º»¹®³»¿ë ¹Ù·Î°¡±â
MDÀǼ±Åà ¹«·á¹è¼Û À̺¥Æ® »çÀºÇ° ¼Òµæ°øÁ¦

PyTorch·Î ½ÃÀÛÇÏ´Â µö·¯´× µö·¯´× ±âÃÊ¿¡¼­ ÃֽŠ¸ð´ø ¾ÆÅ°ÅØÃ³±îÁö

ºñ½´´© ¼öºê¶ó¸¶´Ï¾È ÁöÀ½ | ±èÅÂ¿Ï ¿Å±è | ¿¡ÀÌÄÜÃâÆÇ | 2019³â 02¿ù 18ÀÏ Ãâ°£
Ŭ·Î¹ö ¸®ºä¾²±â

ÀÌ Ã¥ÀÇ ´Ù¸¥ »óǰ Á¤º¸

  • Á¤°¡ : 25,000¿ø
    ÆÇ¸Å°¡ : 22,500¿ø [10%¡é 2,500¿ø ÇÒÀÎ]
  • ÅëÇÕÆ÷ÀÎÆ® :
    [±âº»Àû¸³] 1,250¿ø Àû¸³ [5% Àû¸³] [Ãß°¡Àû¸³] 5¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2õ¿ø Ãß°¡Àû¸³ ¾È³» [ȸ¿øÇýÅÃ] ½Ç¹öµî±Þ ÀÌ»ó, 3¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2~4% Ãß°¡Àû¸³ ¾È³»
  • Ãß°¡ÇýÅà : Æ÷ÀÎÆ® ¾È³» µµ¼­¼Òµæ°øÁ¦ ¾È³» Ãß°¡ÇýÅà ´õº¸±â
  • ¹è¼Ûºñ : ¹«·á ¹è¼Ûºñ ¾È³»
  • ¹è¼ÛÀÏÁ¤ : ¼­¿ïƯº°½Ã Á¾·Î±¸ ¼¼Á¾´ë·Î ±âÁØ Áö¿ªº¯°æ
    Áö±Ý ÁÖ¹®ÇÏ¸é ³»ÀÏ(27ÀÏ,Åä) µµÂø ¿¹Á¤ ¹è¼ÛÀÏÁ¤ ¾È³»
  • ¹Ù·Îµå¸² : ÀÎÅͳÝÀ¸·Î ÁÖ¹®ÇÏ°í ¸ÅÀå¿¡¼­ Á÷Á¢ ¼ö·É ¾È³» ¹Ù·Îµå¸² ÇýÅÃ
    ÈÞÀÏ¿¡´Â ¹Ù·Îµå¸² ÇȾ÷À¸·Î ´õ »¡¸® ¹Þ¾Æ º¸¼¼¿ä. ¹Ù·Îµå¸² ÇýÅùްí ÀÌ¿ëÇϱâ

ÀÌ Ã¥ÀÇ À̺¥Æ® ÇØ¿ÜÁÖ¹®/¹Ù·Îµå¸²/Á¦ÈÞ»çÁÖ¹®/¾÷ü¹è¼Û°ÇÀÇ °æ¿ì 1+1 ÁõÁ¤»óǰÀÌ ¹ß¼ÛµÇÁö ¾Ê½À´Ï´Ù.

  • Çà»çµµ¼­ ±¸¸Å ½Ã 2021 ͏°´õ ³ëÆ® ¼±Åð¡´É
    2020.11.09 ~ 2021.03.31
  • Ã¥À» ÅëÇØ ¼ºÀåÇØ³ª°¡´Â °³¹ßÀÚ¸¦ ÀÀ¿øÇÕ´Ï´Ù.
    2017.06.22 ~ 2025.07.31
»óǰ»ó¼¼Á¤º¸
ISBN 9791161752594(1161752595)
Âʼö 312ÂÊ
Å©±â 187 * 234 * 23 mm /722g ÆÇÇü¾Ë¸²
ÀÌ Ã¥ÀÇ ¿ø¼­/¹ø¿ª¼­ Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch / Vishnu Subramanian

