당신은 주제를 찾고 있습니까 “딥 러닝 공부 순서 – [딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리“? 다음 카테고리의 웹사이트 https://you.charoenmotorcycles.com 에서 귀하의 모든 질문에 답변해 드립니다: https://you.charoenmotorcycles.com/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 동빈나 이(가) 작성한 기사에는 조회수 27,466회 및 좋아요 1,010개 개의 좋아요가 있습니다.
- 소개 0:00.
- 중학교 수학(함수, 다항식, 도형 등) 0:38.
- 영어(중고등학교 수준) 1:17.
- 파이썬(Python) 기초 1:41.
- 알고리즘 기초 …
- 고등학교 수학(행렬, 확률, 미분 기초) …
- 컴퓨터 공학 기초(운영체제, 아키텍처 등) …
- 데이터 분석(Numpy, Pandas 등)
딥 러닝 공부 순서 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 [딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리 – 딥 러닝 공부 순서 주제에 대한 세부정보를 참조하세요
#딥러닝, #공부순서
00:00:00 소개
00:00:38 중학교 수학(함수, 다항식, 도형 등)
00:01:17 영어(중고등학교 수준)
00:01:41 파이썬(Python) 기초
00:02:05 알고리즘 기초
00:02:46 고등학교 수학(행렬, 확률, 미분 기초)
00:03:30 컴퓨터 공학 기초(운영체제, 아키텍처 등)
00:03:57 데이터 분석(Numpy, Pandas 등)
00:04:14 데이터 수집(웹 크롤링)
00:04:40 데이터 시각화(Matplotlib)
00:05:08 딥러닝 기초(회귀, CNN 등)
00:05:23 학술 영어(Academic English)
00:05:58 선형대수학(Linear Algebra)
00:06:28 미적분 및 확률/통계
00:06:53 기계 학습(SVM, SVD, PCA 등)
00:07:13 컴퓨터 비전(Object Detection, GAN 등)
00:07:37 자연어처리(Transformer 등)
00:08:04 세부 딥러닝 분야 결정
00:08:28 학회 논문 읽기(NIPS, CVPR 등)
00:08:39 최신 논문 구현/개선해보기
00:08:44 취업(기업/학계 진출)
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
나동빈 인스타그램: https://www.instagram.com/dongbin_na/
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
Music: Inspire by Wavecont
https://bit.ly/3qL5YrA
Video Link: https://youtu.be/jtSf2AXYefg
▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬
딥 러닝 공부 순서 주제에 대한 자세한 내용은 여기를 참조하세요.
머신러닝 공부 순서, 방법 및 강의 정리 – 곰씨네 IT 블로그
이 역시 코세라 강의이다. 다음으로 최근 머신러닝의 대세가 된 알고리즘인 인공신경망(Neural Network) & 딥러닝(Deep Learning) 공부를 했다.
Source: gomcine.tistory.com
Date Published: 8/6/2021
View: 3418
AI와 머신러닝 공부순서 (+ 로드맵) – B.Iog
AI와 머신러닝을 공부하기 위해서는 크게 머신러닝, 수학, 프로그래밍 3가지 분야를 집중적으로 공부해야 한다. 공부 순서는 머신러닝과 수학을 먼저 …
Source: wkdus0608.tistory.com
Date Published: 10/8/2021
View: 4114
딥러닝(Deep Learning) 공부방법(VoyagerX 남세동 대표)
후배님으로부터 딥러닝 공부 방법을 추천해 달라는 부탁을 받고 정리해 본 내용을 페북에도 공유 합니다. 공부하는 시간 순으로 정리 하였습니다. 0.
Source: ccibomb.tistory.com
Date Published: 8/13/2021
View: 2016
쌩판 노베이스 비전공자를 위한 딥러닝 공부 순서
저는 컴공아닌 공대생이었구요, 공대 필수로 듣는 C와 python, 그리고 선형대수학을 비롯한 수학과목들을 수강했었습니다. 지금은 대학원에서 딥러닝 …
Source: oculus.tistory.com
Date Published: 11/24/2022
View: 9524
pytorch와 함께하는 딥러닝 공부 방법, 길라잡이 – 아롱이 탐험대
딥러닝 공부를 시작하기 전 반드시 필요한 준비물이 있습니다. 바로 코딩 능력, 수학 이해도, gpu입니다. 코딩 능력. 우선 python만 공부하시면 됩니다.
Source: ys-cs17.tistory.com
Date Published: 3/26/2022
View: 1718
딥러닝 공부순서 추천 – 프라이데이
딥러닝 공부순서 추천 · 1) 자주나오는 알고리즘, gradient descent, linear regression, MLPs 등..을 이해하는 것 · 2) 수학적 notation들을 배우고 이해 …
Source: ganghee-lee.tistory.com
Date Published: 6/21/2022
View: 3247
데이터 분석/인공지능을 공부하려는 분들께 경험을 토대로 학습 …
혼자 데이터분석/머신러닝/딥러닝에 입문하시는 분들은 Machine … 지능 을 공부해보고 싶으신 분들께 저의 직접 경험을 토대로 정리한 학습 순서와 …
Source: teddylee777.github.io
Date Published: 12/18/2022
View: 5161
영상처리 및 기초 딥러닝 공부 방법 및 과정(개인적인 생각)
필자가 딥러닝부터 시작해서 영상처리를 공부하기까지의 공부방법을 소개하려고한다(광고x, 초급자 기준). 파이썬 및 C, C++.
Source: codingpackage.tistory.com
Date Published: 9/24/2021
View: 2307
빅데이터/인공지능 공부 뭐부터 시작해야 해? – 브런치
프로그래밍 > 머신러닝, 통계학 > 딥러닝, 수학의 순서로 공부하는 것을 추천합니다. 사실 어떤 것을 공부하고 그 순서는 어떻게 해야 할지에 대해 …
Source: brunch.co.kr
Date Published: 4/28/2022
View: 7207
주제와 관련된 이미지 딥 러닝 공부 순서
주제와 관련된 더 많은 사진을 참조하십시오 [딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
![[딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리](https://i.ytimg.com/vi/cBVTFYVGE2M/maxresdefault.jpg)
주제에 대한 기사 평가 딥 러닝 공부 순서
- Author: 동빈나
- Views: 조회수 27,466회
- Likes: 좋아요 1,010개
- Date Published: 2022. 6. 3.
- Video Url link: https://www.youtube.com/watch?v=cBVTFYVGE2M
머신러닝 공부 순서, 방법 및 강의 정리
이번 포스팅에서는 작년부터 머신러닝 공부를 시작하면서 들었던 강의와 머신러닝 공부 방법에 대해서 정리해보려고 한다. 필자도 아직 머신러닝을 마스터하려면 갈 길이 멀었지만, 그간 공부했던 경험을 토대로 머신러닝 입문자들에게 조금이나마 도움이 됐으면 하는 마음으로 적어봤다.
※ 주의 : 이 글은 이제 막 머신러닝을 공부하려는 입문자를 위한 글입니다. 이미 머신러닝을 많이 공부하신 분들에게는 별로 도움이 되지 않을 것입니다.
