ëÇÑ ½ÉÃþ ºÐ¼®°ú ÇÔ²² ¾ÆÅ°ÅØó ¹× ´Ù¾çÇÑ ¹üÁÖÀÇ Æ®·£½ºÆ÷¸Ó¿¡ ´ëÇÑ ÇÙ½É Á÷°üÀ» °ËÅäÇÏ´Â °ÍÀ¸·Î ½ÃÀÛÇÑ´Ù. ±×·± ´ÙÀ½ Hugging Face ¹× TensorFlow Hub¿Í °°Àº Àαâ ÀÖ´Â ¶óÀ̺귯¸®¿Í ¹Ù´Ò¶ó ¾ÆÅ°ÅØó¸¦ ±â¹ÝÀ¸·Î ÇÏ´Â ±¸Çö¿¡ Áß...Á¡À» µÐ´Ù. ±×´ÙÀ½ Æò°¡, ÃÖÀûÈ ¹× Æ®·£½ºÆ÷¸Ó¸¦ »ç¿ëÇÒ ¶§ ÀϹÝÀûÀ¸·Î äÅõǴ ¸î °¡Áö ¸ð¹ü »ç·Ê¿¡ ´ëÇØ °£·«ÇÏ°Ô ¼³¸íÇÑ´Ù. ¸¶Áö¸· ÀýÀº Æ®·£½ºÆ÷¸Ó¸¦ »ç¿ëÇØ NLP¿Í ¿ÏÀüÈ÷ ´Ù¸¥ ¿µ¿ªÀÎ ÄÄÇ»ÅÍ ºñÀü ÀÛ¾÷À» ¼öÇàÇÏ´Â ¹æ¹ýÀ» °ËÅäÇÏ´Â µ¥ Àü³äÇÑ´Ù. À̸¦ À§Çؼ´Â ¾îÅÙ¼Ç(attention) ¸ÞÄ¿´ÏÁò¿¡ ´ëÇÑ ½ÅÁßÇÑ Á¤ÀÇ°¡ ÇÊ¿äÇÏ´Ù. °á±¹, ¡°ÇÊ¿äÇÑ °ÍÀº ¾îÅÙ¼ÇÀÌ ÀüºÎ´Ù¡±. ±×¸®°í °ü½ÉÀÇ Çٽɿ¡´Â º¤ÅÍ °£ÀÇ ÄÚ»çÀÎ À¯»ç¼º ¿Ü¿¡´Â ¾Æ¹«°Íµµ ¾ø´Ù.
7Àå¿¡¼´Â ºñÁöµµÇнÀ ¸ðµ¨¿¡ ´ëÇØ ÀÚ¼¼È÷ ¼³¸íÇÑ´Ù. PCA, k-Æò±Õ ¹× ÀÚü ±¸¼º ¸Ê°ú °°Àº Ŭ·¯½ºÅ͸µ ¹× Â÷¿ø °¨¼Ò¿¡ ÇÊ¿äÇÑ ±â¼úÀ» ´Ù·é´Ù. º¼Ã÷¸¸(Boltzmann) ¸Ó½Å°ú ÅÙ¼Ç÷θ¦ »ç¿ëÇÑ ±¸Çö¿¡ ´ëÇØ ÀÚ¼¼È÷ ¼³¸íÇÑ´Ù. ´Ù·ç´Â °³³äÀº RBM(Restricted Boltzmann Machines) ±¸ÃàÀ¸·Î È®ÀåµÈ´Ù.
8Àå¿¡¼´Â ÀÔ·ÂÀ» ´ë»óÀ¸·Î Àç»ý¼ºÇÏ·Á´Â ½Å°æ¸Á ºÎ·ùÀÎ ¿ÀÅäÀÎÄÚ´õ¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. Èñ¼Ò ¿ÀÅäÀÎÄÚ´õ, ÄÁº¼·ç¼Ç ¿ÀÅäÀÎÄÚ´õ, µð³ëÀÌ¡(denosing) ¿ÀÅäÀÎÄÚ´õ¿Í °°Àº ´Ù¾çÇÑ Á¾·ùÀÇ ¿ÀÅäÀÎÄÚ´õ¸¦ ´Ù·ê °ÍÀÌ´Ù. ¿©±â¼´Â ÀâÀ½ Á¦°Å ÀÚµ¿ ÀÎÄÚ´õ¸¦ ÈÆ·ÃÇØ ÀÔ·Â À̹ÌÁö¿¡¼ ÀâÀ½À» Á¦°ÅÇÑ´Ù. ¿ÀÅäÀÎÄÚ´õ¸¦ »ç¿ëÇØ MNIST ¼ýÀÚ¸¦ »ý¼ºÇÏ´Â ¹æ¹ýÀ» º¸¿©ÁØ´Ù. ¶ÇÇÑ ¹®Àå º¤Å͸¦ »ý¼ºÇϱâ À§ÇØ LSTM ÀÚµ¿ ÀÎÄÚ´õ¸¦ ±¸ÃàÇÏ´Â °Í°ú °ü·ÃµÈ ´Ü°èµµ ´Ù·é´Ù. ¸¶Áö¸·À¸·Î, À̹ÌÁö¸¦ »ý¼ºÇϱâ À§ÇØ °¡º¯ ¿ÀÅäÀÎÄÚ´õ¸¦ ±¸ÃàÇÏ´Â ¹æ¹ýÀ» ¹è¿î´Ù.
9Àå¿¡¼´Â »ý¼ºÀû Àû´ë ½Å°æ¸Á(GAN)¿¡ ÁßÁ¡À» µÐ´Ù. ¸ÕÀú ù ¹ø° Á¦¾ÈµÈ GAN ¸ðµ¨·Î ½ÃÀÛÇØ MNIST ¹®ÀÚ¸¦ À§Á¶ÇÏ´Â µ¥ »ç¿ëÇÑ´Ù. ¶ÇÇÑ ½ÉÃþ ÄÁº¼·ç¼Ç GANÀ» »ç¿ëÇØ À¯¸íÀÎ À̹ÌÁö¸¦ ¸¸µå´Â ¹æ¹ýÀ» º¸¿©ÁØ´Ù. ±×¸®°í SRGAN, InfoGAN ¹× CycleGAN°ú °°Àº ´Ù¾çÇÑ GAN ¾ÆÅ°ÅØó¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. ´Ù¾çÇÏ°í ¸ÚÁø GAN ¾ÖÇø®ÄÉÀ̼ǵµ ´Ù·é´Ù. ¸¶Áö¸·À¸·Î °Ü¿ï-¿©¸§ À̹ÌÁö¸¦ º¯È¯Çϱâ À§ÇØ CycleGANÀÇ ÅÙ¼Ç÷Π±¸ÇöÀ¸·Î °á·ÐÀ» ³»¸°´Ù.
10Àå¿¡¼´Â ÄÄÇ»ÅÍ ºñÀü, ¿Àµð¿À ¹× ÀÚ¿¬¾î 󸮿¡¼ ÀÚ±â-ÁöµµÇнÀ¿¡ »ç¿ëµÇ´Â ´Ù¾çÇÑ Àü·«¿¡ ´ëÇÑ °³¿ä¸¦ Á¦°øÇÑ´Ù. ÀÚ±âȸ±Í »ý¼º, ¸¶½ºÅ·µÈ »ý¼º, °ü°è ¿¹Ãø ¹× ÀÌ·¯ÇÑ Á¢±Ù ¹æ½ÄÀÇ ÇÏÀ̺긮µå¿Í °°Àº Àü·«À» ÅëÇÑ Àڱ⠿¹ÃøÀ» ´Ù·é´Ù. ¶ÇÇÑ ÀÚ±â-ÁöµµÇнÀÀ» À§ÇÑ Àαâ ÀÖ´Â ±â¼úÀÎ ´ëÁ¶ÇнÀ°ú ´Ù¾çÇÑ ÀÀ¿ë ºÐ¾ßÀÇ ´Ù¾çÇÑ ±¸½Ç ÀÛ¾÷¿¡ ´ëÇÑ ÀÀ¿ëÀ» ´Ù·é´Ù.
11Àå¿¡¼´Â Q-·¯´× ¾Ë°í¸®µë°ú º§¸¸(Bellman) ¹æÁ¤½ÄÀ» ´Ù·ç´Â °ÈÇнÀ¿¡ ÁßÁ¡À» µÐ´Ù. ÇÒÀÎµÈ º¸»ó, Ž»ö ¹× È°¿ë, ÇÒÀÎ ¿ä¼Ò¸¦ ´Ù·é´Ù. ¶ÇÇÑ Á¤Ã¥ ±â¹Ý ¹× ¸ðµ¨ ±â¹Ý °ÈÇнÀ¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. ¾ÆŸ¸®(Atari) °ÔÀÓÀ» Ç÷¹ÀÌÇϱâ À§ÇØ DQN(Deep Q-Learning Network)À» ±¸ÃàÇÒ °ÍÀÌ´Ù. ¸¶Áö¸·À¸·Î Á¤Ã¥ ±â¿ï±â ¾Ë°í¸®µëÀ» »ç¿ëÇØ ¿¡ÀÌÀüÆ®¸¦ ±³À°ÇÏ´Â ¹æ¹ýÀ» ¹è¿î´Ù.
