Family Service
goormEDU
Sign InSign Up
All Lectures
RouteNoticeQ&A

차근차근 PyTorch & TorchVision - MLOps를 위한 모델 실험 추적 & 모델 웹앱 배포까지

Lecture Introduction
Difficulty
Normal
Category
Programming - AI
Tag
데이터 분석, 딥러닝, 머신러닝, 빅데이터, 인공지능, 자동화, 장고, 텐서플로우, 통계, 파이썬
time taken
24 hours
Target Audience
- PyTorch를 활용한 딥러닝 예측모델 구현을 기초부터 활용까지 탄탄하게 배우고 싶은 분
- 성능이 뛰어난 예측 모델을 활용하여 실시간 Computer vision 인공지능 서비스를 만들고 싶은 분
- 이미지 데이터를 대상으로 한 Computer vision 분야의 최신 분류 모델들을 빠르게 활용하고 싶은 분
- 여러 예측 모델들을 한 번에 학습시키고 그 결과를 한 눈에 확인하는 ML Ops의 실험 관리 기법을 학습하고 싶은 분



🧠

차근차근 PyTorch & TorchVision
#MLOps를 위한 모델 실험 추적 & 모델 웹앱 배포까지

🎁



💡 언젠가 배워야겠다고 계속 미뤄두었던 파이썬, 어디서부터 어떻게 학습을 시작해야 할지 길을 찾아 헤매셨다면 바로 여기서 시작해보세요!

💡 삼성전자 삼성리서치, 페이스북 이노베이션랩, 멀티캠퍼스 & 패스트캠퍼스, 서울대학교 등 5,000명이 넘는 수강생을 대상으로 검증을 마친 강의를 한 곳에 모았습니다!

💡 파이썬의 기본 문법부터 웹 스크레이핑, 데이터 분석 & 시각화, 머신러닝 & 딥러닝, 웹 프로그래밍, 업무 자동화까지, 170시간이 넘는 강의를 통해 차근차근 꼼꼼하게, 그러나 가장 쉽게 정복해보세요!





📖
차근차근 PyTorch & TorchVision 은?

인공 지능 프로그래밍에 대한 중급 수준의 과정으로
이론, 실습, 동영상 강의로 구성되어 코딩 초보자도 무리 없이 완주하실 수 있습니다.


🎓
과정 소개



📖

Chapter 5 : 차근차근 PyTorch & TorchVision - MLOps를 위한 모델 실험 추적 & 모델 웹앱 배포까지 PART 8-1 | PyTorch를 활용한 딥러닝 실습 (5시간+) PART 8-2 | TorchVision 기반 CNN & Transfer learning 실습 (8시간+) PART 8-3 | PyTorch기반 머신러닝 실험 추적 & 모델 성능 비교 (8시간+) PART 8-4 | Gradio & Hugging-Face를 활용한 인공지능 모델 배포 (3시간+)



파이썬 A-Z 올인원 시리즈의 마지막 다섯번째 챕터, [ Chapter 5 : 차근차근 PyTorch & TorchVision ]은 크게 4가지 파트로 구성되어 있습니다. (25시간 이상의 콘텐츠) 💡 PyTorch에 목마른 분들을 위해 준비한 다섯번째 챕터! 그 첫번째 파트인 Part 8-1에서는 PyTorch를 자유자재로 다루기 위한 필수적인 부품들에 대하여 학습합니다. PyTorch를 활용한 예측모델 구현 프로세스를 처음부터 끝까지 차근차근 익혀가며 PyTorch와 Tensorflow의 차이점을 이해하고, 그 중심에 놓인 딥러닝의 핵심 개념들이 어떻게 PyTorch 코드로 구현되는지 함께 공부해보아요! 💡 Part 8-2에서는 이미지 데이터를 대상으로 포커스가 맞춰진 PyTorch의 Computer vision 관련 도구, TorchVision을 꼼꼼하게 실습으로 배워봅니다! 다루기가 까다롭기로 유명한 DataLoader를 반복적으로 활용해가며 친숙도를 높이고, 부족한 이미지 데이터를 훨씬 더 많은 데이터로 늘려내는 기법인 Data-Augmentation (데이터 증강) 기법을 직접 코드로 적용합니다. 나아가 단순히 프로그래머가 직접 이미지를 변형하는 수준을 뛰어넘어
자동으로 변형을 가해주는 Data-Augmentation 기법인 Trivial-Augment까지 활용해볼게요! 더불어 보다 큰 규모의 딥러닝 프로젝트를 위해 Jupyter로 만든 코드들을 모듈화하는 과정도 익혀보고, 이미 학습이 완료된 좋은 성능의 딥러닝 모델들을 가져와 활용하는 Transfer learning (전이학습)까지 함께 공부해보겠습니다! 💡 예측 모델들을 여러 버전으로 만들어 한 번에 실험을 돌리고, 그 결과를 한 눈에 확인할 수 있다면 정말 편하겠죠? Part 8-3에서는 이러한 자동화된 실험 진행 프로세스를 구현하고 하나의 코드로 모든 실험들의 결과를 추적해봅니다! EfficientNet부터 ConvNeXt를 지나 Vision Transformer까지, 성능이 뛰어나기로 유명한 Computer vision 분야의 딥러닝 모델들을 다양하게 구현하고 데이터의 규모까지 다르게 하여 여러 실험들을 한번에 돌려보도록 하겠습니다. 실험들의 결과를 한 눈에 확인한 다음, 가장 좋은 결과를 보인 실험에서 최적의 조합을 찾아내보아요! 💡 다섯번째 챕터의 마지막 파트인 Part 8-4에서는 앞선 파트에서 찾아낸 최적의 조합을 따라 예측 모델을 만들고, Gradio라는 이름의 새로운 도구를 활용해 이 예측 모델을 실시간 서비스로 만들어보겠습니다! 쇼핑몰, 데이터 대시보드, 포트폴리오 웹사이트 등 다양한 용도의 웹서비스를 만들어내기 위해 활용되는 장고(Django)와 달리 Gradio는 인공지능 예측모델을 활용한 서비스를 구현하는 것에 포커스가 맞춰진 특화된 도구입니다. 실시간 서비스를 만드는 과정에서 실험 관리 도구로 아주 유명한 ML-Ops tool인 Weights & Biases도 함께 다뤄보고, 구현해낸 실시간 서비스를 누구나 활용할 수 있도록 Hugging-Face를 통해 온라인 상에 배포하는 과정까지 함께 도전해보아요!







