인터넷에 많은 Machine Learning, Deep Learning 자료들이 존재하지만, SungKim 교수님의 모두의 딥러닝 강의를 듣고나면 그 다음 중급 단계가 없이 바로 고수들의 논문을 중심으로한 너무 어려운 이야기들만 난무하다보니 단계적으로 학습을 이어가기가 어려운 경우들이 있다고 생각합니다.  그래서 Tensorflow 기초부터 이미지, 정형, 자연어 데이터 그리고 ChatBot 을 통한 실무 적용까지 조금더 접근할 수 있는 중급 교육을 기획하여 SK Planet 에서 8월 3주간 교육을 진행하였으며 그 교육 자료와 소스코드를 여러분들에게 공유합니다.

(1) Deep Learning & Tensorflow 기본

딥러닝을 접하기 위해 필요한 Python 필수 라이브러리(Numpy, Pandas 등)에 대한 설명 및 Tensorflow 기본 문법 그리고 딥러닝의 기초에 대해서 설명합니다.
딥러닝을 단편적인 시각이 아닌 전체적인 Work Flow 관점에서 이해하고 접근 할 수 있도록 큰 시각을 제공하고자 합니다.

	이태영 managingc@gmail.com

(2) Docker 활용 DL 서비스 환경 구축 및 정형 데이터 분석

 Docker Compose 를 활용한 Deep Learning 개발 및 서비스 환경 구축을 통해 Python 기반으로 데이터를 수집, 전처리, 저장하고 모델을 생성하여 서비스하기 위한 전체적인 파이프라인을 구축 할 수 있도록 한다. 또한 정형데이터 분석을 통해 좋은 모델을 만들기 위한 Insight 와 최근 Kaggle 등에서 Hot 한 ML 알고리즘인 Bagging, Xgboost 를 활용한 정형데이터 모델링과 딥러닝 (Wide & Deep) 을 활용한 모델링을 소개하고 비교할 수 있도록 한다.

	백지현 intwis100@gmail.com

(3) 실무에서 만나는 이미지 DL 분석을 위한 접근방법

 실제 업무에서 만나는 이미지 데이터는 우리가 예제로 많이 알고 있는 Mnist, Cifar 등을 분석할때와는 많은 차이가 있다. 생각처럼 좋은 모델이 나오지 않는 경우가 대부분일 것이다. 실제 이미지를 LMDB나 HDF5 같은 포맷으로 변환하여 저장하고 각종 Augmentation 기법을 사용하여 데이터를 보충하고 Object Detection, Denosing Auto Encoder 등을 활용하여 이미지를 정재하고 최적의 모델을 만드는 일련의 과정을 설명

	김영재 youngjaekim0129@gmail.com

(4) NLP 프로세스와 Deep Learning 적용

 자연어처리를 위해 우리가 해결해야 할 문제는 간단한 스팸분석부터 Sematic Search 와 같이 사람의 말을 의미적으로 이해해야하는 문제까지 다양하다. 여기서는 우리가 자연어분석하는 정석적인 프로세스에 대해서 이야기하고자 한다. 일반적으로 우리가 자연어를 분석할때는 Speech Recognition > Lexicical Analysis > Syntatic Analysis > Semantic Analysis > Discourse Analysis 의 단계로 분석이 이루어지게 되며각각의 Step 에서 또다시 다양한 문제와 해결 방법들을 제시하고 있는데 가장 핵심적인 방법들을 위주로 각각의 STEP 이 왜 중요하고 어떤 어려움이 있으며 DL 을 활용하여 어떻게 접근하는지 설명하고자 한다.

	김승우 tmddno1@gmail.com

(5) NLP 를 활용한 ChatBot 및 Ontology 실무적용

 NLP 자연어 처리 프로세스를 통해 기계가 이해할 수 있도록 사람의 언어를 분석하고 이것을 서비스 아키택쳐 측면에서 어떻게 응용하고 서비스에 접목하여 응용할 수 있는지
다양한 Step by Step 소스코드와 Docker Compose 환경 (Django, Celery, Neo4j) 등 다양한 실제 서비스에 활용되는 기술들을 활용하여 간단한 데이터 수집(Information Extraction) 부터 Frame Based Chat Bot 예제까지 직접 개발하고 설명한다.

	김수상 healess@naver.com

실습 소스코드