12Àå¿¡¼´Â È®·ü·ÐÀû Ã߷аú Åë°è ºÐ¼®À» ¼öÇàÇϱâ À§ÇØ ÅÙ¼Ç÷ΠÀ§¿¡ ±¸ÃàµÈ ¶óÀ̺귯¸®ÀÎ ÅÙ¼Ç÷ΠȮ·üÀ» ¼Ò°³ÇÑ´Ù. TensorFlow Probability¸¦ »ç¿ëÇØ ÇÕ¼º µ¥ÀÌÅ͸¦ »ý¼ºÇÏ´Â ¹æ¹ýÀ» º¸¿©ÁØ´Ù. º£ÀÌÁî ³×Æ®¿öÅ©¸¦ ±¸ÃàÇÏ°í Ãß·ÐÀ» ¼öÇàÇÑ´Ù. 12Àå¿¡¼´Â ¶ÇÇÑ ºÒÈ®½Ç¼º, ¿ì¹ßÀû ¹× ÀνÄÀû °³³ä°ú ÈÆ·ÃµÈ ¸ðµ¨ÀÇ ºÒÈ®½Ç¼ºÀ» °è»êÇÏ´Â ¹æ¹ýÀ» ¼Ò°³ÇÑ´Ù.
13Àå¿¡¼´Â ±â°èÇнÀ ±â¼ú¿¡ Àͼ÷ÇÏÁö ¾ÊÀº µµ¸ÞÀÎ Àü¹®°¡°¡ ¸Ó½Å·¯´× ±â¼úÀ» ½±°Ô »ç¿ëÇÒ ¼ö ÀÖµµ·Ï ÇÏ´Â °ÍÀ» ¸ñÇ¥·Î ÇÏ´Â AutoMLÀ» ¼Ò°³ÇÑ´Ù. ¸ÕÀú Google Cloud PlatformÀ» »ç¿ëÇØ ½Ç½ÀÀ» ÁøÇàÇÏ°í ±âº» »çÇ׿¡ ´ëÇØ °£·«È÷ ³íÀÇÇÑ ÈÄ ½ÇÁúÀûÀÎ ½Ç½À ÀÛ¾÷À» ¼öÇàÇÑ´Ù. ÀÚµ¿ µ¥ÀÌÅÍ Áغñ, ÀÚµ¿ ±â´É ¿£Áö´Ï¾î¸µ ¹× ÀÚµ¿ ¸ðµ¨ »ý¼ºÀ» ´Ù·é´Ù. ±×·± ´ÙÀ½ Å×À̺í, ºñÀü, ÅؽºÆ®, ¹ø¿ª ¹× ºñµð¿À 󸮸¦ À§ÇÑ ¿©·¯ ¼Ö·ç¼Ç°ú ÇÔ²² ¿ÀÅäÄÉ¶ó½º ¹× Google Cloud AutoMLÀ» ¼Ò°³ÇÑ´Ù.
14Àå¿¡¼´Â µö·¯´×ÀÇ À̸éÀÇ ¼öÇÐÀ» ´Ù·é´Ù. ÀÌ ÁÖÁ¦´Â »ó´çÈ÷ °í±Þ °úÁ¤À̹ǷΠ½Ç¹«ÀÚ¿¡°Ô ¹Ýµå½Ã ÇÊ¿äÇÏÁø ¾Ê´Ù. ±×·¯³ª ½Å°æ¸ÁÀ» ´Ù·ê ¶§ ¡°³»ºÎÀûÀ¸·Î¡± ¾î¶² ÀÏÀÌ ÀϾ°í ÀÖ´ÂÁö ÀÌÇØÇÏ°íÀÚ ÇÑ´Ù¸é Àо±æ ±ÇÇÑ´Ù. ¿ª»çÀû ¼Ò°³ºÎÅÍ ½ÃÀÛÇØ ¹ÌºÐ°ú ±×·¡µð¾ðÆ®ÀÇ °íµîÇб³ ¼öÁØÀÇ °³³äÀ» °ËÅäÇÏ°í µö·¯´× ³×Æ®¿öÅ©¸¦ ÃÖÀûÈÇÏ´Â µ¥ ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â ±×·¡µð¾ðÆ® µð¼¾Æ® ¹× ¿ªÀüÆÄ ¾Ë°í¸®µëÀ» ¼Ò°³ÇÑ´Ù.
15Àå¿¡¼´Â TPU¿¡ ´ëÇØ ¼³¸íÇÑ´Ù. TPU´Â ÃÊ°í¼Ó ¹æ½ÄÀ¸·Î ½Å°æ¸Á ¼öÇÐ ¿¬»êÀ» ½ÇÇàÇϱâ À§ÇØ Google¿¡¼ °³¹ßÇÑ ¸Å¿ì Ưº°ÇÑ ASIC ĨÀÌ´Ù. ¿¬»êÀÇ ÇÙ½ÉÀº ¿©·¯ ³»Àû(Çà*¿)À» º´·Ä·Î °è»êÇÏ´Â ¼öÃà±â ½Â¼öÀ̹ǷΠ±âº» µö·¯´× ÀÛ¾÷ÀÇ °è»êÀ» °¡¼ÓÈÇÑ´Ù. TPU¸¦ Çà·Ä ¶Ç´Â ÅÙ¼ ÀÛ¾÷¿¡ ÃÊÁ¡À» ¸ÂÃá µö·¯´×À» À§ÇÑ Æ¯¼ö ¸ñÀûÀÇ º¸Á¶ ÇÁ·Î¼¼¼·Î »ý°¢Ç϶ó. Áö±Ý±îÁöÀÇ 4¼¼´ë TPU¿Í Ãß°¡ IoT¿ë Edge TPU¸¦ °ËÅäÇÒ °ÍÀÌ´Ù.
16Àå¿¡¼´Â ´Ù¸¥ µö·¯´× ÇÁ·¹ÀÓ¿öÅ©¸¦ ¼Ò°³ÇÑ´Ù. Hugging Face, OpenAIÀÇ GPT3 ¹× DALL-E 2¸¦ »ìÆ캻´Ù. ¶Ç ´Ù¸¥ Àαâ ÀÖ´Â µö·¯´× ÇÁ·¹ÀÓ¿öÅ©ÀÎ PyTorch¸¦ ¼Ò°³ÇÑ´Ù. ¶ÇÇÑ H2O.ai¿Í AutoML ¸ðµâµµ ´Ù·é´Ù. ¾Æ¿ï·¯ µö·¯´× ¸ðµ¨À» À§ÇÑ ONNX ¿ÀÇ ¼Ò½º Çü½Ä¿¡ ´ëÇؼµµ °£·«ÇÏ°Ô ¼³¸íÇÑ´Ù.
17Àå¿¡¼´Â ±×·¡ÇÁ ½Å°æ¸Á°ú Àαâ ÀÖ´Â µö ±×·¡ÇÁ ¶óÀ̺귯¸®(DGL)¸¦ ƯÈ÷ °Á¶ÇÏ¸é¼ ±×·¡ÇÁ¿Í ±×·¡ÇÁ ±â°èÇнÀÀ» ¼Ò°³ÇÑ´Ù. ¸ÕÀú GNN(¹× DGL¿¡¼ »ç¿ë °¡´É)¿¡¼ »ç¿ëµÇ´Â ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â ´Ù¾çÇÑ ±×·¡ÇÁ °èÃþÀÇ ÀÌ·ÐÀ» ¼³¸íÇÏ°í ³ëµå ºÐ·ù, ¸µÅ© ¿¹Ãø ¹× ±×·¡ÇÁ ºÐ·ù¿¡ »ç¿ëµÇ´Â GNNÀÇ ¿¹¸¦ Á¦°øÇÑ´Ù. ¶ÇÇÑ °íÀ¯ÇÑ ±×·¡ÇÁ µ¥ÀÌÅͼÂÀ¸·Î ÀÛ¾÷ÇÏ°í ±×·¡ÇÁ °èÃþÀ» »ç¿ëÀÚ ÁöÁ¤ÇØ »õ·Î¿î GNN ¾ÆÅ°ÅØó¸¦ »ý¼ºÇÏ´Â ¹æ¹ýµµ º¸¿©ÁØ´Ù. ±×´ÙÀ½ À̱âÁ¾ ±×·¡ÇÁ ¹× ½Ã°£ ±×·¡ÇÁ¿Í °°Àº Graph ML ºÐ¾ßÀÇ ÃÖ÷´Ü ¹ßÀüÀ» ´Ù·é´Ù.
18Àå¿¡¼´Â ÈƷðú Á¦Ç°¿¡¼ ÃÖ»óÀÇ ¸ðµ¨À» ¾ò±â À§ÇØ µû¶ó¾ß ÇÒ Àü·«°ú »ç·Ê¿¡ ÁßÁ¡À» µÐ´Ù. ¿©±â¼´Â µ¥ÀÌÅÍ °ü·Ã »ç·Ê¿Í ¸ðµ¨ °ü·Ã »ç·Ê¶ó´Â µÎ °¡Áö °üÁ¡¿¡¼ ¸ð¹ü »ç·Ê¸¦ ¼³¸íÇÑ´Ù.