Ã¥¼Ò°³

ÀÌ Ã¥ÀÌ ¼ÓÇÑ ºÐ¾ß

ÀÌ Ã¥ÀÇ ÁÖÁ¦¾î

ÀÌ Ã¥Àº ÆÄÀÌÅäÄ¡¸¦ ÀÌ¿ëÇÑ µö·¯´× ÀÔ¹®¼­´Ù. ÆÄÀÌÅäÄ¡´Â ÃÖ±Ù ±Û·Î¹úÇÏ°Ô °¡Àå Å« ÁÖ¸ñÀ» ¹Þ´Â ¸Ó½Å ·¯´×/µö·¯´× ÇÁ·¹ÀÓ¿öÅ©´Ù. µö·¯´× ÀÔ¹®ÀÚ¸¦ ´ë»óÀ¸·Î ±âº»ÀûÀÎ ¼±Çü/ȸ±Í ¸ðµ¨ºÎÅÍ CNN, RNN, GAN°ú °°Àº °í±Þ ³×Æ®¿öÅ©±îÁö ´Ù·ç¸ç, ´õ ³ª¾Æ°¡ ÀüÀÌÇнÀ(Transfer Learning)°ú VGG16, ResNet, Inception, DeseNet µî ÃֽŠ¸ð´ø ¾ÆÅ°ÅØÃ³¸¦ Ȱ¿ëÇÏ´Â ±â¹ý±îÁö ü°èÀûÀ¸·Î ÇнÀÇϰí üÇèÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºµÅ ÀÖ´Ù. ÀÌ Ã¥À» ÅëÇØ µö·¯´× ±âº» °³³ä, µ¥ÀÌÅÍ Àüó¸®, ½Å°æ¸Á °í±Þ ¸ðµ¨ ¹× µö·¯´× ÀÀ¿ë ±â¹ýÀ» ÀÌÇØÇÒ ¼ö ÀÖ´Ù.
¿ªÀÚ ºí·Î±×(http://taewan.kim/tutorial_manual/dl_pytorch)¿¡¼­ ¿¹Á¦ ½Ç½ÀÀ» µ½´Â º¸Á¶ ÀڷḦ Á¦°øÇÑ´Ù.

ÀÛ°¡ÀÇ ¸»

ÆÄÀÌÅäÄ¡´Â À¶Å뼺°ú »ç¿ë ÆíÀǼº ¶§¹®¿¡ µ¥ÀÌÅÍ °úÇÐ Àü¹®°¡¿Í µö·¯´× ÇнÀÀÚÀÇ °ü½ÉÀ» ²ø°í ÀÖ´Ù. ÀÌ Ã¥Àº µö·¯´×°ú ÆÄÀÌÅäÄ¡ÀÇ ±âº» ±¸¼º ¿ä¼Ò¸¦ ¼Ò°³ÇÏ°í ½Ç¿ëÀûÀÎ Á¢±Ù ¹æ½ÄÀ» »ç¿ëÇØ ½ÇÁ¦ ¹®Á¦¸¦ ÇØ°áÇÏ´Â ¹æ¹ýÀ» º¸¿©ÁØ´Ù. ÃÖ÷´Ü ¿¬±¸ ¹®Á¦¸¦ ÇØ°áÇÏ´Â µ¥ »ç¿ëµÇ´Â Ãֽеö·¯´× ¾ÆÅ°ÅØÃ³ ¹× ±â¼ú¿¡ ´ëÇØ ¹è¿ì°Ô µÉ °ÍÀÌ´Ù.
ÀÌ Ã¥Àº ResNet, DenseNet, Inception ¹× Seq2Seq¿Í °°Àº ´Ù¾çÇÑ ÃÖ÷´Ü µö·¯´× ¾ÆÅ°ÅØÃ³¿¡ ´ëÇÑ Á÷°üÀ» Á¦°øÇÏ´Â ¹Ý¸é, ¼öÇп¡ ´ëÇÑ ºÎ´ãÀº ÃÖ¼ÒÈ­ÇÑ´Ù. ¶ÇÇÑ ÀüÀÌ ÇнÀÀ» »ç¿ëÇÏ´Â ¹æ¹ý, »çÀü °è»êµÈ ÇÇó¸¦ »ç¿ëÇØ ÀüÀÌ ÇнÀ ¼Óµµ¸¦ ³ôÀÌ´Â ¹æ¹ý, ÀÓº£µù, »çÀü ÇнÀ ÀÓº£µù, LSTM ±×¸®°í 1Â÷¿ø ÄÁº¼·ç¼ÇÀ» »ç¿ëÇØ ÅØ½ºÆ®¸¦ ºÐ·ùÇÏ´Â ¹æ¹ýÀ» ¼Ò°³ÇÑ´Ù.
ÀÌ Ã¥À» ÀÐ°í ³ª¸é ¿©±â¼­ ¹è¿î ´Ù¾çÇÑ ±â¼úÀ» »ç¿ëÇØ ºñÁî´Ï½º ¹®Á¦¸¦ ÇØ°áÇÒ ¼ö ÀÖ´Â ´É¼÷ÇÑ µö·¯´× ÇнÀÀÚ°¡ µÉ °ÍÀÌ´Ù.