🧑‍🏫
강사소개

조대연 강사
5,000명이 넘는 수강생들을 8,000시간 가까이 가르쳐 왔습니다.
차곡차곡 쌓인 노하우를 한 곳에 모아 프로그래밍의 P도 모르지만 파이썬도 배우고 싶고
머신러닝 & 딥러닝도 배워보고 싶은 분들을 위한 수업을 만들었습니다!
머신러닝과 딥러닝의 이해를 위한 가장 중심이 되는 개념들을 누구보다 쉽게 가르쳐드리고,
함께 단계별로 진행하는 실습과 방대한 추가 학습 자료들을 통해 강의 종료 후 스스로 학습해나가실 수 있도록 방향을 잡아드립니다 :)

비전공자 출신으로 프로그래밍을 처음 공부하는 입장에서 겪는 어려움을 잘 알고 있습니다.
문과생 & 인문학도의 자세로 세심하고 디테일하게, 무엇을 왜, 그리고 어떻게 배워야 하는지
가장 쉽고 직관적으로 이해할 수 있도록 차근차근 가르쳐드리겠습니다!


📚
강사 약력

✔삼성전자 삼성리서치 현직 엔지니어 대상 머신러닝 & 딥러닝 강의 (1,000명+)
✔고용노동부 K-Digital Training 인공지능 통합과정 1기~5기 교육
✔각종 기업 교육 진행 (KBS, KT DS, 페이스북 이노베이션랩, 솔트룩스, 패스트캠퍼스, 멀티캠퍼스, 멋쟁이사자처럼 등)
✔각종 대학 교육 진행 (서울대, 경희대, 연세대, 중앙대, 건국대, 가톨릭대, 서울예술대, 고려사이버대, 세종사이버대 등)
✔각종 기관 교육 진행 (서울산업진흥원, 한국콘텐츠진흥원, 한국인터넷진흥원, 한국정보화진흥원, 서울주택도시공사, 경찰청, 경기도 등)
✔(재)이노베이션아카데미 소프트웨어개발자 현업 멘토단 (42Seoul)
✔한국과학기술기획평가원 미래유망기술 후보 발굴 및 기술 분석단 (AutoML & Explainable AI)
✔서울대학교 영상의학과 연구원
✔오피스비긴 대표
✔서울대학교 경영학 전공



😍
강의 후기

✔ 알찬 내용에 감동, 눈높이에 맞춘 강의 과정도 만족
✔ 입사 이후 받았던 수많은 교육들 중 손꼽을 정도로 만족합니다.
✔ 식을 순차적으로 해석하며 이해를 높여주는 수업이라 좋습니다
✔ 강사님께서 입문자의 입장에서, 그리고 현재 수강생의 수준을 잘 파악하고 계신 것 같다는 생각이 들었습니다. 강의 내용도 잘 이해되어서 좋았습니다.
✔ 지금까지 강사님 중 가장 좋았습니다. 저희 수업 진도가 어디까지 나가있는지, 어느수준까지 배웠는지를 미리 파악해 오셔서 거기에 맞춘 수업을 진행해주셔서 진짜 알차게 시간 보낸 것 같습니다.
✔ 쉽게 설명을 잘 해주셔서 이해가 잘 되고 앞으로의 전망에 대해서도 추가적으로 말씀해주셔서 시야를 넓히면서 학습할 수 있어서 좋습니다
✔ 역대 강사님 중 최고.
✔ 딥러닝의 낯섦과 어려움의 콜라보 속에서도 한걸음 한걸음 나아갈 수 있게 이끌어 주셔서 만족스러운 강의였습니다. 엄선한 부가 공부 거리도 촤르륵 펼쳐주고 가신 점도 좋았습니다.
✔ 엄청 열정적으로 알아듣기 쉽게 강의해주셔서 감사드린다고 전해주세요.
✔ 교육 내용도 너무 이론적이지도 않고 너무 실무적이지도 않는 딱 균형잡힌 교육이었던것 같습니다.
✔ 복잡한 수식/알고리즘에 대한 완벽한 설명보다는 동작 방식에 대한 인사이트를 주는 방식의 설명을 해주어서 도움이 많이 된 수업같습니다.
✔ 실제로 적용 가능한 수준에서 다양한 실습을 통한 설명으로 쉽게 접근하고 이해하기에 좋았던 것 같습니다.
✔ 어렴풋이 알고 있던 내용에 대해서 조금 더 명확하게 이해할 수 있게 되었고, 전반적인 연구 동향 파악 및 심화 학습을 위한 자료들을 얻게 된 것 같습니다.
✔ 어려운 내용을 파고들기보다는 교육이 끝나고 나중에 필요할 때 혼자 보면서 실습해볼 만한 자료와 그에 대한 설명을 잘해주신 부분이 만족스럽습니다.