19Àå¿¡¼´Â ÅÙ¼Ç÷Π»ýÅ°èÀÇ ´Ù¾çÇÑ ±¸¼º ¿ä¼Ò¸¦ ¼³¸íÇÑ´Ù. »çÀü ÇнÀµÈ µö·¯´× ¸ðµ¨ÀÇ ÀúÀå¼ÒÀÎ TensorFlow Hub¸¦ ¼Ò°³ÇÑ´Ù. ¿©±â¼´Â ¹Ù·Î »ç¿ëÇÒ ¼ö ÀÖ´Â µ¥ÀÌÅͼ ¸ðÀ½ÀÎ ÅÙ¼Ç÷Πµ¥ÀÌÅͼ¿¡ °üÇØ ¼³¸íÇÑ´Ù. ¶ÇÇÑ ¸ð¹ÙÀÏ ¹× ÀÓº£µðµå ½Ã½ºÅÛ°ú À¥À» À§ÇÑ ÇÁ·¹ÀÓ¿öÅ©ÀÎ TensorFlow Lite ¹× TensorFlow JS¿¡ ´ëÇؼµµ À̾߱âÇÒ °ÍÀÌ´Ù. ¸¶Áö¸·À¸·Î ºÐ»êÇü ±â°èÇнÀ ÇÁ·¹ÀÓ¿öÅ©ÀÎ ¿¬ÇÕ ÇнÀ¿¡ ´ëÇØ ¼³¸íÇÑ´Ù.
20Àå¿¡¼´Â CNN(ÄÁº¼·ç¼Ç ½Å°æ¸Á)ÀÇ °í±Þ »ç¿ë¹ýÀ» º¸¿©ÁØ´Ù. CNNÀÌ ÄÄÇ»ÅÍ ºñÀü, ºñµð¿À, ÅؽºÆ® ¹®¼, ¿Àµð¿À ¹× À½¾Ç ¿µ¿ª ³»¿¡¼ ¾î¶»°Ô Àû¿ëµÉ ¼ö ÀÖ´ÂÁö Ž±¸ÇÒ °ÍÀÌ´Ù. ±×¸®°í ÄÁº¼·ç¼Ç ¿¬»êÀ» ¿ä¾àÇÏ´Â Àý·Î ¸¶¹«¸®ÇÑ´Ù.
¢Â ¿Å±äÀÌÀÇ ¸» ¢Â
ÀÌ Ã¥Àº µö·¯´× ±âÃʺÎÅÍ ÃֽŠ±â¼ú µ¿Çâ±îÁö ÇÑ´«¿¡ ½±°Ô ÆľÇÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºµÅ ÀÖÀ¸¸ç, ÀüÀÛÀ» Áõº¸ÇÑ 3ÆÇÀÌ´Ù. ƯÈ÷ Keras¸¦ ¿ÏÀü ÅëÇÕÇÑ TensorFlow 2.0¿¡ ´ëÇÑ Ç³ºÎÇÑ ¿¹Á¦¿Í ÇÔ²² ÇöÀç È°¹ßÈ÷ ¿¬±¸°¡ ÁøÇà ÁßÀÎ AutoML±îÁö ´Ù·ç°í ÀÖ´ø 2ÆÇ¿¡¼ 4°³ÀÇ ÀåÀÌ ´õ ´Ã¾î³ª¸é¼ ±×·¡ÇÁ ½Å°æ¸ÁÀÇ ¼Ò°³, ÃֽŠTPU version 4.0ÀÇ ¼Ò°³, È®·üÀû TensorFlowÀÇ ¼Ò°³°¡ ´Ã¾î³µÀ¸¸ç, 2ÆÇ¿¡ ÀÖ´ø ¿©·¯ ¿¹Á¦µµ ÃֽŠ³»¿ëÀ¸·Î ¸¹ÀÌ °»½ÅµÆ´Ù. ¶ÇÇÑ 2ÆÇ¿¡ ´Ù¼Ò »êÀçÇØ ÀÖ´ø ¸î °¡Áö °³³äÀº µ¶¸³½ÃÅ°°Å³ª ´Ù½Ã Á¤¸®ÇØ, ÇÑ°á ´õ ½±°Ô ´Ù°¡¿Àµµ·Ï Çß´Ù. »õ·Î Ãß°¡ÇÑ 6Àå, ¡®Æ®·£½ºÆ÷¸Ó¡¯ µîÀ» ÅëÇØ ÃÖ±Ù °¡Àå ÁÖ¸ñ¹Þ°í Àִ êGPT µî¿¡ ´ëÇÑ °³³äµµ ´õ¿í ±»°ÇÈ÷ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù. ¶ÇÇÑ ±×·¡ÇÁ ½Å°æ¸Áµµ º°µµÀÇ ÀåÀ¸·Î Ãß°¡µÅ ¿©·¯ ¿¹Á¦¿Í ÇÔ²² ¼Ò°³ÇÏ°í ÀÖ´Ù.
ÀÌ Ã¥Àº µö·¯´×À» óÀ½ ½ÃÀÛÇÏ´Â »ç¶÷¿¡°Ôµµ ¾î·ÆÁö ¾ÊÀ» Á¤µµ·Î Ä£ÀýÈ÷ ¾È³»Çϸ鼵µ µö·¯´×ÀÇ ÇÙ½ÉÀÎ ¿ªÀüÆÄÀÇ À̸鿡¼ ¹ú¾îÁö°í ÀÖ´Â ¼öÇÐÀû Àǹ̿¡ ´ëÇÑ Çغο¡ ÇÑ ÀåÀ» ÇÒ¾ÖÇÒ Á¤µµ·Î Àü¹®ÀûÀÎ ¼³¸í ¿ª½Ã ºüÆ®¸®Áö ¾Ê°í ÀÖ´Ù. Æí¾ÈÇÑ ¸¶À½À¸·Î Ã¥À» ÀÐ°í ³ª¸é ¾î´À»õ TensorFlow¿¡ ´ëÇÑ ÃֽŠÀü¹®°¡°¡ µÉ ¼ö ÀÖÀ» °ÍÀÌ´Ù.