¸ñÂ÷

¼­¹®
ÁöÀºÀÌ ¼Ò°³
±â¼ú °¨¼öÀÚ ¼Ò°³
¿Å±äÀÌ ¼Ò°³
¿Å±äÀÌÀÇ ¸»
µé¾î°¡¸ç

1Àå. ÆÄÀÌÅäÄ¡·Î µö·¯´× ½ÃÀÛÇϱâ

__ÀΰøÁö´É
____ÀΰøÁö´ÉÀÇ ¿ª»ç
__¸Ó½Å ·¯´×
____½Ç»ýȰ ¸Ó½Å ·¯´× »ç·Ê
__µö·¯´×
____µö·¯´× ¾ÖÇø®ÄÉÀ̼Ç
____µö·¯´×ÀÇ °úÀåµÈ ¹Ì·¡
____µö·¯´× ¿ª»ç
____¿Ö Áö±ÝÀΰ¡?
____Çϵå¿þ¾î °¡¿ë¼º
____µ¥ÀÌÅÍ¿Í ¾Ë°í¸®Áò
____µö·¯´× ÇÁ·¹ÀÓ¿öÅ©
________ÆÄÀÌÅäÄ¡
__¿ä¾à

2Àå. ½Å°æ¸Á ±¸¼º ¿ä¼Ò

__ÆÄÀÌÅäÄ¡ ¼³Ä¡
__ù ¹øÂ° ½Å°æ¸Á
____µ¥ÀÌÅÍ Áغñ
________½ºÄ®¶ó(0Â÷¿ø ÅÙ¼­)
________º¤ÅÍ(1Â÷¿ø ÅÙ¼­)
________Çà·Ä(2Â÷¿ø ÅÙ¼­)
________3Â÷¿ø ÅÙ¼­
________ÅÙ¼­ ½½¶óÀ̽Ì(ÅÙ¼­ ÀÚ¸£±â)
________4Â÷¿ø ÅÙ¼­
________5Â÷¿ø ÅÙ¼­
________GPU Áö¿ø Tensor
________Variable
____½Å°æ¸Á¿¡ »ç¿ëÇÒ µ¥ÀÌÅÍ »ý¼ºÇϱâ
________ÇнÀ ÆÄ¶ó¹ÌÅÍ »ý¼º
________½Å°æ¸Á ¸ðµ¨
________³×Æ®¿öÅ© ±¸Çö
________¿ÀÂ÷ ÇÔ¼ö
________½Å°æ¸Á ÃÖÀûÈ­
____µ¥ÀÌÅÍ ·Îµù
________µ¥ÀÌÅͼ Ŭ·¡½º
________µ¥ÀÌÅͷδõ Ŭ·¡½º
__¿ä¾à