우선 필자에 대해 간략하게 소개하자면, 한국에서 자바 개발자로 시작해 이 후 여러 모바일 웹앱 프로젝트를 하면서 프론트엔드 개발자로 커리어를 바꾼 9년 차 개발자이다. 어쩌다 지금은 미국으로 건너와 1인 개발자로 일하고 있다. 필자가 미국으로 건너 오게 된 이야기는 부끄럽지만 나의 퇴사 이야기라는 글에 남겨보았다.
0. 머신러닝을 공부한 계기
어쨌든 그렇게 자바 -> 안드로이드 -> 자바스크립트로 영역을 바꿔왔는데 작년에 진행했던 React 프로젝트에서 또다시 팔랑귀가 작동했다. 같이 일하는 분이 틈틈이 머신러닝 공부하는 것을 보고 의욕이 불타올랐던 것이다.
필자는 바람이 조금만 불어도 쉽게 팔락거리는 팔랑귀를 가지고 있어서 그런지 주위에서 뭐가 유행이더라 하면 궁금해서 못 참는 성격이다. 게다가 이세돌 알파고 이 후 조금씩 커져 왔던 머신러닝에 대한 순수한 호기심도 한 몫 했다.
프론트엔드 개발도 아직 공부할 것이 많고 처리해야 할 프로젝트도 많은데 당장 돈이 되지 않는 머신러닝에 시간을 투자하다니.. 스스로 자책을 하면서도 “이것도 미래를 위한 투자다!” 라는 자기합리화로 지금까지 오게 되었다. 하아..
1. 앤드류 응(Andrew Ng) 머신러닝 강좌
머신러닝 공부를 시작하기 위해 구글 검색을 해보면 열이면 아홉은 Andrew Ng 교수의 머신러닝 강좌부터 볼 것을 추천하고 있다. 앤드류 응 교수는 구글 브래인팀을 이끌었던 세계적인 AI 권위자로 스탠포드 대학 교수이자 코세라 창립자이다.
참고로 코세라 강의는 월 $45를 결제하면 Specializations에 있는 모든 과목을 무제한을 들을 수 있는데, 유명한 머신러닝 강의는 대부분 코세라에 있다. 가입 후 7일 동안은 무료 라서 일단 가입했다.
앤드류 응 교수의 강의는 머신러닝 기본 강의라고 보면 될 것 같다. 수업은 원하는 때에 들을 수 있었고, 다만 숙제가 있다. 숙제는 Octave(옥타브)라는 스크립트 언어로 나왔다. 개인적으로 이 강의를 보고 난 후 파이썬을 공부했는데, 파이썬을 이미 공부한 사람들은 강의 숙제를 할 때 GitHub에 파이썬 코드로 재작성된 자료를 참고하면 될 것이다.
2. 파이썬(Python) 공부
어떤 머신러닝 전문가는 머신러닝을 배울 때 코딩부터 배우지 말라고 한다. 그런데 필자는 앤드류 응 교수의 머신러닝 수업을 대강 마무리 하고 바로 파이썬 문법을 공부했다. 삽질부터 해보는 개발자여서 그런지 이론보다는 코드에 먼저 눈이 갔던 것 같다.
파이썬은 머신러닝에 즐겨 쓰이는 프로그래밍 언어이다. R이나 Matlab 같은 것도 있는데 머신러닝 언어 중 대세는 파이썬이라고 한다.
필자는 파이썬 공부를 하기 위해 파이썬 공식 사이트로 가서 문서들을 한 번 쭉 훑어보고 유데미(Udemy)에서 제일 짧은 강의부터 찾았다. 강의 이름은 처음 시작하는 파이썬이라는 강좌였는데 파이썬 문법 부분만 빠르게 넘겨 보았다. 여러가지 프로그래밍 언어를 다뤄봐서 그런지 몇몇 파이썬 만의 독특한 문법들 빼고는 크게 어렵지는 않았다. 개인적으로 파이썬 문법 공부는 하루면 충분했던 것 같다.
만약 이미 코세라를 구독하고 있고 프로그래밍이 처음이거나 파이썬을 기초부터 제대로 배우고 싶다면 Python 3 Programming 강의를 추천한다.
3. 그래프 모형, 인공신경망 강의
머신러닝을 공부할 때는 머신러닝 개론 -> 그래프 모형 -> 인공신경망 순으로 공부하면 된다고 한다. 그래프 모형(Graphical Model)이란 머신러닝의 근간을 이루는 모델로 변수간 상호 의존 관계를 설명한다.
그래프 모형에 대한 강의는 Daphne Koller 교수의 Probabilistic Graphical Models 강의가 가장 유명하다. 이 역시 코세라 강의이다.
다음으로 최근 머신러닝의 대세가 된 알고리즘인 인공신경망(Neural Network) & 딥러닝(Deep Learning) 공부를 했다. AI, 머신러닝, 인공신경망, 딥러닝 개념이 어렵다면 아래 그림과 같은 관계라고 보면 된다.
AI(Artificial Intelligence)란 인간의 지능을 기계로 만든 것을 의미하며, 그 구체적인 방법 중 하나가 머신러닝(Machine Learning)인 것이다. 그리고 머신러닝을 구현하는 알고리즘 중의 하나가 인공신경망(Neural Network)과 딥러닝(Deep Learning)인 것이다.
딥러닝은 인공신경망에서 발전된 형태로 심화신경망 또는 개선된 인공신경망 등으로 불리기도 한다.
인공신경망 강의 역시 앤드류 응 교수의 코세라 강의인 Neural Networks and Deep Learning 강의를 들었다. 참고로 아직 보지는 않았지만 인공신경망 쪽에서 휴고 라로첼(Hugo Larochelle)의 유튜브 강의도 괜찮다고 한다.
4. 머신러닝 실습 강의
코세라 강의를 들으면서 잘 이해되지 않은 부분도 있고, 영어로 수업이 진행되다 보니 놓치는 부분도 많았던 것 같다. 그래서 조금 더 쉽고 실용적인 강의가 없나 찾다가 추가로 유데미에 있는 머신러닝 강의를 들었다.
참고로 유데미 강의는 프로그래밍을 전혀 해보지 않은 사람은 다소 따라가기 어려워 보였다. 강의는 텐서플로우와 케라스를 통해 인공 신경망 개발 환경을 구축해보고 딥러닝을 통한 이미지, 데이터 분류 실습을 해본다.
또한 강화학습에 대한 내용과 Apache Sparks MLlib을 통한 대량 데이터 머신러닝 처리에 대한 내용도 배울 수 있었다.
5. 추가 학습
유데미 강의는 아직도 틈틈히 수강하고 있다. 그 와중에 다른 머신러닝/딥러닝 강의를 알아보다가 홍콩과기대 김성 교수님의 강의를 보게 되었다. 뭔가 이전에 배웠던 내용을 recap 하는 차원에서 보게 되었는데 머신러닝 이론에 대해 깔금하게 정리되어 있다. 머신러닝 공부를 시작하거나 공부 중이라면 참고하면 괜찮은 강의이지 않을까 싶다.
6. 머신러닝 공부에 도움 될 만한 URL 모음
머신러닝 공부에 도움 될 만한 사이트나 자료에 대한 URL은 이곳에 계속 업데이트할 예정이다.
