본문으로 바로가기
PyTorch

강의

PyTorch로 배우는 Intermediate Deep Learning

중급기술 수준
업데이트됨 2025. 6.
이미지 및 순차적 데이터 모델링을 위한 CNN, RNN, LSTM, GRU와 같은 기본적인 딥러닝 아키텍처에 대해 알아보세요.
무료로 강의 시작
PyTorchArtificial Intelligence
4시간
15 동영상
51 연습 문제
4,050 XP
27,877
성취 증명서

무료 계정 만들기

Google에서 계속 진행더 많은 옵션 보기

또는


계속 진행하시면 당사의 이용약관개인정보처리방침에 동의하고 및 귀하의 데이터가 미국에 저장되는 것에 동의하게 됩니다.

수천 개 기업의 학습자들이 사랑하는

Group

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명









선수 조건

Introduction to Deep Learning with PyTorch
1

견고한 신경망 학습

신경망을 견고하게 학습하는 방법을 배워요. 이 챕터에서는 객체 지향 프로그래밍으로 PyTorch 데이터셋과 모델을 정의하고, 신경망의 학습과 평가에 대한 지식을 복습합니다. 또한 다양한 옵티마이저를 익히고, 마지막으로 신경망 학습에서 흔히 발생하는 불안정한 그래디언트 문제를 완화하는 여러 기법을 다룹니다.
챕터 시작
2

이미지와 Convolutional Neural Networks

이미지 분류 과제를 해결하도록 신경망을 학습시켜 보세요. 이 챕터에서는 PyTorch에서 이미지 데이터를 다루는 법과 Convolutional Neural Networks(CNNs)를 이해합니다. 데이터 증강으로 모델 성능을 향상하는 방법을 배우면서 이미지 분류기를 학습하고 평가하는 연습을 합니다.
챕터 시작
3

시퀀스와 Recurrent Neural Networks

시계열, 텍스트, 오디오 같은 순차 데이터를 처리하기 위해 Recurrent Neural Networks(RNNs)를 구축하고 학습하세요. 가장 널리 쓰이는 두 가지 순환 구조인 Long-Short Term Memory(LSTM)와 Gated Recurrent Unit(GRU) 네트워크를 배우고, 모델 학습을 위한 순차 데이터 준비 방법을 익힙니다. 전력 소비를 예측하는 순환 모델을 학습하고 평가하며 실습합니다.
챕터 시작
4

멀티 입력 및 멀티 출력 아키텍처

둘 이상의 입력이 필요하거나 여러 출력을 생성하는 작업을 처리할 수 있는 멀티 입력·멀티 출력 모델을 구축해 봅니다. PyTorch로 이러한 모델을 설계하고 학습하는 방법을 탐구하고, 멀티 출력 모델에서 매우 중요한 손실 가중치 주제도 깊이 있게 다룹니다. 이는 하나의 모델이 여러 작업을 동시에 수행하도록 학습할 때 각 작업의 중요도를 균형 있게 조정하는 방법을 이해하는 것을 포함합니다.
챕터 시작
PyTorch로 배우는 Intermediate Deep Learning
강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요
지금 등록

19백만 명 이상의 학습자와 함께 PyTorch로 배우는 Intermediate Deep Learning을(를) 시작하세요!

무료 계정 만들기

Google에서 계속 진행더 많은 옵션 보기

또는


계속 진행하시면 당사의 이용약관개인정보처리방침에 동의하고 및 귀하의 데이터가 미국에 저장되는 것에 동의하게 됩니다.

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.