3Àå. ½Å°æ¸Á ÆÄÇìÄ¡±â

__½Å°æ¸Á ±¸¼º ¿ä¼Ò
____·¹À̾î - ½Å°æ¸Á ±âº» ºí·Ï
____ºñ¼±Çü Ȱ¼º ÇÔ¼ö
________½Ã±×¸ðÀ̵å
________Tanh
________ReLU
________Leakly ReLU
____ÆÄÀÌÅäÄ¡ ºñ¼±Çü Ȱ¼ºÈ­ ÇÔ¼ö
________ÆÄÀÌÅäÄ¡ µö·¯´× ¾Ë°í¸®Áò ±¸ÇöÇϱâ
________´Ù¾çÇÑ ¸Ó½Å ·¯´× ¹®Á¦¸¦ À§ÇÑ ¸ðµ¨ ¾ÆÅ°ÅØÃ³
________¼Õ½Ç ÇÔ¼ö
________³×Æ®¿öÅ© ¾ÆÅ°ÅØÃ³ ÃÖÀûÈ­
____µö·¯´×À» ÀÌ¿ëÇÑ À̹ÌÁö ºÐ·ù
________ÆÄÀÌÅäÄ¡ Tensor·Î µ¥ÀÌÅÍ ·Îµù
________Àϰý ó¸® ÇüÅ·ΠÆÄÀÌÅäÄ¡ Tensor·Î ·ÎµùÇϱâ
__³×Æ®¿öÅ© ¾ÆÅ°ÅØÃ³ ±¸Ãà
________¸ðµ¨ ÇнÀ
__¿ä¾à

4Àå. ¸Ó½Å ·¯´× ÀÔ¹®

__¸Ó½Å ·¯´×ÀÇ ¼¼ °¡Áö À¯Çü
____ÁöµµÇнÀ
____ºñÁöµµÇнÀ
____°­È­ÇнÀ
__¸Ó½Å ·¯´× ¿ë¾î
__¸Ó½Å ·¯´× ¸ðµ¨ Æò°¡
____ÇнÀ, °ËÁõ ¹× Å×½ºÆ® ºÐÇÒ
__´Ü¼ø Ȧµå¾Æ¿ô °ËÁõ
__K-°ã °ËÁõ
__µ¥ÀÌÅÍ È¥ÇÕÀÌ Àû¿ëµÈ K-°ã °ËÁõ
__µ¥ÀÌÅÍ Àüó¸®¿Í Ư¼º °øÇÐ
____º¤ÅÍÈ­
____¼öÄ¡ Á¤±ÔÈ­
____´©¶ô µ¥ÀÌÅÍ Ã³¸®
____Ư¼º °øÇÐ
__°ú´ëÀûÇÕ°ú °ú¼ÒÀûÇÕ
____´õ ¸¹Àº µ¥ÀÌÅÍ È®º¸
____³×Æ®¿öÅ© Å©±â ÁÙÀ̱â
____°¡ÁßÄ¡ ±ÔÁ¦ Àû¿ë
____µå·Ó¾Æ¿ô
____°ú¼ÒÀûÇÕ
__¸Ó½Å ·¯´× ÇÁ·ÎÁ§Æ® ¿öÅ©Ç÷Î
____¹®Á¦ Á¤ÀÇ¿Í µ¥ÀÌÅͼ ¸¸µé±â
____¸ðµ¨ Æò°¡ ±âÁØ
____Æò°¡ ÇÁ·ÎÅäÄÝ
____µ¥ÀÌÅÍ Áغñ
____±âÁØ ¸ðµ¨
____°ú´ëÀûÇÕ µÉ Á¤µµÀÇ ¸ðµ¨
____°¡ÁßÄ¡ ±ÔÁ¦ Àû¿ë
____ÇнÀ·ü ¼±Á¤ Àü·«
__¿ä¾à

5Àå. ÄÄÇ»ÅÍ ºñÀü µö·¯´×

__½Å°æ¸Á ù°ÉÀ½
____MNIST - µ¥ÀÌÅÍ °¡Á®¿À±â
__CNN ¸ðµ¨ ±¸Ãà
CONV2D
____Ç®¸µ
____ºñ¼±Çü Ȱ¼ºÈ­ ·¹À̾î- RELU
____ºä
________¼±Çü ·¹À̾î
____¸ðµ¨ ÇнÀ
____CNNÀ» ÀÌ¿ë1°³¿Í °í¾çÀÌ ºÐ·ù
____ÀüÀÌ ÇнÀÀ» ÀÌ¿ëÇÑ °³¿Í °í¾çÀÌ ºÐ·ù
__VGG16 ¸ðµ¨ »ý¼º°ú Ž»ö
____·¹ÀÌ¾î °íÁ¤
____¼¼ºÎ Á¶Á¤: VGG16
____VGG16 ¸ðµ¨ ÇнÀ
__»çÀü °è»êµÈ ÄÁº¼·ç¼Ç ÇÇó »ç¿ë
__CNN ÇнÀ¿¡ ´ëÇÑ ÀÌÇØ
____Áß°£ ·¹À̾îÀÇ Ãâ·Â ½Ã°¢È­
__Áß°£ ·¹À̾îÀÇ °¡ÁßÄ¡ ½Ã°¢È­
__¿ä¾à