Curriculum
Expand All
  • 01
    Part 8-1
    • 1-1. Tensor + Numpy + GPU 1 - PyTorch의 Tensor 데이터타입
    1-2. Tensor + Numpy + GPU 2 - numpy() & from_numpy()
    2-1. LinearRegression 1 - nn.Module & nn.Parameter
    2-2. LinearRegression 2 - PyTorch model-training process & Saving+Loading model params
    3-1. Binaray Classification 1 - nn.Sequential & nn.Sigmoid
    3-2. Binary Classification 2 - nn.Sequential & nn.BCEWithLogitsLoss
    4-1. Multi-class Classification 1 - nn.CrossEntropyLoss
    4-2. Multi-class Classification 2 - TorchMetrics & Non-linearity
    5-1. Classification & Regression 요약 1 - Classification (Titanic)
    5-2. Classification & Regression 요약 2 - Regression(Boston house price)
  • 02
    Part 8-2
    • 6-1. TorchVision & DataLoader 1 - Fashion-MNIST & DataLoader
    6-2. TorchVision & DataLoader 2 - nn.Flatten & DataLoader for mini-batch
    6-3. TorchVision & DataLoader 3 - nn.Conv2d & nn.MaxPool2d
    6-4. TorchVision & DataLoader 4 - 모델 성능비교 & 예측결과 시각화
    7-1. CNN with ImageFolder & DataLoader 1 - ImageFolder 활용법
    7-2. CNN with ImageFolder & DataLoader 2 - CNN without data-augmentation
    7-3. CNN with ImageFolder & DataLoader 3 - TrivialAugment
    7-4. CNN with ImageFolder & DataLoader 4 - CNN with data-augmentation
    8. Converting source code to modules
    9-1. Transfer-learning 1 - Introduction to torchvision.models
    9-2. Transfer-learning 2 - Loading the pre-trained weights
    9-3. Transfer-learning 3 - Loading the pre-trained model
  • 03
    Part 8-3
    • 10-1. Tracking multiple experiments 1 - Introduction to Tensorboard
    10-2. Tracking multiple experiments 2 - Tensorboard for EfficientNet
    10-3. Tracking multiple experiments 3 - Prepare the multiple experiments
    10-4. Tracking multiple experiments 4 - Run the experiments & Compare the results
    11-1. (Adv) Tracking multiple experiments 1 - EfficientNet_B2 & ConvNeXt_Tiny
    11-2. (Adv) Tracking multiple experiments 2 - Run the multiple experiments
    11-3. (Adv) Tracking multiple experiments 3 - Compare the results & Predict on samples
    11-4. (Adv) Tracking multiple experiments 4 - torch.utils.data.Subset
    11-5. (Adv) Tracking multiple experiments 5 - Use the full-dataset to get 99% accuracy
    12-1. Compare the model performance 1 - Introduction to Vision Transformer
    12-2. Compare the model performance 2 - Train a ViT model on the full-dataset
    12-3. Compare the model performance 3 - Model size & Inference speed
  • 04
    Part 8-4
    • 13-1. Model deployment 1 - Prepare the dataset with random_split
    13-2. Model deployment 2 - Introduction to Gradio
    13-3. Model deployment 3 - Check the trained model + Weights & Biases
    13-4. Model deployment 4 - Create a Gradio app with PyTorch model
    13-5. Model deployment 5 - Deploy the Gradio app with Hugging-Face Spaces
Recent Update|2023. 02. 16
Instructor Introduction
구름Captain
인스타그램페이스북유튜브홈페이지
구름은 '모두가 개발자가 된다'라는 비전으로 언제 어디서나 AI∙SW 개발을 배우고, 원하는 결과물을 구현할 수 있도록 '개발자 성장 중심'의 생태계를 만들어 나가고 있습니다. - 누구에게나 열린 기회를 제공하고 - 입문자의 진입장벽을 낮추며 - 상생하는 생태계를 만들어갑니다.
Lecture Reviews
￦
249,000
Average Rating
0.0
Difficulty
Normal
Lecture Period
Unlimited
time taken
24 hours