-
-
1Àå. TF¿Í ½Å°æ¸Á ±âÃÊ
__TensorFlow(TF)¶õ ¹«¾ùÀΰ¡?
__Keras¶õ ¹«¾ùÀΰ¡?
__½Å°æ¸Á ¼Ò°³
__ÆÛ¼ÁÆ®·Ð
____TensorFlow ù ÄÚµå ¿¹Á¦
__´ÙÃþ ÆÛ¼ÁÆ®·Ð - ½Å°æ¸Á ù ¿¹Á¦
____ÆÛ¼ÁÆ®·Ð ÈÆ·ÃÀÇ ¹®Á¦Á¡°ú ±× ÇØ°áÃ¥
____È°¼ºÈ ÇÔ¼ö - ½Ã±×¸ðÀ̵å
____È°¼ºÈ ÇÔ¼ö - tanh
____È°¼ºÈ ÇÔ¼ö - ReLU
____Ãß°¡ÀûÀÎ 2°³ÀÇ È°¼ºÈ ÇÔ¼ö - ELU¿Í LeakyReLU
____È°¼ºÈ ÇÔ¼öµé
____°£´ÜÈ÷ ¸»ÇØ - °á±¹ ½Å°æ¸ÁÀ̶õ ¹«¾ùÀΰ¡?
__½ÇÁ¦ ¿¹Á¦ - Çʱâü ¼ýÀÚ ÀνÄ
____¿ø-ÇÖ ÀÎÄÚµù
____TensorFlow·Î ´Ü¼ø ½Å°æ¸Á Á¤ÀÇ
____´Ü¼ø TensorFlow¸Á ½ÇÇà°ú º£À̽º¶óÀÎ ±¸Ãà
____TensorFlowÀÇ ´Ü¼ø ½Å°æ¸ÁÀ» Àº´ÐÃþÀ¸·Î °³¼±
____TensorFlow¿¡¼ µå·Ó¾Æ¿ôÀ¸·Î ´Ü¼ø¸Á °³¼±
____TensorFlow¿¡¼ ¼·Î ´Ù¸¥ ÃÖÀû±â Å×½ºÆ®
____¿¡Æø ¼ö Áõ°¡½ÃÅ°±â
____ÃÖÀû±â ÇнÀ·ü Á¶Àý
____³»ºÎ Àº´ÐÃþ °³¼ö Áõ°¡
____¹èÄ¡ °è»ê Å©±â Áõ°¡
____Çʱâü ÀÎ½Ä ½ÇÇà Â÷Æ® ¿ä¾à
__±ÔÁ¦È
____°úÀûÇÕÀ» ÇÇÇϱâ À§ÇÑ ±ÔÁ¦È Àû¿ë
____¹èÄ¡ Á¤±ÔÈÀÇ ÀÌÇØ
__Google Colab »ç¿ë - CPUs, GPUs, TPUs
__°¨Á¤ ºÐ¼®
____ÃʸŰ³º¯¼ö Æ©´×°ú AutoML
__Ãâ·Â ¿¹Ãø
__¿ªÀüÆÄ¿¡ ´ëÇÑ ½Ç¿ëÀû °³°ý
__Áö±Ý±îÁö ¹è¿î °Í?
__µö·¯´× Á¢±Ù¹ýÀ» Çâ...ÇØ
__¿ä¾à
__Âü°í¹®Çå
2Àå. ȸ±Í¿Í ºÐ·ù
__ȸ±Í¶õ ¹«¾ùÀΰ¡?
__¼±Çüȸ±Í¸¦ »ç¿ëÇÑ ¿¹Ãø
____´Ü¼ø ¼±Çüȸ±Í
____´ÙÁß ¼±Çüȸ±Í
____´Ùº¯·® ¼±Çüȸ±Í
__¼±Çüȸ±Í¸¦ À§ÇÑ ½Å°æ¸Á
____TensorFlow Keras¸¦ »ç¿ëÇÑ ´Ü¼ø ¼±Çüȸ±Í
____TensorFlow Keras API¸¦ »ç¿ëÇÑ ´ÙÁß°ú ´Ùº¯·® ¼±Çüȸ±Í
__ºÐ·ù °úÁ¦¿Í °áÁ¤ °æ°è
____·ÎÁö½ºÆ½ ȸ±Í
____MNIST µ¥ÀÌÅͼ¿¡ ·ÎÁö½ºÆ½ ȸ±Í Àû¿ë
__¿ä¾à
__Âü°í¹®Çå
3Àå. ÄÁº¼·ç¼Ç ½Å°æ¸Á
__½ÉÃþ ÄÁº¼·ç¼Ç ½Å°æ¸Á
____Áö¿ª ¼ö¿ë Çʵå
____°¡ÁßÄ¡ °øÀ¯ ¹× ÆíÇâ
____¼öÇÐÀû ¿¹Á¦
____TensorFlowÀÇ ConvNets
____Ç®¸µ °èÃþ
______ÃÖ´ñ°ª Ç®¸µ
______Æò±Õ°ª Ç®¸µ
____ConvNets ¿ä¾à
__DCNNÀÇ ¿¹½Ã - LeNet
____TF¿¡¼ LeNet ÄÚµå
____µö·¯´×ÀÇ À§·Â ÀÌÇØÇϱâ
__µö·¯´×À¸·Î CIFAR-10 À̹ÌÁö ÀνÄ
____½ÉÃþ ½Å°æ¸ÁÀ¸·Î CIFAR-10 ¼º´É Çâ»ó
____µ¥ÀÌÅÍ Áõ°À» ÅëÇØ CIFAR-10 ¼º´É °³¼±
____CIFAR-10À¸·Î ¿¹Ãø
__´ëÇü À̹ÌÁö ÀνÄÀ» À§ÇÑ °í½ÉÃþ ÄÁº¼·ç¼Ç ½Å°æ¸Á
____VGG16 ½Å°æ¸ÁÀ¸·Î °í¾çÀÌ ÀνÄ
____tf.kerasÀÇ ³»Àå VGG16 Net È°¿ë
____Ư¡ ÃßÃâÀ» À§ÇØ »çÀü ±¸ÃàµÈ µö·¯´× ¸ðµ¨ ÀçÈ°¿ë
__ÀüÀÌÇнÀÀ» À§ÇÑ ½ÉÃþ ÀμÁ¼Ç V3¸Á
__´Ù¸¥ CNN ¾ÆÅ°ÅØó
____AlexNet
____ÀÜÂ÷ ³×Æ®¿öÅ©
____HighwayNets¿Í DenseNets
____Xception
__½ºÅ¸ÀÏ º¯È¯
____ÄÜÅÙÃ÷ °Å¸®
____½ºÅ¸ÀÏ °Å¸®
__¿ä¾à
__Âü°í¹®Çå
4Àå. ´Ü¾î ÀÓº£µù
__´Ü¾î ÀÓº£µù - À¯·¡¿Í ±âÃÊ
__ºÐ»ê Ç¥Çö
__Á¤Àû ÀÓº£µù
____Word2Vec
____GloVe
__GensimÀ» »ç¿ëÇÑ ÀڽŸ¸ÀÇ ÀÓº£µù »ý¼º
__gensimÀ» »ç¿ëÇÑ ÀÓº£µù °ø°£ Ž»ö
__¿öµå ÀÓº£µùÀ» »ç¿ëÇÑ ½ºÆÔ Å½Áö
____µ¥ÀÌÅÍ ¾ò±â
____µ¥ÀÌÅ͸¦ »ç¿ë Áغñ
____ÀÓº£µù Çà·Ä ±¸Ãà
____½ºÆÔ ºÐ·ù±â Á¤ÀÇ
____¸ðµ¨ÀÇ ÈƷðú Æò°¡
____½ºÆÔ Å½Áö±â ½ÇÇà
__½Å°æ¸Á ÀÓº£µù - ´Ü¾î ÀÌ¿ÜÀÇ ¿ëµµ
____Item2Vec
____node2vec
__¹®ÀÚ¿Í ºÎºÐ ´Ü¾î ÀÓº£µù
__µ¿Àû ÀÓº£µù
__¹®Àå°ú ¹®´Ü ÀÓº£µù
__¾ð¾î ¸ðµ¨ ±â¹Ý ÀÓº£µù
____BERT¸¦ Ư¡ ÃßÃâ±â·Î »ç¿ë
__¿ä¾à
__Âü°í¹®Çå
5Àå. ¼øȯ ½Å°æ¸Á
__±âº» RNN ¼¿
____BPTT
____»ç¶óÁö°í Æø¹ßÇÏ´Â ±×·¡µð¾ðÆ®
__RNN ¼¿ º¯Çü
____LSTM
____GRU
____ÇÌȦ LSTM
__RNN º¯Çü
____¾ç¹æÇâ RNN
____»óÅÂ ÀúÀå RNN
__RNN À§»óµé
____¿¹Á¦: ÀÏ´ë´Ù-ÅؽºÆ® »ý¼ºÀ» ÇнÀ
____¿¹Á¦: ´Ù´ëÀÏ-°¨Á¤ ºÐ¼®
____¿¹Á¦: ´Ù´ë´Ù - POS űë
__ÀÎÄÚ´õ-µðÄÚ´õ ¾ÆÅ°ÅØó - seq2seq
____¿¹Á¦: ±â°è ¹ø¿ªÀ» À§ÇÑ ¾îÅÙ¼Ç ¾ø´Â seq2seq
__¾îÅÙ¼Ç ¸ÅÄ¿´ÏÁò
____¿¹Á¦: ¸Ó½Å ¹ø¿ªÀ» À§ÇÑ ¾îÅÙ¼ÇÀÌ ÀÖ´Â seq2seq
__¿ä¾à
__Âü°í¹®Çå
6Àå. Æ®·£½ºÆ÷¸Ó