6Àå. ½ÃÄö½º µ¥ÀÌÅÍ¿Í ÅØ½ºÆ® µö·¯´×

__ÅØ½ºÆ® µ¥ÀÌÅÍ ºÐ¼®
____Åäūȭ
________ÅØ½ºÆ®¸¦ ¹®ÀÚ·Î º¯È¯
________ÅØ½ºÆ®¸¦ ´Ü¾î·Î º¯È¯
________N-±×·¥ Ç¥Çö
____º¤ÅÍÈ­
________¿ø-ÇÖ ÀÎÄÚµù
____¿öµå ÀÓº£µù
__°¨¼º ºÐ·ù±â·Î ¿öµå ÀÓº£µù ÇнÀ½Ã۱â
____IMDB ´Ù¿î·Îµå¿Í ÅØ½ºÆ® Åäūȭ
________torchtext
________torchtext
____¾îÈÖ ±¸Ãà
____º¤ÅÍ ¹èÄ¡ »ý¼º
____ÀÓº£µùÀ¸·Î ³×Æ®¿öÅ© ¸ðµ¨ ¸¸µé±â
____¸ðµ¨ ÇнÀ½Ã۱â
__»çÀü ÇнÀ ¿öµå ÀÓº£µù
____ÀÓº£µù ´Ù¿î·Îµå
____¸ðµ¨¿¡ ÀÓº£µù ·ÎµùÇϱâ
____ÀÓº£µù ·¹ÀÌ¾î °¡ÁßÄ¡ °íÁ¤
__RNN
____RNN ÀÛµ¿ ¹æ½Ä ÀÌÇØ
__LSTM
____Àå±â Á¾¼Ó¼º
____LSTM ³×Æ®¿öÅ©
________µ¥ÀÌÅÍ ÁغñÇϱâ
________¹èÄ¡ 󸮱⠻ý¼ºÇϱâ
________³×Æ®¿öÅ© »ý¼ºÇϱâ
________¸ðµ¨ ÇнÀ½Ã۱â
__½ÃÄö½º µ¥ÀÌÅÍ¿Í CNN
____½ÃÄö½º µ¥ÀÌÅ͸¦ À§ÇÑ 1Â÷¿ø ÄÁº¼·ç¼Ç ÀÌÇØ
________³×Æ®¿öÅ© ¸¸µé±â
________¸ðµ¨ ÇнÀ½Ã۱â
__¿ä¾à

7Àå. »ý¼ºÀû ½Å°æ¸Á

__½Å°æ¸Á ½ºÅ¸ÀÏ Æ®·£½ºÆÛ
____µ¥ÀÌÅÍ ·Îµù
____VGG ¸ðµ¨ »ý¼º
____ÄÜÅÙÃ÷ ¼Õ½Ç
____½ºÅ¸ÀÏ ¼Õ½Ç
____VGG ¸ðµ¨ ·¹À̾îÀÇ ¼Õ½Ç ÃßÃâ
____°¢ ·¹À̾îÀÇ ¼Õ½Ç ÇÔ¼ö ¸¸µé±â
____¿ÉƼ¸¶ÀÌÀú ¸¸µé±â
____ÇнÀ
__»ý»êÀû Àû´ë ½Å°æ¸Á
____½ÉÃþ ÄÁº¼·ç¼Ç GAN
____»ý¼º±â ³×Æ®¿öÅ© Á¤ÀÇ
________ÀüÄ¡ ÄÁº¼·ç¼Ç
________¹èÄ¡ Á¤±ÔÈ­
________»ý¼º±â ³×Æ®¿öÅ© Á¤ÀÇ
____ÆÇº°±â ³×Æ®¿öÅ© Á¤ÀÇ
____¿ÀÂ÷¿Í ¿ÉƼ¸¶ÀÌÀú Á¤ÀÇ
____ÆÇº°±â ³×Æ®¿öÅ© ÇнÀ
________½ÇÁ¦ À̹ÌÁö·Î ÆÇº°±â ÇнÀ½Ã۱â
________°¡Â¥ À̹ÌÁö·Î ÆÇº°±â ÇнÀ½Ã۱â
____»ý¼º±â ³×Æ®¿öÅ© ÇнÀ
____Àüü ³×Æ®¿öÅ© ÇнÀ ½Ã۱â
____»ý¼º À̹ÌÁö °ËÅä
__¾ð¾î ¸ðµ¨
____µ¥ÀÌÅÍ Áغñ
____¹èÄ¡ 󸮱⠻ý¼º
________¹èÄ¡
________Backpropagation through time
____LSTM¿¡ ±â¹ÝÇÑ ¸ðµ¨ Á¤ÀÇ
____ÇнÀ°ú Æò°¡ ÇÔ¼ö Á¤ÀÇ
____¸ðµ¨ ÇнÀ
__¿ä¾à

