본문으로 바로가기

강의

PyTorch로 배우는 딥러닝 입문

중급기술 수준

업데이트됨 2026. 1.

PyTorch를 사용하여 첫 번째 신경망을 구축하고, 하이퍼파라미터를 조정하며, 분류 및 회귀 문제를 해결하는 방법을 배워보세요.

무료로 강의 시작

PyTorchArtificial Intelligence

4시간

16 동영상

49 연습 문제

3,900 XP

85,880

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

딥 러닝의 힘 이해하기

딥러닝은 스마트폰 카메라, 음성 비서, 자율주행차 등 어디에나 있습니다. 단백질 구조를 발견하고 바둑에서 인간을 이기는 데에도 도움이 되었습니다. 이 강력한 기술을 발견하고, 가장 인기 있는 딥러닝 라이브러리 중 하나인 PyTorch를 사용해 이를 활용하는 방법을 배워보세요.

첫 번째 신경망을 훈련하세요

먼저 딥 러닝과 "클래식" 머신 러닝의 차이를 살펴보세요. 신경망의 학습 과정과 학습 루프를 작성하는 방법을 배우게 됩니다. 이를 위해 회귀 및 분류 문제를 위한 손실 함수를 만들고 PyTorch를 활용해 그 도함수를 계산하게 됩니다.

모델을 평가하고 개선하세요

후반부에서는 모델을 개선하기 위해 조정할 수 있는 다양한 하이퍼파라미터를 배웁니다. 신경망의 다양한 구성 요소를 학습한 후에는 더 크고 더 복잡한 아키텍처를 만들 수 있게 됩니다. 모델 성능을 측정하려면 PyTorch의 모델 평가용 라이브러리인 TorchMetrics를 활용하게 됩니다.

수료 후에는 PyTorch를 활용하여 딥러닝으로 표 형식 데이터와 이미지 데이터 모두에서 분류 및 회귀 문제를 해결할 수 있게 됩니다. 경력을 발전시키고자 하는 숙련된 데이터 전문가에게 꼭 필요한 역량입니다.

선수 조건

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

1

Introduction to PyTorch, a Deep Learning Library

Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

2

Neural Network Architecture and Hyperparameters

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.

Discovering activation functions

Activate your understanding!

The sigmoid and softmax functions

Running a forward pass

Building a binary classifier in PyTorch

From regression to multi-class classification

Using loss functions to assess model predictions

Creating one-hot encoded labels

Calculating cross entropy loss

Using derivatives to update model parameters

Accessing the model parameters

Updating the weights manually

Using the PyTorch optimizer

3

Training a Neural Network with PyTorch

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

4

Evaluating and Improving Models

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.

Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

PyTorch로 배우는 딥러닝 입문

강의
완료

수료증 획득

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

19백만 명 이상의 학습자와 함께 PyTorch로 배우는 딥러닝 입문을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

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