__¾ÆÅ°ÅØó
____ÇÙ½É Á÷°ü
______À§Ä¡ ÀÎÄÚµù
______¾îÅÙ¼Ç
______¼¿ÇÁ-¾îÅÙ¼Ç
______¸ÖƼ-Çìµå (¼¿ÇÁ-)¾îÅÙ¼Ç
____¾îÅÙ¼ÇÀ» °è»êÇÏ´Â ¹æ¹ý
____ÀÎÄÚ´õ-µðÄÚ´õ ¾ÆÅ°ÅØó
____ÀÜ·ù¿Í Á¤±ÔÈ °èÃþ
____Æ®·£½ºÆ÷¸Ó ¾ÆÅ°ÅØó °³¿ä
____ÈÆ·Ã
__Æ®·£½ºÆ÷¸ÓÀÇ ¾ÆÅ°ÅØó
____Æ®·£½ºÆ÷¸Ó Á¾·ù
______µðÄÚ´õ ¶Ç´Â ÀÚ±âȸ±Í
______ÀÎÄÚ´õ ¶Ç´Â ¿ÀÅäÀÎÄÚµù
______Seq2seq
______¸ÖƼ¸ð´Þ
______°Ë»ö
____¾îÅÙ¼Ç
______Àüü ´ë Èñ¼Ò
______LSH ¾îÅÙ¼Ç
______Áö¿ª ¾îÅÙ¼Ç
__»çÀü ÈÆ·Ã
____ÀÎÄÚ´õ »çÀü ÈÆ·Ã
____µðÄÚ´õ »çÀü ÈÆ·Ã
____ÀÎÄÚ´õ-µðÄÚ´õ »çÀü ÈÆ·Ã
____»çÀü ÈÆ·Ã °úÁ¦ÀÇ Á¾·ù
__´ëÁßÀûÀÌ°í Àß ¾Ë·ÁÁø ¸ðµ¨¿¡ ´ëÇÑ °³¿ä
____BERT
____GPT-2
____GPT-3
____¸®Æ÷¸Ó
____ºò¹öµå
____Æ®·£½ºÆ÷¸Ó-XL
____XLNet
____RoBERTa
____ALBERT
____StructBERT
____T5 ¹× MUM
____ELECTRA
____DeBERTa
____ÁøÈµÈ Æ®·£½ºÆ÷¸Ó¿Í MEENA
____LaMDA
____½ºÀ§Ä¡ Æ®·£½ºÆ÷¸Ó
____RETRO
____Æнº¿þÀÌ¿Í PaLM
__±¸Çö
____Æ®·£½ºÆ÷¸Ó ÂüÁ¶ ±¸Çö: ¹ø¿ªÀÇ ¿¹
____Çã±ë ÆäÀ̽º
______ÅؽºÆ® »ý¼º
______¸ðµ¨ ÀÚµ¿ ¼±Åà ¹× ÀÚµ¿ ÅäÅ«È
______¸í¸íµÈ °³Ã¼ ÀνÄ
______¿ä¾à
______¹Ì¼¼ Á¶Á¤
____TFHub
__Æò°¡
____Ç°Áú
______GLUE
______SuperGLUE
______SQuAD
______RACE
______NLP-progress
____Å©±â
______Å©´Ù°í Ç×»ó ´õ ÁÁÁö´Â ¾Ê´Ù
____Á¦°ø ºñ¿ë
__ÃÖÀûÈ
____¾çÀÚÈ
____°¡ÁßÄ¡ °¡ÁöÄ¡±â
____Áõ·ù
__ÀϹÝÀûÀÎ ÇÔÁ¤: ÇØ¾ß ÇÒ ÀÏ°ú ÇÏÁö ¸»¾Æ¾ß ÇÒ ÀÏ
____±ÇÀå
____±ÝÁö »çÇ×
____Æ®·£½ºÆ÷¸ÓÀÇ ¹Ì·¡
__¿ä¾à
7Àå. ºñÁöµµÇнÀ
__ÁÖ¼ººÐ ºÐ¼®
____MNIST µ¥ÀÌÅͼ¿¡ PCA
____TensorFlow ÀÓº£µù API
__K-Æò±Õ ±ºÁýÈ
____TensorFlow¿¡¼ÀÇ K-Æò±Õ
____k-Æò±Õ º¯Çü
__ÀÚ±â Á¶Á÷È Áöµµ
____SOMÀ» »ç¿ëÇÑ Ä÷¯ ¸ÅÇÎ
__Á¦ÇÑµÈ º¼Ã÷¸¸ ¸Ó½Å
____RBMÀ» »ç¿ëÇÑ À̹ÌÁö À籸¼º
____½ÉÃþ ½Å·Ú ½Å°æ¸Á
__¿ä¾à
__Âü°í¹®Çå
8Àå. ¿ÀÅäÀÎÄÚ´õ
__¿ÀÅäÀÎÄÚ´õ ¼Ò°³
__¹Ù´Ò¶ó ¿ÀÅäÀÎÄÚ´õ
____TensorFlow Keras layers - ¸ÂÃãÇü °èÃþ Á¤ÀÇ
____¿ÀÅäÀÎÄÚ´õ¸¦ »ç¿ëÇØ Çʱâü ¼ýÀÚ À籸¼º
__Èñ¼Ò ¿ÀÅäÀÎÄÚ´õ
__µð³ëÀÌ¡ ¿ÀÅäÀÎÄÚ´õ
____µð³ëÀÌ¡ ¿ÀÅäÀÎÄÚ´õ¸¦ ÀÌ¿ëÇÑ À̹ÌÁö Á¤¸®
__½ºÅÃµÈ ¿ÀÅäÀÎÄÚ´õ
____À̹ÌÁöÀÇ ³ëÀÌÁî Á¦°Å¸¦ À§ÇÑ ÄÁº¼·ç¼Ç ¿ÀÅäÀÎÄÚ´õ
____Keras ¿ÀÅäÀÎÄÚ´õ ¿¹Á¦: ¹®Àå º¤ÅÍ
__°¡º¯ ÀÎÄÚ´õ
__¿ä¾à
__Âü°í¹®Çå
9Àå. »ý¼º ¸ðµ¨
__GANÀ̶õ ¹«¾ùÀΰ¡?
____TensorFlow¿¡¼ GANÀ» »ç¿ëÇÏ´Â MNIST
__½ÉÃþ ÄÁº¼·ç¼Ç GAN(DCGAN)
____MNIST ¼ýÀÚ¸¦ À§ÇÑ DCGAN
__¸î °¡Áö Èï¹Ì·Î¿î GAN ¾ÆÅ°ÅØó
____SRGAN
____CycleGAN
____InfoGAN
__GANÀÇ Èï¹Ì·Î¿î ÀÀ¿ëµé
__TensorFlow·Î CycleGAN ±¸Çö
__µ¥ÀÌÅÍ »ý¼ºÀ» À§ÇÑ È帧 ±â¹Ý ¸ðµ¨
__µ¥ÀÌÅÍ »ý¼ºÀ» À§ÇÑ È®»ê ¸ðµ¨
__¿ä¾à
__Âü°í¹®Çå
10Àå. ÀÚ±â-ÁöµµÇнÀ
__¼±Çà ¿¬±¸
__ÀÚ±â-ÁöµµÇнÀ
__Àڱ⠿¹Ãø
____ÀÚ±âȸ±Í »ý¼º
______PixelRNN
______À̹ÌÁö GPT(IPT)
______GPT-3
______XLNet
______WaveNet
______WaveRNN
____¸¶½ºÅ·µÈ »ý¼º
______BERT
______½ºÅà ÀâÀ½ Á¦°Å ¿ÀÅäÀÎÄÚ´õ
______ÄÁÅؽºÆ® ¿ÀÅäÀÎÄÚ´õ
______ä»ö
____º»ÁúÀû °ü°è ¿¹Ãø
______»ó´ëÀû À§Ä¡
______Á¶°¢ ±×¸² ÆÛÁñ Ç®±â
______ȸÀü
____ÇÏÀ̺긮µå Àڱ⠿¹Ãø
______VQ-VAE
______Jukebox
______DALL-E
______VQ-GAN
__´ëÁ¶ÇнÀ
____ÈÆ·Ã ¸ñÇ¥
______´ëÁ¶ ¼Õ½Ç
______3ÁßÇ× ¼Õ½Ç
______N-½Ö ¼Õ½Ç
______¸®ÇÁÆ®µÈ ±¸Á¶Àû ¼Õ½Ç
______NCE ¼Õ½Ç
______InfoNCE ¼Õ½Ç
______¼ÒÇÁÆ® ÃÖ±ÙÁ¢ ÀÌ¿ô ¼Õ½Ç
____ÀνºÅϽº º¯È¯
______SimCLR
______Barlow Twins
______BYOL
______Ư¡ ±ºÁýÈ
______DeepCluster
______SwAV
______InterCLR
____´ÙÁß ºä ÄÚµù
______AMDIM
______CMC
____´ÙÁß ¸ðµå ¸ðµ¨
______CLIP
______CodeSearchNet
______Data2Vec
__ÇÁ¸®ÅؽºÆ® °úÁ¦
__¿ä¾à
__Âü°í¹®Çå
11Àå. °ÈÇнÀ