8Àå. ¸ð´ø ³×Æ®¿öÅ© ¾ÆÅ°ÅØÃ³

__Ãֽгׯ®¿öÅ© ¾ÆÅ°ÅØÃ³
____ResNe
________ÆÄÀÌÅäÄ¡ µ¥ÀÌÅͼ ¸¸µé±â
________ÇнÀ°ú °ËÁõÀ» À§ÇÑ ·Î´õ »ý¼º
________ResNet ¸ðµ¨ ¸¸µé±â
________ÄÁº¼·ç¼Ç ÇÇó ÃßÃâ
________¹Ì¸® °è»êµÈ ÄÁº¼·ç¼Ç ÇÇó¿Í ·Î´õ¸¦ À§ÇÑ »ç¿ëÀÚ Á¤ÀÇ ÆÄÀÌÅäÄ¡ µ¥ÀÌÅͼ Ŭ·¡½º ¸¸µé±â
________´Ü¼øÇÑ ¼±Çü ¸ðµ¨ ¸¸µé±â
________¸ðµ¨ ÇнÀ°ú °ËÁõ
____ÀμÁ¼Ç
________ÀμÁ¼Ç ¸ðµ¨ ¸¸µé±â
________register_forward_hoodÀ» ÀÌ¿ëÇØ ÄÁº¼·ç¼Ç ÇÇó ÃßÃâÇϱâ
________ÄÁº¼·ç¼Ç ÇÇó¸¦ À§ÇÑ »õ·Î¿î µ¥ÀÌÅͼ ¸¸µé±â
________Àü¿¬°á ¸ðµ¨ ¸¸µé±â
________¸ðµ¨ ÇнÀ°ú °ËÁõ
__DenseNet: ÄÁº¼·ç¼Ç ³×Æ®¿öÅ©ÀÇ Àü¿¬°á ¾ÆÅ°ÅØÃ³
____DenseBlock
____DenseLayer
________µ§½º³Ý ¸ðµ¨ »ý¼º
________µ§½º³Ý ÇÇó ÃßÃâ
________µ¥ÀÌÅͼ°ú ·Î´õ ¸¸µé±â
________Àü¿¬°á ¸ðµ¨À» »ý¼ºÇϰí ÇнÀ
__¾Ó»óºí ¸ðµ¨
____3°³ ¸ðµ¨ ¸¸µé±â
____Extracting the image features
____µ¥ÀÌÅÍ ·Î´õ¿Í »ç¿ëÀÚ Á¤ÀÇ µ¥ÀÌÅͼ »ý¼º
____¾Ó»óºí ¸ðµ¨ ¸¸µé±â
____¸ðµ¨ ÇнÀ½ÃŰ°í °ËÁõ
__ÀÎÄÚ´õ-µðÄÚ´õ ¾ÆÅ°ÅØÃ³
____ÀÎÄÚ´õ
____µðÄÚ´õ
__¿ä¾à

9Àå. ¸¶Áö¸· ±×¸®°í »õ·Î¿î ½ÃÀÛ

__´ÙÀ½Àº?
__°³¿ä
__¿¬±¸ °¡Ä¡°¡ ÀÖ´Â Èï¹Ì·Î¿î ¾ÆÀ̵ð¾î
____°´Ã¼ ÀνÄ
____À̹ÌÁö ºÐÇÒ
____ÆÄÀÌÅäÄ¡ OPENNMT
____ALIEN NLP
____FAST
____ONNX
__Áö¼ÓÀûÀÎ Á¤º¸ ¾÷µ¥ÀÌÆ® ¹æ¹ý
__¿ä¾à