– 딥러닝을 위한 기초 수학 : https://www.slideshare.net/theeluwin/ss-69596991
– 텐서플로우 연습 코드 모음 : https://github.com/golbin/TensorFlow-Tutorials
– 구글 딥러닝 강의 : https://www.udacity.com/course/deep-learning–ud730
– 머신러닝 오픈소스 튜토리얼 : https://scikit-learn.org/stable/tutorial/
– 옥스포드 머신러닝 수업자료 : https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/
– 머신러닝 용어집 : https://developers.google.com/machine-learning/glossary/?hl=ko
아리스토텔레스의 “시작이 반이다” 라는 명언이 있다. 그런데 영어 원문은 “Well begun, is half done.” 이다. 한국어로 번역되면서 Well의 의미가 삭제된 것 같다. 제대로 해석하면 “좋은”시작이 반을 차지한다는 것이지 무작정 시작만 하면 된다는 의미는 아니다.
머신러닝, 딥러닝 공부 역시 마찬가지인 것 같다. 제대로 된 강의와 가이드로 공부를 시작해야 한다. 그리고 그 첫 시작은 앤드류 응 교수의 coursera 강의라고 생각한다. 아직도 머신러닝 공부를 망설이고 있다면, 일단 코세라에 접속해서 무료 강의부터 들어보자.
AI와 머신러닝 공부순서 (+ 로드맵)
AI와 머신러닝을 공부하기 위해서는 크게 머신러닝, 수학, 프로그래밍 3가지 분야를 집중적으로 공부해야 한다. 공부 순서는 머신러닝과 수학을 먼저 집중적으로 공부하고 그 이후에 프로그래밍을 공부하는 방식으로 학습하면 될 것이다.
머신러닝
머신러닝 종류는 매우 다양하기 때문에 주로 사용되는 것을 위주로 공부하는 것을 추천한다. 인터넷에 머신러닝 관련 강의가 많기 때문에 관련 강의를 선택해서 들어도 되고 블로그나 유튜브를 잘 이용하면 인터넷에서도 질 좋은 내용을 쉽게 찾아볼 수 있다. 공부할 때는 알고리즘과 머신러닝의 특징을 파악하는 것에 초점을 맞춘다면 조금 더 수월하게 공부할 수 있을 것이다.
1. 가우시안 프로세스
가우시안 프로세스는 금융과 같은 분야에서 많이 사용되는 방법론이다.
2. K-최근접 이웃
K-최근접 이웃 알고리즘은 간단한 머신러닝 알고리즘 중 하나이다. 비슷한 데이터들끼리 같은 범주에 속하는 경향이 있다는 개념이다.
3. 서포트 벡터 머신(SVM)
SVM은 패턴 인식, 자료 분석을 효율적으로 하기 위한 모델이다. 분류와 회귀 분석을 위해 사용된다.
4. 인공 신경망
인공 신경망은 두뇌의 신경세포를 모방한 모델인데 인공지능이 문제를 해결하기 위해 사용되는 방식이다.
5. 트리
통계학과 데이터 마이닝, 기계 학습에서 사용하는 예측 모델링 방법 중 하나이다.
6. 클러스터 분석
주어진 데이터들의 특성을 고려해 데이터 집단(클러스터)을 정의하고 데이터 집단의 대표할 수 있는 대표점을 찾는 것으로 데이터 마이닝의 한 방법이다.
수학
5가지는 반드시 알고가자
1. 선형대수
선형대수학은 벡터 공간, 벡터, 선형 변환, 행렬, 연립 선형 방정식 등을 연구하는 대수학의 한 분야이다.
2. 확률
3. 미적분학
4. 통계
5. 최적화 이론
최적화는 특정의 집합 위에서 정의된 실수 값, 함수, 정수에 대해 그 값이 최대나 최소가 되는 상태를 해석하는 문제이다. 이건 목적에 따라서 해도 되고 안 해도 된다. 머신러닝의 구조, 알고리즘의 이해도를 높이고 싶다면 해야 하고 데이터 분석 쪽에 집중하고 싶다면 배우지 않아도 된다.
프로그래밍
AI도 결국에는 프로그래밍으로 구현이 되는 것이기 때문에 반드시 알아야 한다.
1. 파이썬/R
기본적으로 파이썬/R을 가장 많이 쓰기 때문에 파이썬/R은 반드시 배우자.
2. MySQL/MongoDB
AI, 머신러닝을 데이터베이스에 사용하기 위해서 배우는 것이라면 MySQL/MongoDB를 배우면 된다.
3. Hadoop
하나의 성능 좋은 컴퓨터를 이용하여 데이터를 처리하는 대신, 적당한 성능의 범용 컴퓨터 여러 대를 클러스터 화하고, 큰 크기의 데이터를 클러스터에서 병렬로 동시에 처리하여 처리 속도를 높이는 것을 목적으로 하는 분산처리를 위한 오픈소스 프레임워크라고 할 수 있습니다.
4. C/C++
임베디드 시스템을 공부하고 싶다면 C나 C++ 추천한다.
5. 파이 토치/텐서 플로우
인공신경망 구현을 위해서는 파이 토치나 텐서 플로우 이용하기 때문에 파이 토치/텐서 플로우도 반드시 배워야 한다.
AI 로드맵
반응형
반응형
* 출처 : https://www.facebook.com/dgtgrade/posts/1340177956041067
딥러닝(Deep Learning) 공부방법(VoyagerX 남세동 대표)
후배님으로부터 딥러닝 공부 방법을 추천해 달라는 부탁을 받고 정리해 본 내용을 페북에도 공유 합니다.
공부하는 시간 순으로 정리 하였습니다.
0.
스티브 워즈니악 옹은 “All my great stuff, I learned outside of school”이라 했다.
누가 가르쳐 주는 것을 그대로 배우는 것 보다, 스스로 여기저기 헤매 보면서 이것저것 생각 해 보고 만들어 보는 것이 가장 좋다고 생각한다. 나는 그렇게 헤매면서 여기까지 왔고, 앞으로도 열심히 즐겁게 헤매고 다닐것 같다.
하지만 헤매고 있을 시간이 없는 경우, 또는 헤매는 것이 즐겁지 않고 짜증만 나는 경우에는 먼저 간 사람이 찾아둔 길을 따라가는 것이 좋겠다. 내가 찾아둔 지름길을 공유 한다.
1.
가장 먼저 할 일은 코세라의 앤드류 응 교수님 강의를 듣는 것이다.
강의 동영상은 유튜브에도 모두 공개되어 있다. 하지만 꼭 코세라에서 들으면서 옥타브로 숙제를 해 봐야 한다. 무료로도 들을 수 있지만, 79달러를 내고 들으면 강의 내용이 머리 속에 더 잘 들어 오게 된다. 진짜다.
* 코세라의 앤드류 응 교수님의 머신러닝 강의: https://www.coursera.org/certificate/machine-learning
* 다른 스타일의 강의들 모음: https://www.facebook.com/dgtgrade/posts/1145680742157457
한국어 강의를 원하면 김성훈 교수님의 [모두를 위한 딥러닝] 강의를 들으면 된다.
* 모두를 위한 딥러닝: https://youtu.be/BS6O0zOGX4E…
혹시 그냥 엄청나게 쉬운 강의부터 시작하고 싶으면 휴먼러닝을 들으면 된다.