__¼Ò°³
____RL ¿ë¾î
____½ÉÃþ °ÈÇнÀ ¾Ë°í¸®µë
______ÈƷõÇÁö ¾ÊÀº ¿¡ÀÌÀüÆ®°¡ ÇൿÀ» ¼±ÅÃÇÏ´Â ¹æ¹ý
______¿¡ÀÌÀüÆ®°¡ Ž»ö°ú È°¿ë »çÀÌÀÇ ±ÕÇüÀ» ¸ÂÃß´Â ¹æ¹ý
______°íµµ·Î »ó°üµÈ ÀÔ·Â »óÅ °ø°£À» ´Ù·ç´Â ¹æ¹ý
______¿òÁ÷ÀÌ´Â ¸ñÇ¥¸¦ ´Ù·ç´Â ¹æ¹ý
____ÃÖ±Ù ¸î ³â °£ÀÇ °ÈÇнÀ ¼º°ø
__RLÀÇ ½Ã¹Ä·¹ÀÌ¼Ç È¯°æ
__OpenAI Gym ¼Ò°³
____¡´Breakout¡µÀ» ÇÏ´Â ·£´ý ¿¡ÀÌÀüÆ®
____GymÀÇ ·¡ÆÛ
__½ÉÃþ Q-½Å°æ¸Á
____Ä«Æ®ÆúÀ» À§ÇÑ DQN
____¾ÆŸ¸® °ÔÀÓÀ» À§ÇÑ DQN
____DQN º¯Á¾
______´õºí DQN
______µà¾ó¸µ DQN
______·¹Àκ¸¿ì
__µö È®Á¤Àû Á¤Ã¥ ±×·¡µð¾ðÆ®
__¿ä¾à
__Âü°í¹®Çå
12Àå. È®·üÀû TensorFlow
__TensorFlow Probability
__TensorFlow Probability ºÐÆ÷
____TFP ºÐÆ÷ »ç¿ë
______µ¿Àü µÚÁý±â ¿¹
______Á¤±ÔºÐÆ÷
____º£ÀÌÁî ³×Æ®¿öÅ©
____TensorFlow Probability¸¦ »ç¿ëÇØ ¿¹ÃøÀÇ ºÒÈ®½Ç¼º ó¸®
______¿ì¿¬Àû ºÒÈ®½Ç¼º
______ÀνķÐÀû ºÒÈ®½Ç¼º
______ÇÕ¼º µ¥ÀÌÅͼ ¸¸µé±â
______TensorFlow¸¦ »ç¿ëÇÑ È¸±Í ¸ðµ¨ ±¸Ãà
______¿ì¿¬Àû ºÒÈ®½Ç¼º¿¡ ´ëÇÑ È®·ü·ÐÀû ½Å°æ¸Á
______ÀνÄÀû ºÒÈ®½Ç¼º¿¡ ´ëÇÑ ¼³¸í
__¿ä¾à
__Âü°í¹®Çå
13Àå. AutoML ¼Ò°³
__AutoMLÀ̶õ ¹«¾ùÀΰ¡?
__AutoMLÀÇ ¼ºÃë
__ÀÚµ¿ µ¥ÀÌÅÍ Áغñ
__ÀÚµ¿ Ư¡ °øÇÐ
__ÀÚµ¿ ¸ðµ¨ »ý¼º
__AutoKeras
__Google Ŭ¶ó¿ìµå AutoML°ú Vertex AI
____Google Ŭ¶ó¿ìµå AutoML Ç¥ ¼Ö·ç¼ÇÀÇ »ç¿ë
____Google Ŭ¶ó¿ìµå AutoML ÅؽºÆ® ¼Ö·ç¼Ç »ç¿ë
__Google Ŭ¶ó¿ìµå AutoML ºñµð¿À ¼Ö·ç¼Ç »ç¿ë
____ºñ¿ë
__¿ä¾à
__Âü°í¹®Çå
14Àå. µö·¯´× ¹è°æ ¼öÇÐ
__¿ª»ç
__¸î °¡Áö ¼öÇÐ µµ±¸
____º¤ÅÍ
____¹ÌºÐ°ú ±×·¡µð¾ðÆ®
____±×·¡µð¾ðÆ® ÇÏ°
____¿¬¼â ¹ýÄ¢
____¸î °¡Áö ¹ÌºÐ ±ÔÄ¢
____Çà·Ä ¿¬»ê
__È°¼ºÈ ÇÔ¼ö
____SigmoidÀÇ µµÇÔ¼ö
____tanhÀÇ µµÇÔ¼ö
____ReLUÀÇ µµÇÔ¼ö
__¿ªÀüÆÄ
____Àü¹æ ´Ü°è
____¿ª´Ü°è
______°æ¿ì 1: Àº´ÐÃþ¿¡¼ Ãâ·ÂÃþ±îÁö
______°æ¿ì 2: Àº´ÐÃþ¿¡¼ Àº´ÐÃþÀ¸·Î
____±³Â÷¿£Æ®·ÎÇÇ¿Í ±× µµÇÔ¼ö
____¹èÄ¡ ±×·¡µð¾ðÆ® ÇÏ°, È®·üÀû ±×·¡µð¾ðÆ® ÇÏ°, ¹Ì´Ï-¹èÄ¡
______¹èÄ¡ ±×·¡µð¾ðÆ® ÇÏ°(BGD)
______È®·üÀû ±×·¡µð¾ðÆ® ÇÏ°(SGD)
______¹Ì´Ï-¹èÄ¡ ±×·¡µð¾ðÆ® ÇÏ°(MBGD)
____¿ªÀüÆÄ¿Í ConvNets »ý°¢Çϱâ
____¿ªÀüÆÄ¿Í RNN »ý°¢Çϱâ
__TensorFlow Âü°í »çÇ×°ú ÀÚµ¿ ¹ÌºÐ
__¿ä¾à
__Âü°í¹®Çå
15Àå. TPU
__C/G/T ÇÁ·Î¼¼½º À¯´Ö
____CPU¿Í GPU
____TPU
__4¼¼´ë TPU¿Í ¿¡Áö TPU
____1¼¼´ë TPU
____2¼¼´ë TPU
____3¼¼´ë TPU
____4¼¼´ë TPU
____¿¡Áö TPU
__TPU ¼º´É
__TPU¸¦ Colab¿¡¼ »ç¿ëÇϱâ
____TPU¸¦ ¾µ ¼ö ÀÖ´ÂÁö È®ÀÎÇϱâ
____Keras MNIST TPU ¿£µå-Åõ-¿£µå ÈÆ·Ã
__»çÀü ÈÆ·ÃµÈ TPU ¸ðµ¨ »ç¿ë
__¿ä¾à
__Âü°í¹®Çå
16Àå. ±âŸ À¯¿ëÇÑ µö·¯´× ¶óÀ̺귯¸®
__Çã±ë ÆäÀ̽º
__OpenAI
____OpenAI GPT-3 API
____OpenAI DALL-E 2
____OpenAI Codex
__PyTorch
__ONNX
__H2O.ai
____H2O AutoML
____H2O¸¦ »ç¿ëÇÑ AutoML
____H2O ¸ðµ¨ ¼³¸í °¡´É¼º
______ºÎºÐ Á¾¼Ó µµÇ¥
______º¯¼ö Áß¿äµµ È÷Æ®¸Ê
______¸ðµ¨ »ó°ü°ü°è
__¿ä¾à
17Àå. ±×·¡ÇÁ ½Å°æ¸Á
__±×·¡ÇÁ ±âÃÊ
__±×·¡ÇÁ ¸Ó½Å·¯´×
__±×·¡ÇÁ ÄÁº¼·ç¼Ç - GNNÀÇ Á÷°ü
__ÀÏ¹Ý ±×·¡ÇÁ °èÃþ
____±×·¡ÇÁ ÄÁº¼·ç¼Ç ³×Æ®¿öÅ©
____±×·¡ÇÁ ¾îÅÙ¼Ç ³×Æ®¿öÅ©
____GraphSAGE
____±×·¡ÇÁ µ¿Çü ³×Æ®¿öÅ©
__ÀÏ¹Ý ±×·¡ÇÁ ÀÀ¿ë
____³ëµå ºÐ·ù
____±×·¡ÇÁ ºÐ·ù
____¸µÅ© ¿¹Ãø
__±×·¡ÇÁ »ç¿ëÀÚ ÁöÁ¤
____»ç¿ëÀÚ ÁöÁ¤ °èÃþ ¹× ¸Þ½ÃÁö Àü´Þ
____»ç¿ëÀÚ Á¤ÀÇ ±×·¡ÇÁ µ¥ÀÌÅͼÂ
______µ¥ÀÌÅͼÂÀÇ ´ÜÀÏ ±×·¡ÇÁ
______µ¥ÀÌÅͼÂÀÇ º¹¼ö ±×·¡ÇÁ ÁýÇÕ
__ÇâÈÄ ¹æÇâ
____ÀÌÁ¾ ±×·¡ÇÁ
____Àӽà ±×·¡ÇÁ
__¿ä¾à
__Âü°í¹®Çå
18Àå. ¸Ó½Å·¯´× ¸ð¹ü »ç·Ê
__¸ð¹ü »ç·ÊÀÇ Çʿ伺
__µ¥ÀÌÅÍ ¸ð¹ü »ç·Ê
____Ư¡ ¼±ÅÃ
____Ư¡°ú µ¥ÀÌÅÍ
______ÅؽºÆ® µ¥ÀÌÅÍ Áõ°
__¸ðµ¨ ¸ð¹ü »ç·Ê
____±âÁØ ¸ðµ¨
____»çÀü ÈÆ·ÃµÈ ¸ðµ¨, ¸ðµ¨ API ¹× AutoML
____¸ðµ¨ Æò°¡ ¹× °ËÁõ
____¸ðµ¨ °³¼±
__¿ä¾à
__Âü°í¹®Çå
19Àå. TensorFlow 2 »ýÅ°è