ã¾Æº¸±â

ÃâÆÇ»ç ¼­Æò

¡Ú ÀÌ Ã¥ÀÌ ´Ù·ç´Â ³»¿ë ¡Ú
¡á ÆÄÀÌÅäÄ¡¸¦ ÀÌ¿ëÇÑ GPU °¡¼Ó ÅÙ¼­ ¿¬»ê
¡á torchvision¿Í torchtext¸¦ »ç¿ëÇØ À̹ÌÁö¿ë »ç¿ëÀÚ Á¤ÀÇ µ¥ÀÌÅͼ°ú µ¥ÀÌÅÍ ·Î´õ¸¦ ¸¸µé°í ¸ðµ¨À» Å×½ºÆ®ÇÏ´Â ±â¹ý
¡á ÆÄÀÌÅäÄ¡·Î CNN ¾ÆÅ°ÅØÃ³¸¦ ±¸ÇöÇØ À̹ÌÁö ºÐ·ù±â Á¦ÀÛ
¡á RNN, LSTM ¹× GRU¸¦ ÀÌ¿ëÇØ ÅØ½ºÆ® ºÐ·ù ¹× ¾ð¾î ¸ðµ¨¸µ ½Ã½ºÅÛ ±¸Ãà
¡á ResNet, Inception, Densenet °°Àº °í±Þ CNN ¾ÆÅ°ÅØÃ³¸¦ ¼Ò°³Çϰí, ÀüÀÌ ÇнÀÀ» ÀÌ¿ëÇØ °í±Þ ¾ÆÅ°ÅØÃ³ »ç¿ë
¡á ¿©·¯ ¸ðµ¨À» È¥ÇÕÇØ °­·ÂÇÑ ¾Ó»óºí ¸ðµ¨ ±¸Ãà ... ´õº¸±â

Klover ¸®ºä (0)

ºÏ·Î±× ¸®ºä (0) ¾²·¯°¡±â

µµ¼­ ±¸¸Å ÈÄ ¸®ºä¸¦ ÀÛ¼ºÇϽøé
°áÁ¦ 90ÀÏ À̳» 300¿ø, ¹ß¼Û ÈÄ 5ÀÏ À̳» 400¿ø, ÀÌ »óǰÀÇ Ã¹ ¸®ºä 500¿øÀÇ Æ÷ÀÎÆ®¸¦ µå¸³´Ï´Ù.

Æ÷ÀÎÆ®´Â ÀÛ¼º ÈÄ ´ÙÀ½ ³¯ Àû¸³µÇ¸ç, µµ¼­ ¹ß¼Û Àü ÀÛ¼º ½Ã¿¡´Â ¹ß¼Û ÈÄ ÀÍÀÏ¿¡ Àû¸³µË´Ï´Ù.
ºÏ·Î±× ¸®ºä´Â º»ÀÎÀÎÁõÀ» °ÅÄ£ ȸ¿ø¸¸ ÀÛ¼º °¡´ÉÇÕ´Ï´Ù.
(¡Ø ¿Ü¼­/eBook/À½¹Ý/DVD/GIFT ¹× ÀâÁö »óǰ Á¦¿Ü) ¾È³»
  • ÇØ´çµµ¼­ÀÇ ¸®ºä°¡ ¾ø½À´Ï´Ù.

¹®Àå¼öÁý (0) ¹®Àå¼öÁý ¾²±â ³ªÀÇ µ¶¼­±â·Ï º¸±â
※±¸¸Åµµ¼­ÀÇ ¹®Àå¼öÁýÀ» ±â·ÏÇϸé ÅëÇÕÆ÷ÀÎÆ® Àû¸³ ¾È³»

±³È¯/¹Ýǰ/ǰÀý¾È³»

¡Ø »óǰ ¼³¸í¿¡ ¹Ýǰ/±³È¯ °ü·ÃÇÑ ¾È³»°¡ ÀÖ´Â °æ¿ì ±× ³»¿ëÀ» ¿ì¼±À¸·Î ÇÕ´Ï´Ù. (¾÷ü »çÁ¤¿¡ µû¶ó ´Þ¶óÁú ¼ö ÀÖ½À´Ï´Ù.)