* 휴먼러닝: https://youtu.be/CRaKdnk2W9c…
2.
1번의 강의를 듣다 보면 금새 선형회귀와 신경망의 기초에 대해서 알게 된다. 이때 Universal Approximation Theorem에 대해서 공부한 뒤 간단한 신경망을 직접 Python+Numpy로 구현해 봐야 한다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/332680743739657
꼭 Python으로 해야 하는 건가? 아니다. 그럴리가 없지 않은가. 하지만 내가 추천하는 지름길은 Python이다. 그게 대세이기 때문이다. 대세가 꼭 나나 너에게 맞는 것은 아니지만 대세를 따르면 편하다. 이글은 어디까지나 지름길에 대한 글이지 나의 길이나 너의 길에 대한 글이 아니다. Python이 생소하더라도 괜찮다. Python은 초기 진입 장벽이 매우 낮은 언어이므로 겁먹을 필요 없다.
처음에는 Numpy의 신택스가 좀 어려워 보일 수 있는데 익숙해지고 나면 Numpy 없으면 못 살거 같은 느낌이 들 정도로 Numpy는 멋진 것이다.
Python+Numpy+기타 등등의 설치의 지름길은 Anaconda다. IDE는 나는 PyCharm을 사용하고 있다. 원래 vi를 사랑하고 (진짜로) 지금도 사랑하지만 PyCharm 써보고 나니 앞으로 적어도 Python 코딩은 vi에서는 못 할 것 같다.
개발 환경 준비에 대한 더 상세한 내용은 아래의 영상을 참고하면 된다.
* 머신러닝 개발환경 준비: https://youtu.be/pMkwjXFZdH4…
3.
신경망과 Python, 그리고 Numpy가 어느 정도 익숙해지고 나면 드디어 TensorFlow를 사용해 볼 때다.
마찬가지로 꼭 TensorFlow여야 하는가? 하는 질문이 있을 수 있다. 아니다. 하지만 TF가 대세다.
앞에서 지도학습 문제를 풀어봤으므로 이제는 비지도 학습 문제를 풀어볼 때가 되었다. 비지도 학습이란 것을 이해할 수 있는 가장 쉬운 방법은 Auto Encoder를 직접 만들어 보는 것이다.
그리고 데이터는 머신러닝의 헬로월드인 MNIST를 사용하면 된다. 즉, 목표는 MNIST AE를 만드는 것이다.
아직은 CNN에 대해서 모르므로 괜히 어렵게 CNN으로 하지 말고 FC로만 해도 된다. MNIST는 너무 쉬운 문제라서 FC로 해도 잘 된다.
TensorFlow가 너무 빨리 업그레이드 되고, 스펙도 많이 변하고 있어서, 겨우 몆주전에 올라온 글의 정보가 현재 상황과 맞지 않거나, 예제 코드가 지금은 잘 안 돌아가기도 하는데 그 점 주의해야 한다. 웹에서 구한 예제 코드가 바로 안 돌아간다고 겁먹을 필요 없다. 대부분 아주 살짝씩만 수정해 주면 돌아갈거다. 어떻게 수정할 지는 스택오버플로우가 알려줄거다.
그리고 윈도우에서도 TensorFlow 잘 돌아간다. GPU도 잘 이용할 수 있다.
더 심각하게 머신러닝을 열심히 잘 해 보려면 결국 리눅스로 가는게 이래저래 편하긴 하다. TF외의 라이브러리들이 윈도우에서 잘 안 되는 경우들이 간혹 있다. 하지만 일단 이 글에서 다루는 지름길의 범위 내에서는 그냥 윈도우에서 해도 문제 없다.
4.
여기까지 왔으면 딥러닝이 어떤 것인지 대강 감은 잡힌다. 이제부터 신나게 이것저것 공부하고 만들어 보고 하면 된다. 그런데 역시 시간을 아끼고 싶으면 추가로 아래글도 읽어 보고 길을 떠난다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1328790023846527
5.
이제부터는 훨씬 더 큰 규모의 신경망을 다뤄야 하고, 그러려면 ReLU와 친해져야 한다.
ReLU에 대해서 진지하게 고민해 볼 필요가 있다. ReLU가 왜 비선형인지? 뉴런에서 비선형 처리 부분이 없어지면 어떻게 되는 것인지? 왜 Sigmoid 보다 ReLU가 좋은 것인지? 등에 대해서 고민해 본다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1337481972977332
추가로 Bias가 없으면 어떻게 되는지 등 신경망 전체의 수학적 의미에 대해서 다각도로 고민해 본다.
Sigmoid, Tanh를 사용한 경우 괜히 어렵게 느껴지지만 ReLU를 사용한 경우 신경망 전체 계산에서 곱하기, 더하기, Max 밖에 없어서 어렵게 생각할 것 없다.
머리속에서만 고민해 보지 말고 코딩을 해 보면 좋다. 여기까지 왔으면 이런저런 실험 코딩은 어렵지 않을 거다.
6.
지금까지 해 본 것보다 훨신 큰 규모의 신경망을 학습 시키기 위해서는 GPU가 필요하다. CPU로 할때 보다 10배~50배 정도 빠르게 학습 시킬 수 있다. CPU로 하면 뭐 하나 돌려보고 드라마 하나 보고 자리에 돌아와 보면 에러 떠 있다. 같은 것을 GPU로 돌려 보면 차한잔 할 새도 없이 에러가 떠 있을 것다. CPU로 하면 돌려 놓고 다음 날 아침이 되어서야 결과를 볼 수 있는 경우가 꽤 있다. 죽는다. 답답해서.
GTX1080이 필요하다. (상세설명 생략하고) 대세다. 문제는 가격인데 대강 100만원 정도 한다. 그리고 1개 보다 2개가 좋다. 학습을 2배로 빨리 할 수 있기 때문만은 아니다. 1개 밖에 없는 경우에는 하나 학습 돌려 놓은 뒤로 추가로 개발 진행한 내용을 잠깐만 실험 삼아 돌려 보는 것을 할 수 없기 때문이다. 아주 할 수 없지는 않을 것 같은데 아무튼 쉽지 않다.
그런데 이 녀석을 2개나 꼽으려면 메인보드와 파워도 좋아야 한다. 그리고 GTX1080은 딥러닝 용으로만 사용하고 디스플레이 용으로는 메인보드의 내장 그래픽 카드를 사용하는 것이 여러모로 편하므로 내장 그래픽 카드도 쓸만해야 한다. 예를 들어 4K 모니터를 사용 중이라면 내장 그래픽카드가 4K를 지원해야 하겠다.
이렇게 해서 준비하면 본체에만 대략 총 300만원 정도의 투자가 필요하다. 학교나 회사 등의 조직에 속한 경우에는 조직장을 잘(…) 설득하여 구매하면 된다. 개인의 경우에는… 그렇다. 이런 투자를 쉽게 하기는 어려울 거다. 문제다.
조직이든 개인이든 당장 이 정도의 투자가 어려운 경우에는 AWS나 Google Cloud 등을 이용하는 것도 방법이겠다. 아무래도 개발은 로컬에서 하는 것이 편할테니 개발은 로컬에서 하고 CPU로만 돌려 본 후에 본격적인 학습은 클라우드에서 GPU로 돌리면 되겠다. 코드 변경은 필요 없고, 클라우드 사용료는 시간당 몇백원 수준이라고 한다.