__TensorFlow Hub
____Ãß·ÐÀ» À§ÇØ »çÀü ÈÆ·ÃµÈ ¸ðµ¨ »ç¿ë
__TensorFlow Datasets
____TFDS µ¥ÀÌÅͼ ·Îµå
____TFDS¸¦ »ç¿ëÇÑ µ¥ÀÌÅÍ ÆÄÀÌÇÁ¶óÀÎ ±¸Ãà
__TensorFlow Lite
____¾çÀÚÈ
____FlatBuffers
____¸ð¹ÙÀÏ º¯È¯±â
____¸ð¹ÙÀÏ¿¡ ÃÖÀûÈµÈ ÀÎÅÍÇÁ¸®ÅÍ
____Áö¿øµÇ´Â Ç÷§Æû
____¾ÆÅ°ÅØó
____TensorFlow Lite »ç¿ë
____ÀÀ¿ë ÀÏ¹Ý »ç·Ê
____GPU ¹× °¡¼Ó±â »ç¿ë
____ÀÀ¿ë »ç·Ê
__TensorFlow Lite¿¡¼ »çÀü ÇнÀµÈ ¸ðµ¨
____À̹ÌÁö ºÐ·ù
____°´Ã¼ ŽÁö
____ÀÚ¼¼ ÃßÁ¤
____½º¸¶Æ® ÀÀ´ä
____¼¼±×¸àÅ×À̼Ç
____½ºÅ¸ÀÏ º¯È¯
____ÅؽºÆ® ºÐ·ù
____°Å´ë ¾ð¾î ¸ðµ¨
____¸ð¹ÙÀÏ GPU »ç¿ë¿¡ ´ëÇÑ Âü°í »çÇ×
__¿¡Áö¿¡¼ÀÇ ¿¬ÇÕ ÇнÀ °³¿ä
____TensorFlow FL API
__TensorFlow.js
____¹Ù´Ò¶ó TensorFlow.js
____¸ðµ¨ º¯È¯
____»çÀü ÈÆ·ÃµÈ ¸ðµ¨
____Node.js
__¿ä¾à
__Âü°í¹®Çå
20Àå. °í±Þ ÄÁº¼·ç¼Ç ½Å°æ¸Á
__º¹ÀâÇÑ ÀÛ¾÷À» À§ÇÑ CNN ±¸¼º
____ºÐ·ù ¹× Áö¿ªÈ
____Àǹ̷ÐÀû ¼¼±×¸àÅ×À̼Ç
____°³Ã¼ ŽÁö
____ÀνºÅϽº ¼¼±×¸àÅ×À̼Ç
__tf.Keras ¹× TensorFlow Hub¸¦ »ç¿ëÇÑ ÀÀ¿ë µ¿¹°¿ø
____Keras ¾ÖÇø®ÄÉÀ̼Ç
____TensorFlow Hub
__À̹ÌÁö¿¡ ´ëÇÑ Áú¹®¿¡ ´äÇϱâ(½Ã°¢Àû Q&A)
__DeepDream ³×Æ®¿öÅ© ¸¸µé±â
__³×Æ®¿öÅ©°¡ ÇнÀÇÑ ³»¿ë °Ë»ç
__ºñµð¿À
____¿©¼¸ °¡Áö ¹æ½ÄÀ¸·Î »çÀü ÈÆ·ÃµÈ ³×Æ®¿öÅ©·Î ºñµð¿À ºÐ·ù
__ÅؽºÆ® ¹®¼
____°¨Á¤ ºÐ¼®À» À§ÇÑ CNN »ç¿ë
__¿Àµð¿À¿Í À½¾Ç
____Dilated ConvNets, WaveNet ¹× NSynth
__ÄÁº¼·ç¼Ç ÀÛ¾÷ ¿ä¾à
____񃧯 CNN
____È®ÀåµÈ ÄÁº¼·ç¼Ç
____ÀüÄ¡ ÄÁº¼·ç¼Ç
____ºÐ¸® °¡´ÉÇÑ ÄÁº¼·ç¼Ç
____±íÀ̺° ÄÁº¼·ç¼Ç
____±íÀ̺° ºÐ¸® °¡´ÉÇÑ ÄÁº¼·ç¼Ç
__ĸ½¶ ³×Æ®¿öÅ©
____CNNÀÇ ¹®Á¦Á¡
____ĸ½¶ ³×Æ®¿öÅ©ÀÇ »õ·Î¿î ±â´É
__¿ä¾à
__Âü°í¹®Çå
-
-
-
|
¼öÁþ ÆÈ [Àú]
|
|
-
¸®µå-¿¤½ººñ¾î(Reed-Elsevier) ±×·ì ³» °í±Þ ±â¼ú ±×·ìÀÎ ¿¤½ººñ¾î ·¦(Elsevier Labs)ÀÇ ±â¼ú ¿¬±¸ ÀÌ»ç´Ù. °ü½É ºÐ¾ß´Â ¹®¸Æ °Ë»ö, ÀÚ¿¬¾î ó¸®, ¸Ó½Å·¯´×, µö·¯´×ÀÌ´Ù. ¿¤½ººñ¾î¿¡¼ ¿©·¯ ¸Ó½Å·¯´× À̴ϼÅƼºê(initiatives)¸¦ ¼öÇàÇߴµ¥ °Ë»ö Ç°Áú ÃøÁ¤°ú °³¼±, À̹ÌÁö ºÐ·ù¿Í Áߺ¹ ŽÁö, ¾î³ëÅ×À̼Ç, ÀÇÇаú °úÇÐ ¸»¹¶Ä¡¿¡ ´ëÇÑ ¿ÂÅç·ÎÁö °³¹ß µîÀ» ¼öÇàÇß´Ù.
-
|
À̺´¿í [Àú]
|
|
-
¼¿ï°úÇÐÁ¾ÇÕ´ëÇб³ µðÁöÅбÝÀ¶ ÁÖÀÓ±³¼ö´Ù. Çѱ¹°úÇбâ¼ú¿ø(KAIST) °âÁ÷±³¼öÀÌÀÚ Çѱ¹±ÝÀ¶¿¬¼ö¿ø °âÀÓ±³¼ö¸¦ Çß´Ù. °øÁö´É¿¬±¸¿ø(AIRI) ºÎ»çÀåÀÌ´Ù. ±ÝÀ¶À§¿øȸ ±ÝÀ¶±ÔÁ¦Çõ½ÅȸÀÇ À§¿ø, ±ÝÀ¶À§¿øȸ ¹ý·ÉÇؼ®½ÉÀÇÀ§¿øȸ À§¿ø, ±ÝÀ¶À§¿øȸ Àû±ØÇàÁ¤À§¿øȸ À§¿ø, ±ÝÀ¶À§¿øȸ °¡»óÀÚ»ê ÀÚ¹®À§¿ø, ±ÝÀ¶Á¤º¸ºÐ¼®¿øÀÇ ¡°Æ¯±Ý¹ý ÈļÓÁ¶Ä¡¸¦ À§ÇÑ TF¡± À§¿øÀÌ´Ù. Çѱ¹»ê¾÷±â¼úÁøÈï¿ø(KIAT) ¡®±ÔÁ¦ÀÚÀ¯Æ¯±¸ ºÐ°úÀ§¿øȸ¡¯ À§¿ø°ú °ú±âÁ¤ÅëºÎ ¿ìÁ¤»ç¾÷º»ºÎ Á¤º¸¼¾ÅÍ ³×Æ®¿öÅ© & ºí·ÏüÀÎ ÀÚ¹®À§¿øÀ» Çß´Ù. Àü BNP Æĸ®¹Ù Ä«µðÇÁ Àü¹«, Àü LGÀüÀÚ ¿¬±¸¿øÀÌ´Ù. Çѱ¹°úÇбâ¼ú¿ø(KAIST) Àü»êÇаú °è»êÀÌ·Ð ¿¬±¸½Ç¿¡¼ °øºÎÇßÀ¸¸ç °øÇÐÀ» Àü°øÇÑ ±ÝÀ¶ Àü¹®°¡·Î, ¼¼°è ÃÖÃÊÀÇ ÇÚµåÇïµå-PC(Handheld-PC) °³¹ß¿¡ Âü¿©ÇØ ÇÑ±Û À©µµ¿ì CE1.0°ú 2.0À» ¹Ì±¹ ¸¶ÀÌÅ©·Î¼ÒÇÁÆ® º»»ç¿¡¼ °øµ¿ °³¹ßÇß´Ù. 1999³â¿¡´Â Àü º¸Çè»ç º¸Çè·áÀÇ ½Ç½Ã°£ ºñ±³ ¼ºñ½º¸¦ Á¦°øÇÏ´Â ÇÉÅ×Å© Àü¹®È¸»ç ¢ßº¸Çè³ÝÀ» â¾÷ÇØ ¾÷°è¿¡ Å« ¹ÝÇâÀ» ºÒ·¯ÀÏÀ¸Ä×´Ù. ÀÌÈÄ »ï¼º»ý¸íÀ» ºñ·ÔÇÑ »ý¸í ¹× ¼ÕÇØ º¸Çè»ç¿¡¼ CMO(¸¶ÄÉÆà ÃÑ°ý »ó¹«), CSMO(¿µ¾÷ ¹× ¸¶ÄÉÆà ÃÑ°ý Àü¹«) µîÀ» ¿ªÀÓÇÏ¸é¼ Çõ½ÅÀûÀÎ »óÇ°°ú ¼ºñ½º¸¦ °³¹ß, ÃÑ°ýÇß´Ù. ¼¼°è ÃÖÃÊ·Î ÆÄ»ý»óÇ°ÀÎ ELS¸¦ ±âÃÊ ÀÚ»êÀ¸·Î ÇÑ º¯¾× º¸ÇèÀ» °³¹ßÇØ ´ÜÀÏ º¸Çè »óÇ°À¸·Î 1Á¶ ¿ø ÀÌ»ó ÆǸŵǴ µ¹Ç³À» ÀÏÀ¸Ä×°í, ¸ÅÀÏ ºÐ»ê ÅõÀÚÇÏ´Â ÀÏ ºÐ»ê ÅõÀÚ(daily Averaging) º¯¾× º¸ÇèÀ» ¼¼°è ÃÖÃÊ·Î °³¹ßÇØ »óÇ° ÆǸŠµ¶Á¡±ÇÀ» ȹµæÇß´Ù. ÀΰøÁö´É ¿¬±¸¿ø¿¡¼ ¸Ó½Å·¯´× ±â¹ÝÀÇ ±ÝÀ¶ ¼Ö·ç¼Ç °³¹ß¿¡ °ü·ÃµÈ ´Ù¾çÇÑ È°µ¿À» ÇÏ°í ÀÖÀ¸¸ç, ±ÝÀ¶À§¿øȸ, ±ÝÀ¶Á¤º¸ºÐ¼®¿ø µî¿¡ ´Ù¾çÇÑ ÀÚ¹®À» ÇÏ°í ÀÖ´Ù. Àú¼·Î´Â ¹®Ã¼ºÎ°¡ 2023 ¼¼Á¾µµ¼·Î ¼±Á¤ÇÑ ¡ºµ·ÀÇ Á¤Ã¼¡»(¿¡ÀÌÄÜ, 2021)¿Í ÇÔ²² ¡ººñÆ®ÄÚÀΰú ºí·ÏüÀÎ, Ž¿åÀÌ »ïÄѹö¸° ±â¼ú¡»(¿¡ÀÌÄÜ, 2018) ±×¸®°í ´ëÇѹα¹Çмú¿øÀÌ 2019 ±³À°ºÎ ¿ì¼öÇмúµµ¼·Î ¼±Á¤ÇÑ ¡ººí·ÏüÀÎ Çؼ³¼¡»(¿¡ÀÌÄÜ, 2019)¿Í Çѱ¹±ÝÀ¶¿¬¼ö¿øÀÇ ÇÉÅ×Å© Àü¹® ±³ÀçÀÎ ¡ºÇï·Î, ÇÉÅ×Å©!¡»(°øÀú, 2020), ¡ºÇï·ÎÇÉÅ×Å©-ÀΰøÁö´ÉÆí¡»(2021)ÀÌ ÀÖ´Ù.
