NVIDIA Deep Learning Institute는 개발자, 데이터 사이언시스트, 그리고 엔지니어들을 위한 핸즈온 방식의 교육 프로그램입니다. 자율 주행 자동차, 헬스케어, 온라인 서비스, 그리고 로보틱스에 이르기까지 딥 러닝 기술이 필요한 다양한 분야에서 어떻게 딥 뉴럴 네트워크를 어떻게 설계하고 훈련하며 배포하는지에 대한 최신 기술 강의를 들으실 수 있습니다.
이번 2월 세션은 고급 과정이 포함되어 있기 때문에 교육을 듣기 전에 온라인으로 진행되는 초급 과정을 먼저 들으시고 신청하시길 부탁드립니다. 이번 DLI 과정의 자세한 아젠다는 아래에서 확인하실 수 있습니다.
지금 바로 NVIDIA DEEP LEARNING INSTITUTE 에 등록하시고 가장 최신의 딥 러닝 기술을 배워가시기 바랍니다.
본 핸즈온 세션 참여를 위해서는 본인의 노트북(Windows, Mac, Linux/Wifi/크롬 브라우저)을 소지하고 오셔야 하며, 사전 세팅 사항 완료 및 및 온라인 기본 교육을 사전에 수강하고 오셔야합니다.
사전 세팅 사항
사전 온라인 기본 교육
NVIDIA 세미나룸
서울 삼성동 무역센터 17층
2018년 2월 28일(수)
#1. 데이터 사이언티스트(Data Scientists)
각 분야의 데이터 수집 및 분석을 담당하는 전문가로 통계 분석 등 머신 러닝 이외의 방법으로 모델을 개발하는데 익숙했지만 이제 정확한 예측을 위해 딥 뉴럴 네트워크를 활용할 가능성이 높으며 데이터 엔지니어와의 협력을 통해 데이터를 수집 및 증가시키고, 프레임워크 작업을 위해 일반 지원 개발자와 협력하기도 합니다.
#2. 소프트웨어 개발자(Software Developers)
데이터 엔지니어(Data Engineers) – 데이터 사이언티스트가 자신의 전문 지식을 딥 러닝에 적용하는데 도움을 제공하며 트레이닝용 데이터의 수집 및 준비에 초점을 두고 있습니다. 일반 기술 지원 (General Support) – 훈련된 뉴럴 네트워크를 개발하는 작업 특유의 반복적 특성을 지원하며 코드 작성(대체로 Python)을 통해 데이터 사이언티스트가 생성하고자 하는 모델의 개발을 지원합니다. 애플리케이션 엔지니어(Application Engineer) – 학습된 뉴럴 네트워크를 프로덕션 환경에 구현하는 작업을 담당합니다. 네트워크 자체의 작동 방식을 이해할 필요는 없으나 입력값과 결과값이 무엇인지는 알아야 합니다. 대체로 최종 제품 내 추론을 최적화하는 작업을 담당하면서 시스템 아키텍트, 데이터 엔지니어 및 데이터 사이언티스트와의 협력을 통해 새로운 데이터 샘플을 캡처, 그리고 파이프라인의 시작 단계로 제공하는 작업을 담당할 수 있습니다.
#3. 시스템 아키텍트(System Architect) 전체 파이프라인의 설계 및 구현과 함께 다른 직무들과의 긴밀한 협력을 통해 학습 및 추론 시스템을 거쳐 데이터와 모델을 전송하는 과정을 지원합니다. 학습 플랫폼의 설정 및 유지 보수, 프레임 워크 등의 설치 작업 등을 담당하기도 합니다.
Deep learning enables entirely new solutions by replacing hand-coded instructions with models learned from examples. Train a deep neural network to recognize handwritten digits by:
Caffe Model Zoo에서 제공하는 기 학습된 모델과 파라미터를 학습에 이용하는 방법을 살펴본다. 특히, 이미지 분류문제(Classification)의 모델을 물체 인식(Object Detection)이나 이미지 분할 문제(Segmentation)문제로 적용하려면, 모델 변경이 필요하다. 이러한 변경된 모델에서 Prototxt 파일 변경을 통해 기존에 학습된 파라미터를 이용하여 새로운 모델에 transfer learning을 적용할 수 있다.
During this DLI lab, we turn MobileNet – originally an adjustable classification network topology – into a Fully Convolutional Network that will be trained on CamVid for several epochs – a convenient Semantic Segmentation dataset. Keeping in mind a computational budget (e.g., 30% of DRIVE PX 2's integrated GPU) and a specific use case (e.g., running inference at 30 fps for two cameras in parallel), several design choices can already be made before starting the training phase. The expected outcome of this session is a trained neural network whose architecture has been adjusted through guided choices taken by the participants. Prerequisites: Basic Python and Linux knowledge, hands-on experience with common CNN topologies.