나는 클라우드에서는 열심히 해 본 적이 없어서 더 상세한 안내는 못 한다.
7.
이제 드디어 개와 고양이를 분류해 볼 수 있는 때가 왔다. Convolutional Neural Network를 사용하면 된다.
CNN을 공부하고, CNN을 이용해서 무언가 재밌는 걸 만들어 본다. 이렇게 딥러닝이 핫하게 된 것도 CNN 때문이다. CNN으로는 많은 일을 해 볼 수 있다. 수백줄 정도의 TF 코드로만으로도 본인 스스로 놀랄만한 신기한 것들을 만들어 볼 수 있다. 매우 잘 만들면 세상 사람들도 놀래킬 수 있다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/341049512902780
용기 있는 사람들은 이쯤에서 GAN을 해 봐도 된다. GAN은 정말… 기발하고 기특한 녀석이다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/420422164965514
8.
그런데 막상 이렇게 큰 신경망을 다루려다 보면 이런 저런 이유로 잘 안 될거다. 그러면 이제 Batch Normalization을 적용해야 한다.
BN은 감동이다. 앞에서 얘기한 이런저런 문제들 중 기초적인 문제들을 한방에 해결해 준다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1337790532946476
9.
이제 강화학습을 공부해 볼 수 있다. 알파고는 바로 이 강화학습으로 만들어졌다. 강화학습은 OpenAI Gym에서 진행하는 것이 좋다.
이쯤 되면 더 이상 이런 단편적인 내용의 글이 필요할 것으로 생각하지 않는다.
10.
각자의 길을 간다.
다만 남들이 고민해 둔 거 그대로 공부만 하려 하지 말고, 또 공부 많이 한 다음 뭔가 만들어 보려 하지 말고, 간단한 뭔가라도 실제로 만들어 보면서 공부 하기를 추천한다.
물론 대부분의 경우 찾아보면 분명히 남들이 이미 더 잘 정리 하고 잘 만들어 둔 것이 있을 거다. 하지만 본인이 직접 만들어 보면서 1) 문제를 발견 하고 2) 해결책을 고민해 보고 하는 것이 남들이 정리해 둔 문제와 해답을 먼저 보는 것 보다 훨씬 공부가 많이 된다.
특히 답이 아니라 문제가 뭔지를 스스로 발견하는 과정은 매우 중요하다.
반응형
쌩판 노베이스 비전공자를 위한 딥러닝 공부 순서
반응형
저는 컴공아닌 공대생이었구요, 공대 필수로 듣는 C와 python, 그리고 선형대수학을 비롯한 수학과목들을 수강했었습니다. 지금은 대학원에서 딥러닝 관련 공부중에 있습니다. 저도 아직 계속해서 공부중이긴 하지만, 아예 쌩판 노베이스인 비전공자 분들을 위해서 조그만 로드맵? 정도를 제공해드리면 더 쉽게 시작하시지 않을까 하고 이 글을 적게 되었습니다. 물론 저보다 더 경험이 많으신 분들이라면 댓글로 좋은 공부 자료들 추가해주시면 너무너무 감사하겠습니다. 그럼 시작!
일단 인공지능을 시작해보고 싶은 비전공자분들께 준비물은 딱 하나라고 생각됩니다. 파이썬 하나만 하실 줄 아신다면 바로 시작하셔도 무방합니다. 고등학교까지 배웠던 수학에, 파이썬으로 자신이 원하는 코드를 구글링 해서 구현할 수 있다면 충분합니다. 파이썬을 한번도 다뤄본 적이 없다면 유튜브나 블로그나 강의자료는 넘치고 흐르는 정도이니 넉넉잡고 한달만 투자하시면 됩니다. 제 블로그에도 파이썬 요약 시리즈가 있으니 필요하신분들은 확인해보시면 좋을 것 같습니다.
https://oculus.tistory.com/63
물론 여기서 보다 깊은 공부를 위해서는 여러 컴퓨터 관련 과목들을 같이 준비해주시면 좋겠지만, 내가 인공지능이 적성에 맞을까? 하는 단계에서는 필요없다고 생각됩니다.
1. 흐름잡기
가장 먼저, 유투브에 인공지능 간략정리 이런 거 검색해서 대충 흐름을 잡습니다. 인공지능이 어느어느 분야에서 사용되고, 대충 어느 정도까지 발전했구나! 그래도 아직 인간을 지배하는 인공지능? 말도 안되는 소리구나! 까지만 잡으시고 다시 돌아옵니다.
2. Cs231n
컴퓨터비전/딥러닝계의 교과서입니다. 그냥 필수로 무조건 그냥 들으셔야 하는 필수코스 입니다.저는 3번 돌려봤어요. 워낙 유명한 강의이기 때문에 한국어 번역도 잘 되어있고, 정리해논 블로그들도 많습니다. 저도 블로그에 정리해 놓았으니 참고하실 분들은 아래 링크로! 머리에 2번씩은 넣어 놓는 것이 좋을 것 같습니다.
https://oculus.tistory.com/6?category=500795
3. Pytorch 듀토리얼
파이토치냐 텐서플로우냐는 개인 취향이겠지만 요즘에는 전자를 더 많이 쓰는 것 같습니다. 최근 논문들도 파이토치 구현이 더 많은 것 같아서 특히나 나중에 연구가 목적이신 분들은 파이토치로 가시는 것을 추천드립니다.
공식 사이트에서 제공되는 듀토리얼도 상당히 좋은 퀄리티로 제공되고 있습니다. 한번씩은 다 실습해두면 좋을 정말 기본에 충실한 듀토리얼입니다.
https://tutorials.pytorch.kr/
다음은 카이스트에서 제공하는 딥러닝 홀로서기 시리즈입니다. 개인적으로 내용들이 상당히 도움이 많이 되었습니다.
그 다음은 모두를 위한 딥러닝 시즌 2입니다. 한국어 강좌이구요, 지금부터는 겹치는 내용들이 많이 나올겁니다. 필요하거나 헷갈리는 부분들만 뽑아서 수강하시는 것을 추천드립니다.
여기까지 수강하셨다면 딥러닝이 뭔지 일단 마음속에 정립이 되셨을 겁니다. 아직 아예 모르시겠다면 위의 자료들을 잘 정리해논 블로그들을 정독해보세요!! 사람들.. 정리 잘하시더라구요.. ㅎㅎ
4. 조그마한 구현 시작
3번까지 해봤다면 데이터로더가 뭔지, 데이터 처리를 어케하면 되는지, forward backward를 어떻게 구현하는지 한번 시식코너에서 맛봤다! 고 생각하시면 될 것 같습니다. 이제는 기본적인 모델들을 구현해보면서 익힐 차례입니다.
한요섭님의 딥러닝 할껀데, 실습만 합니다. 시리즈를 추천드립니다.
강의 보면서 따라하면 3번을 복습하면서 다양한 모델들을 한번씩 구경해볼 수 있습니다.