-
-
Àüü 0°³ÀÇ ±¸¸ÅÈıⰡ ÀÖ½À´Ï´Ù.
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù. |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
»óÇ°À» °ø±Þ ¹ÞÀº ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´É
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ù À̳», ȤÀº ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏ À̳»
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´É |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
±¸¸ÅÈ®Á¤ ÀÌÈÄ(¿ÀǸ¶ÄÏ»óÇ°¿¡ ÇÑÇÔ)
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
(´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü)
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì |
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù.
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
Áß°í»óÇ°ÀÇ ±³È¯ |
Áß°í»óÇ°Àº Á¦ÇÑµÈ Àç°í ³»¿¡¼ ÆǸŰ¡ ÀÌ·ç¾îÁö¹Ç·Î, ±³È¯Àº ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
¿ÀǸ¶ÄÏ »óÇ°ÀÇ È¯ºÒ |
¿ÀǸ¶ÄÏ»óÇ°¿¡ ´ëÇÑ Ã¥ÀÓÀº ¿øÄ¢ÀûÀ¸·Î ¾÷ü¿¡°Ô ÀÖÀ¸¹Ç·Î, ±³È¯/¹ÝÇ° Á¢¼ö½Ã ¹Ýµå½Ã ÆǸÅÀÚ¿Í ÇùÀÇ ÈÄ ¹ÝÇ° Á¢¼ö¸¦ ÇϼžßÇϸç, ¹ÝÇ°Á¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óÇ° È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡´ÉÇÒ ¼ö ÀÖÀ¸´Ï À¯ÀÇÇϽñ⠹ٶø´Ï´Ù. |
|
|
|
¹è¼Û¿¹Á¤ÀÏ ¾È³» |
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°¿¡ ´ëÇØ ¹è¼Û¿Ï·á¿¹Á¤ÀÏÀ» À¥»çÀÌÆ®¿¡ Ç¥½ÃÇÏ°í ÀÖ½À´Ï´Ù.
|
<ÀÎÅÍÆÄÅ© Á÷¹è¼Û »óÇ°> |
»óÇ°Àº ¿ù~Åä¿äÀÏ ¿ÀÀü 10½Ã ÀÌÀü ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ´çÀÏ Ãâ°í/´çÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù. |
»óÇ°Àº ¼¿ïÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀº ´çÀÏ Ãâ°í/ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇϸç,
¼¿ï¿ÜÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀÇ °æ¿ì´Â ¿ÀÈÄ 6½Ã±îÁö ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù.
(´Ü, ¿ù¿äÀÏÀº 12½Ã±îÁö ÁÖ¹®¿¡ ÇÑÇÔ)
|
»óÇ°Àº, ÀÔ°í¿¹Á¤ÀÏ(Á¦Ç°Ãâ½ÃÀÏ)+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù. |
~
»óÇ°Àº À¯ÅëƯ¼º»ó ÀÎÅÍÆÄÅ©¿¡¼ Àç°í¸¦ º¸À¯ÇÏÁö ¾ÊÀº »óÇ°À¸·Î ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø±âÁØÃâ°íÀÏ:ÀÎÅÍÆÄÅ©°¡ »óÇ°À» ¼ö±ÞÇÏ¿© ¹°·ùâ°í¿¡¼ Æ÷Àå/Ãâ°íÇϱâ±îÁö ¼Ò¿äµÇ´Â ½Ã°£
|
|
<¾÷ü Á÷Á¢¹è¼Û/¿ÀǸ¶ÄÏ »óÇ°> |
~
»óÇ°Àº ¾÷ü°¡ ÁÖ¹®À» È®ÀÎÇÏ°í, Ãâ°íÇϱâ±îÁö °É¸®´Â ½Ã°£ÀÔ´Ï´Ù. ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(2ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø5ÀÏÀ̳» Ãâ°í°¡ ½ÃÀÛµÇÁö ¾ÊÀ»½Ã, ¿ÀǸ¶ÄÏ »óÇ°Àº ÀÚµ¿À¸·Î ÁÖ¹®ÀÌ Ãë¼ÒµÇ¸ç, °í°´´Ô²² Ç°Àýº¸»ó±ÝÀ» Áö±ÞÇØ µå¸³´Ï´Ù.
|
|
|
¹è¼Ûºñ ¾È³» |
µµ¼(Áß°íµµ¼ Æ÷ÇÔ)¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û) À½¹Ý/DVD¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
ÀâÁö/¸¸È/±âÇÁÆ®¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í À½¹Ý/DVD¸¦ ÇÔ²² ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø 1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í ÀâÁö/¸¸È/±âÇÁÆ®/Áß°íÁ÷¹è¼Û»óÇ°À» ÇÔ²² ±¸¸ÅÇϽøé : 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
¾÷üÁ÷Á¢¹è¼Û»óÇ°À» ±¸¸Å½Ã : ¾÷üº°·Î »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë
* ¼¼Æ®»óÇ°ÀÇ °æ¿ì ºÎºÐÃë¼Ò ½Ã Ãß°¡ ¹è¼Ûºñ°¡ ºÎ°úµÉ ¼ö ÀÖ½À´Ï´Ù.
* ºÏÄ«Æ®¿¡¼ ¹è¼Ûºñ¾ø¾Ö±â ¹öÆ°À» Ŭ¸¯Çϼż, µ¿ÀϾ÷ü»óÇ°À» Á¶±Ý ´õ ±¸¸ÅÇϽøé, ¹è¼Ûºñ¸¦ Àý¾àÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù.
|
|
Çؿܹè¼Û ¾È³» |
ÀÎÅÍÆÄÅ©µµ¼¿¡¼´Â ±¹³»¿¡¼ ÁÖ¹®ÇϽðųª ÇØ¿Ü¿¡¼ ÁÖ¹®ÇÏ¿© ÇØ¿Ü·Î ¹è¼ÛÀ» ¿øÇÏ½Ç °æ¿ì DHL°ú Ư¾àÀ¸·Î Ã¥Á¤µÈ ¿ä±ÝÇ¥¿¡
ÀÇÇØ °³ÀÎÀÌ ÀÌ¿ëÇÏ´Â °æ¿ìº¸´Ù ¹è¼Û¿ä±ÝÀ» Å©°Ô ³·Ã߸ç DHL(www.dhl.co.kr)·Î Çؿܹè¼Û ¼ºñ½º¸¦ Á¦°øÇÕ´Ï´Ù.
Çؿܹè¼ÛÀº µµ¼/CD/DVD »óÇ°¿¡ ÇÑÇØ ¼ºñ½ºÇÏ°í ÀÖÀ¸¸ç, ´Ù¸¥ »óÇ°À» ºÏÄ«Æ®¿¡ ÇÔ²² ´ãÀ¸½Ç °æ¿ì Çؿܹè¼ÛÀÌ ºÒ°¡ÇÕ´Ï´Ù.
ÇØ¿ÜÁÖ¹®¹è¼Û ¼ºñ½º´Â ÀÎÅÍÆÄÅ© µµ¼ ȸ¿ø °¡ÀÔÀ» Çϼž߸¸ ½Åû °¡´ÉÇÕ´Ï´Ù. |
|
¾Ë¾ÆµÎ¼¼¿ä!!! |
µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
¿ÀǸ¶ÄϾ÷üÀÇ ¹è¼ÛÁö¿¬½Ã ÁÖ¹®ÀÌ ÀÚµ¿À¸·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
À¯ÅëÀÇ Æ¯¼º»ó Ãâ°í±â°£Àº ¿¹Á¤º¸´Ù ¾Õ´ç°ÜÁö°Å³ª ´ÊÃçÁú ¼ö ÀÖ½À´Ï´Ù.
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù. |
|
|
|
|