±³È¯/¹Ýǰ/ǰÀý¾È³»
¹Ýǰ/±³È¯¹æ¹ý ¸¶ÀÌ·ë > ÁÖ¹®°ü¸® > ÁÖ¹®/¹è¼Û³»¿ª > ÁÖ¹®Á¶È¸ > ¹Ýǰ/±³È¯½Åû ,
[1:1»ó´ã>¹Ýǰ/±³È¯/ȯºÒ] ¶Ç´Â °í°´¼¾ÅÍ (1544-1900)

¡Ø ¿ÀǸ¶ÄÏ, ÇØ¿Ü¹è¼ÛÁÖ¹®, ±âÇÁÆ® ÁÖ¹®½Ã [1:1»ó´ã>¹Ýǰ/±³È¯/ȯºÒ]
    ¶Ç´Â °í°´¼¾ÅÍ (1544-1900)
¹Ýǰ/±³È¯°¡´É ±â°£ º¯½É¹ÝǰÀÇ °æ¿ì ¼ö·É ÈÄ 7ÀÏ À̳»,
»óǰÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»
¹Ýǰ/±³È¯ºñ¿ë º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹Ýǰ/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
¹Ýǰ/±³È¯ ºÒ°¡ »çÀ¯
  • ¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óǰ µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
    (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)
  • ¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óǰ µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
    ¿¹) È­Àåǰ, ½Äǰ, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî
  • º¹Á¦°¡ °¡´ÉÇÑ »óǰ µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
    ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý
  • ¼ÒºñÀÚÀÇ ¿äû¿¡ µû¶ó °³º°ÀûÀ¸·Î ÁÖ¹® Á¦À۵Ǵ »óǰÀÇ °æ¿ì ((1)ÇØ¿ÜÁÖ¹®µµ¼­)
  • µðÁöÅÐ ÄÁÅÙÃ÷ÀÎ eBook, ¿Àµð¿ÀºÏ µîÀ» 1ȸ ÀÌ»ó ´Ù¿î·Îµå¸¦ ¹Þ¾ÒÀ» °æ¿ì
  • ½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆÇ¸Å°¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
  • ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡
    ÇØ´çµÇ´Â °æ¿ì
(1) ÇØ¿ÜÁÖ¹®µµ¼­ : ÀÌ¿ëÀÚÀÇ ¿äû¿¡ ÀÇÇÑ °³ÀÎÁÖ¹®»óǰÀ¸·Î ´Ü¼øº¯½É ¹× Âø¿À·Î ÀÎÇÑ Ãë¼Ò/±³È¯/¹Ýǰ ½Ã ¡®ÇØ¿ÜÁÖ¹® ¹Ýǰ/Ãë¼Ò ¼ö¼ö·á¡¯ °í°´ ºÎ´ã (ÇØ¿ÜÁÖ¹® ¹Ýǰ/Ãë¼Ò ¼ö¼ö·á : ¨ç¼­¾çµµ¼­-ÆÇ¸ÅÁ¤°¡ÀÇ 12%, ¨èÀϺ»µµ¼­-ÆÇ¸ÅÁ¤°¡ÀÇ 7%¸¦ Àû¿ë)
»óǰ ǰÀý °ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ ǰÀý/Áö¿¬µÉ ¼ö ÀÖÀ¸¸ç, ǰÀý ½Ã °ü·Ã »çÇ׿¡ ´ëÇØ¼­´Â
À̸ÞÀϰú ¹®ÀÚ·Î ¾È³»µå¸®°Ú½À´Ï´Ù.
¼ÒºñÀÚ ÇÇÇØº¸»ó
ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó
  • »óǰÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, ǰÁúº¸Áõ ¹× ÇÇÇØº¸»ó µî¿¡ °üÇÑ »çÇ×Àº
    ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øÈ¸ °í½Ã)¿¡ ÁØÇÏ¿© 󸮵Ê
  • ´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ
    ¼ÒºñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ

¹Ù·Î°¡±â

  • ¿ìÃø È®ÀåÇü ¹è³Ê 2
  • ¿ìÃø È®ÀåÇü ¹è³Ê 2

ÃÖ±Ù º» »óǰ