5. 깃허브 돌아다니기
여기까지 다 오셨다면, 이제 혼자서 모델 구현이 가능합니다. 이제 어떤 분야를 더 공부해 볼 것인지 세부적으로 정할 타이밍이 왔습니다. 컴퓨터 비전만 하더라도 연구분야가 어후.. 너무 많기 때문에 일단 하나 정하시고! 대표모델들을 서버에서 돌려보고, 조금씩 바꿔보면서 공부를 합니다. 이 서버와 환경 구축도 증말 짜증나는 일이기 때문에 6번에서 설명해보겠습니다.
일단 분야를 정하셨다면, paperwithcode에서 자신의 분야에서 state-of-the-art (sota) 모델부터 살펴보고, 대표적인 모델들을 한번 사용해볼 겁니다.
https://paperswithcode.com/
또한 구글에 “awesome (분야이름) github” 라고 치면 누군가가 친절하게 주목할만한 논문들을 정리해 놓았습니다. 예를 들면, 구글에 “awesome object detection github”을 치면 분명 누군가가 정리해놨을겁니다. ㅎㅎ
이제 논문을 대충 읽어보시고(연구에 관심이 없으시다면 abstract, conclusion만 읽어도 무방) 제공되는 코드를 돌려보시면 됩니다. 이거는,, 설명이 너무 길어질 것 같아서 나중에 도커시리즈나 환경구축 시리즈에서 같이 다루도록 할께요.
여기까지 다 하셨다면 이제 구현, 더 넘어가서 연구의 단계입니다. 경험치가 중요하고, 분야별로 공부해야할 방향들이 다 다를겁니다.
6. 딥러닝 환경 구축
저는 서버컴에 도커 설치해서 파이참과 연동해서 사용하고 있습니다. Colab, 주피터 등등 선호에 따라 너무 달라질 것 같네요. 나주엥 도커에 관해서도 작성해보도록 하겠습니다.
파이팅!
반응형
pytorch와 함께하는 딥러닝 공부 방법, 길라잡이
728×90
서론
저에 대한 소개를 하자면 2019년도 3학년 1학기부터 컴퓨터 비전 관련 학부 연구생에 들어가 약 6개월 동안 인턴 생활 후 현재 회사에서 딥러닝 개발자로 산업기능요원을 하고 있습니다.
학부 연구생을 시작하기 전 딥러닝에 관한 지식은 1도 없는 상태였고, python 또한 학교에서 배운 적이 없습니다.
연구실에서는 cuda와 tensorflow 설정, 우분투 익히기만 2주 동안하다가 지쳐서 pytorch로 딥러닝을 시작하였습니다.
솔직히 말해 딥러닝에 관한 아무런 지식 없이 딥러닝 공부 목적으로 학부 연구생에 들어가는 것은 비추합니다. 혼자서도 충분히 공부하면 배울 수 있고, 무엇보다 대부분의 석박사 연구원분들은 논문 작성과 프로젝트로 매우 바쁘셔서 여러분들을 봐줄 시간이 거의 없습니다.
제가 본격적으로 딥러닝 공부를 시작한 건 산업기능요원 근무부터입니다. 그나마 학부연구생, 대학교 활동 등의 스펙으로 입사를 하였지만 딥러닝에 관한 지식은 전무한 상태였습니다. 하지만 막상 입사 후 선임 개발자분이 퇴사하시고 딥러닝 개발자는 회사에 저뿐이었습니다. (지금도 마찬가지입니다.)
현재 글을 작성하는 시점 기준으로 약 7개월 동안 혼자 공부를 하였고 현재는 논문 구현 단계까지는 아니지만 pytorch를 능숙하게 다루고, 간단한 backbone network과 custom model 구현, kaggle 참가, 논문 분석, 프로젝트에 원하는 model을 활용할 수 있는 정도의 실력이 되었습니다.
자 그러면 이제부터 시작하겠습니다.
준비물
딥러닝 공부를 시작하기 전 반드시 필요한 준비물이 있습니다. 바로 코딩 능력, 수학 이해도, gpu입니다.
코딩 능력
우선 python만 공부하시면 됩니다. python은 다른 언어보다 이해하기 훨씬 쉽고, 환경 구축 또한 매우 쉽습니다. 그리고 대부분의 딥러닝과 데이터 사이언스는 python 언어로 진행합니다.
저는 python을 점프 투 파이썬 (https://wikidocs.net/book/1)으로 입문하였습니다. 기초적인 내용이 많고, 현재도 코딩할 때 헷갈리는 부분이 있으면 가끔씩 찾아서 봅니다. 점프 투 파이썬을 마스터하셨으면 기본적인 자료구조까지 이해하시는 게 추후 공부에 도움이 많이 됩니다.
파이썬에 대한 기초적인 이론도 중요하지만 가장 중요한 것은 본인이 생각한 것을 코드로 표현하는 능력 또한 매우 중요합니다. 따라서 시간이 있으시면 프로그래머스, 백준 사이트를 통해 알고리즘 문제를 푸시는 것도 추천합니다.
수학 이해도
우선 기본적으로 행렬 연산을 할 수 있어야 합니다. 그리고 시작 전에는 아니지만 나중에 논문을 읽으실 때 선형 대수의 중요성을 느끼실 것입니다. 기본적인 통계 공부도 좋습니다.
저는 선형 대수를 대학교 강의 + 서적으로 공부를 하였고, 통계학도 고급 통계까지 대학교에서 공부했습니다.
수학은 확실히 서적을 보면서 공부하시는 것을 추천드립니다. 기초적인 내용만 공부하셔도 됩니다. 아직까지는..?
GPU
딥러닝을 공부하는데 GPU가 없는 건 군인이 총이 없이 전쟁에 나가는 것과 같습니다.
데스크톱이 있으신 분들은 GPU를 최소 2070 SUPER로 맞추시는 것을 추천드립니다. 근데 이것도 나중에 큰 model을 학습시킬 때 메모리가 부족한 현상이 나타나긴 합니다.
돈이 있으신 분들은 aws, 돈이 더 많으신 분들은 gcp TPU를 추천드립니다.
근데 그냥 맘 편히 2070 SUPER를 사시는 게 좋은 것 같아요.
본론
기초 개념 공부
“저는 3가지 중 1가지도 충족하지 못합니다.”
우선 생활 코딩의 머신 러닝 시리즈 (https://opentutorials.org/course/4548)로 시작하시는 것을 추천드립니다. 이 강의는 수학은 물론 코딩 능력, GPU를 필요로 하지 않고, 중학생도 이해하실 수 있는 수준으로 너무 친절하고 쉽게 알려주는 강의입니다. 개요라고 생각하시면 편합니다. 어느 정도 하실 수 있는 분들은 스킵하셔도 좋습니다.
이 강의를 끝내시고 python을 공부하고 아래 내용으로 넘어가시면 됩니다.
“python만 다루어본 적이 있어요”
python을 해보신 분들께는 밑바닥부터 시작하는 딥러닝 1을 추천드립니다. 뿐만 아니라 3가지를 모두 충족하는데 딥러닝을 처음 접하시는 분들께도 무조건 강추합니다. 모든 딥러닝 서적 중 가장 유명하며, 가장 근본이 되는 서적입니다. 퀄리티 또한 매우 좋고, 딥러닝의 완전 기초부터 최근 (2017년 정도) 자료까지 살펴볼 수 있는 책이라 무조건 강추합니다. 딥러닝 개발자들 사이에서는 교과서라고 불리는 책입니다.
이 책에서도 gpu와 어려운 수학적 개념은 필요가 없습니다. 하지만 기초적인 수학 정도는 알아야 합니다. (고등학교 수준)
“위 서적을 읽었고, python도 할 줄 알고, 기초적인 수학도 알아요”
스탠퍼드 대학원 강의인 cs231n을 추천드립니다. 스탠포드 대학원 강의라고 해서 너무 어렵게 생각할 필요 없습니다. 물론 이 강의의 과제가 힘들긴 한데 과제는 스킵하시고 강의만 들으셔도 됩니다.
내용은 처음 들으면 “어? 이거 밑바닥 서적에서 배운 내용인데?”라고 생각이 들것입니다. 내용은 비슷하나 훨씬 깊게 가르쳐주십니다. 또한 단순한 딥러닝 기본이 아니라 딥러닝의 다양한 기법과 핵심적인 논문 리뷰도 해주시고, 수학적으로 깊게 접근도 합니다. 강의를 듣다 보면 내용도 많고 질리지만 이것만 마스터하셔도 딥러닝의 기초는 다 아시는 거라고 생각하시면 됩니다.
영어 버전: https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk
한글 버전: https://www.youtube.com/watch?v=3QjGtOlIiVI&list=PL1Kb3QTCLIVtyOuMgyVgT-OeW0PYXl3j5
본격적인 공부
“cs231n까지 공부했습니다.”
자 그러면 딥러닝 프레임워크에 대해 공부를 시작하셔도 좋습니다. 크게 tensor flow와 pytorch가 있는데 이 둘의 장단점을 잘 비교해보시고 선택하시는 것을 추천드립니다.
저는 pytorch로 시작하였고, tensor flow로 시작하시는 것도 나쁘지 않습니다. 우선은 pytorch 기준으로 설명드리겠습니다.
Pytorch는 공식 홈페이지에서 친절한 튜토리얼을 제공합니다. 현재 모든 자료가 한글이 아니지만 오픈 소스 기여자분들께서 열심히 번역을 해주시고 있습니다.
Pytorch tutorial: https://tutorials.pytorch.kr/
홈페이지 들어가셔서 왼쪽 카테고리의 파이 토치 배우기 전부를 공부하시면 됩니다. 물론 처음 하시면 진짜 어렵긴 합니다. 하지만 여러 번 반복하다 보면 암기가 되고, 특히 개인 프로젝트를 진행하시면 암기하시기 더 쉽습니다.
저도 가끔씩 메서드가 생각이 안 날 때 들어가곤 합니다.
Pytorch tutorial이 어려우신 분들께는 모두를 위한 딥러닝 시즌2 pytorch 버전 (https://www.youtube.com/watch?v=St7EhvnFi6c&list=PLQ28Nx3M4JrhkqBVIXg-i5_CVVoS1UzAv&index=2)을 추천드립니다. 이 강의도 매우 좋습니다.
“pytorch를 써본 적이 있지만 아직 익숙하지 않습니다.”
위에서 언급한 2가지를 모두 하셔도 막상 개인 프로젝트를 진행하려고 하면 힘드실 것입니다. 이럴 때는 kaggle (https://www.kaggle.com/)이라는 사이트를 추천드립니다. 사람들이 올린 해당 데이터에 대해 딥러닝 등으로 학습시켜 경진하는 대회 사이트입니다. 여기서 처음부터 대회에 참가하시지 말고 우선은 다른 사람이 어떻게 이 문제를 해결했는지를 보시고, 한번 똑같이 코드를 작성하며 이해하는 방법이 좋습니다.
예를 들어 개와 고양이를 분류하는 데이터가 있다고 하면 notebook이라고 쓰여있는 곳에 들어가서 다른 사람이 어떻게 코드를 구상했고, 정확도가 얼마나 나왔는지 확인할 수 있습니다. (https://www.kaggle.com/manzoormahmood/transfer-learning-using-resnet50-and-pytorch) 처음부터 어려운 네트워크로 구현하시지 마시고, 링크의 예시처럼 간단한 네트워크로 학습을 시작하시는 것을 추천드립니다.
또한 kaggle에는 다양한 데이터들이 존재함으로 본인이 원하는 데이터를 선택하여 먼저 네트워크를 구상해보고 다른 사람이 어떻게 구현했는지 비교하는 것도 매우 좋은 방법입니다.
“pytorch에 익숙합니다”
자 그럼 이제부터 논문에 대한 분석을 하셔도 됩니다. 다만 주의할 점은 논문을 읽지만 마시고 꼭 필기나 워드로 정리하시는 것을 추천드립니다. 딥러닝에 관한 논문들은 현재도 꾸준히 출시되고 있고, 네트워크의 종류, 기법 또한 매우 다양합니다.
논문은 영어로 되어있어 독해하시기 힘드신 분들은 다양한 논문 분석 블로그와 유튜브를 먼저 보시고 논문을 보시는 것을 추천드립니다.
논문을 분석하다 보면 모르는 수식과 개념들이 나올 텐데 이런 부분들은 서적을 통해 공부하시면 됩니다.
논문의 순서는 우선 resnet과 같이 유명한 논문들을 어느 정도 보시고 유튜브 ‘논문 읽기 모임’을 따라가시면 됩니다. 설명이 친절하고 이해하기도 훨씬 쉽습니다.
그리고 논문을 분석하였다고 해서 끝이 아닙니다. 꼭 해당 논문의 github을 들어가셔서 어떻게 구현하였는지 코드 분석까지 하시는 것을 강추해드립니다.
이 단계까지 오신 분들은 최신 논문 동향에 따라 쭉 공부하시면 됩니다. 그리고 kaggle이나 open dataset을 활용하여 본인만의 프로젝트를 진행하시고, 고급 수학에 대해 계속 공부하시면 됩니다.
저도 현재 이 단계에 있는 사람이라 확실한 방법은 아닐 수도 있습니다. 좋은 공부 되시길 바랍니다.
728×90
딥러닝 공부순서 추천
1. 포트폴리오
먼저, 프로젝트를 정하고 구현해보는 것이 좋다.
프로젝트 아이디어를 얻는데에 좋은 방법은 아래와 같다.
1) ML Sources를 얻기 좋은 곳
– Stanford’s CS224n & CS231n projects
– ML Reddit’s WAYR
– Kaggle Kernels
– Paper (ML : ICML, NIPS / CV : CVPR, ECCV, ICCV)
유투브, udemy, edwith, nomad, fast.ai, coursera 등.. 에서 인터넷 강의를 병행하며 기초를 탄탄히 하면서 관련 Paper들을 찾자. (논문 찾기 좋은 곳 : google scholar)
그 후 여러 논문, Reddit, Kaggle 글들을 읽어보면서 관심있는 주제, idea의 방향성을 먼저 잡는 것이 좋다.
프로젝트의 주제를 정했다면 관련된 기초되는 논문들부터 가볍고 빠르게 skimming하면서 기초를 다진다.
2. Theory 공부
프로젝트 주제와 관련된 기초 논문들을 skimming할때 중요한 것은 핵심되고 내가 몰랐던 notation들을 정리하는 것이다.
기초적이고 핵심되는 notation들은 반드시 익혀야한다.
논문리딩 실력향상에 중요한 3가지 key는 다음과 같다.
1) 자주나오는 알고리즘, gradient descent, linear regression, MLPs 등..을 이해하는 것
– Andrew Trask의 책, blog를 통해 numpy, gradient descent, linear regression, MLP를 배울 수 있다.
– 머신러닝 / 딥러닝 online 무료 교과서 16종 (https://www.facebook.com/awesomeai/posts/1803925309827212/)
– Ian Goodfellow의 Deep Learning책을 통해 여러 이론들을 배울 수 있다. (http://www.deeplearningbook.org/)
2) 수학적 notation들을 배우고 이해하는 것
– 논문에서 나오는 notation들은 바로바로 정리하는 것이 좋다.
3) algebra, calculus, statistics, ML의 기초를 다지고 이해하는 것
– 유투브 3Blue1Brown의 Essence of linear algebra, Essence of Calculus
– StartQuest의 the Basics (of statistics), Machine Learning
3. 논문 재구현
처음에 방향성을 잡은 논문과 관련된 기초 논문들을 위의 과정들을 통해 충분히 숙달하였다면
이제 그 방향성을 잡은 논문을 재구현하는 일이 남았다.
(현재 논문을 10편 정도 읽고 그 중 일부 논문에 대해서만 리뷰 및 재구현을 구현해본 시점에서 정리하는 글이니 처음 논문을 접하시는 분만 참고하시면 좋을 것 같습니다.)
논문을 공부하기 앞서 자신이 관심있던 분야를 아직 정하지 못했다면 다양한 프로젝트들을 검색해보면서 먼저 정하는게 좋다.
1. 자신이 관심있는 프로젝트에 필요한 기술들이 뭔지 찾았으면 해당 기술에 대해 기초가 되는 논문부터 읽어보기를 추천한다.
(ex. Object detection paper, Image retrieval papaer, Human object interaction papaer …)
2. 영어가 익숙하지 않아 처음부터 논문을 그대로 읽기에 부담이 되는 경우 기초가 되는 유명한 논문들은 “논문이름” 리뷰와 같이 검색해보면 여러 블로그에서 한국어로 리뷰 및 요약한 것을 볼 수 있다.
이렇게 요약, 쉽게 정리해놓은 블로그들을 참고하면서 먼저 논문에 대한 큰 그림을 그리고나서부터 논문을 직접 읽으면 도움이 될 것이다.
3. 논문을 한 번 읽는다해서 절대로 해당 논문을 완벽히 분석할 수 없으므로 최소 5번은 읽는다는 생각으로 천천히 skimming하면서 읽는다.
논문을 읽고 재구현을 해보면서 정말로 이해했다 느끼는 순간은 직접 코딩을 통해 재구현을 했을때였다.
해당 논문을 Github에 검색해보면 논문저자가 올려놓은 공식 코드를 볼 수 있다.
맨바탕으로 논문을 재구현하는데에는 무리가 있으니
4. 논문저자가 공개한 공식 코드를 한줄한줄 읽어보며 전체적인 흐름과 핵심 기능들을 이해한다.
5. 마지막으로 공식 코드를 참고하며 직접 코딩하여 재구현을 해본다.
이렇게 1-5단계까지 모두 마쳐야 비로소 해당논문을 완전히 이해한 느낌이 들었다. 재구현을 해보기 전까지는 아무리
논문을 반복하여 읽어도 완벽히 세세한 부분까지 알고 이해하기 힘들다. 따라서 재구현이 정말 중요함을 강조한다.
출처 : https://github.com/Huffon/How-to-learn-Deep-Learning
여러 웹사이트와 지인분들의 조언을 통해 스스로 공부 순서를 정리하기위해 작성한 글입니다.
인공지능을 공부하려는 분들께 경험을 토대로 학습 방법과 책 추천 (1)
데이터 분석과 인공지능을 공부하려는 분들께 국내 서적을 기준으로 목적에 맞는 책과 공부를 해왔던 경험담에 대하여 공유드리고자 합니다. 데이터 분석 및 인공지능에 관심있는 분들께 도움이 되셨으면 좋겠습니다.
추천에 앞서, 이 글은 어떠한 광고비나 광고의 목적으로 작성된 글이 아니며, 어디까지나 제 경험을 토대로 작성한 개인의견임을 명시합니다. 그리고, 제가 직접 경험한 강의, 스터디, 그리고 읽은 책을 기준으로 공유드립니다.
테디노트 책 출간 소식 전해 드립니다~^^
지난 6개월간 3명의 동료들과 열심히 집필한 책이 드디어 온라인/오프라인 출간 되었습니다!
책 출간 소식 보러가기
참고
혼자 데이터분석/머신러닝/딥러닝에 입문하시는 분들은 Machine Learning Study 혼자 해보기 깃헙을 참고해 보세요.
서론 – 나의 시행 착오
저는 인공지능학, 데이터 분석학, 수학 전공자가 아닙니다.
그렇기 때문에 처음에 인공지능/데이터 분석을 공부해보고 싶은데 어디서부터 어떻게 시작해야할지 정말 막연했던 기억이 납니다. 저는 “Python for Data Analysis”라는 책 1권을 사서 보긴 봤는데요, 도무지 이해가 가지 않았습니다. 그렇기 때문에 처음부터 이 책을 사서 보시는 것은 비추천 합니다.
주로 온라인, 유튜브 강의와 스터디를 위주로 학습했습니다
Youtube에 공개된 유명한 강의, Udacity, Udemy, Coursera 등등의 강의를 주로 학습했었고, 인프런에서도 유료 강좌를 결제해서 수강하였습니다. 그리고, 온/오프라인 스터디와 커널 스터디 그리고 온라인 과외까지 진행하면서 지속적으로 학습을 했던 것 같습니다. 정말 지난 2년 동안은 거의 새벽까지 독학하면서 삽질도 많이 해보고 캐글과 같은 데이터 분석 대회에 참여하면서 조금씩 조금씩 지식과 경험을 쌓으려고 노력했던 시간이었습니다.
지난 2년 동안의 경험을 토대로 처음 시작하려는 분들께 지름길을 추천 드리고자 합니다
지난 2년 동안 제가 학습한 강의와 책입니다
4개 의 오프라인 강의 (DsSchool, FastCampus)
의 오프라인 강의 (DsSchool, FastCampus) 2회 의 원데이 클래스
의 원데이 클래스 1개 의 Udacity Nanodegree
의 Udacity Nanodegree 13개 의 Udemy 강의
의 Udemy 강의 2개 의 Coursera 강의
의 Coursera 강의 9개 의 Inflearn 데이터분석, 인공지능 강의
의 Inflearn 데이터분석, 인공지능 강의 1년 이용권 코드잇 강의
이용권 코드잇 강의 4개 X 50강 으로 이뤄진 Youtube 플레이리스트 강의
으로 이뤄진 Youtube 플레이리스트 강의 100개 가 넘는 유튜브 단일 강의
가 넘는 유튜브 단일 강의 3개 의 오프라인 데이터 분석 스터디
의 오프라인 데이터 분석 스터디 2개 의 온라인 스터디
의 온라인 스터디 1개 의 온라인 과외
의 온라인 과외 26권 의 책
의 책 캐글 커널 스터디, 블로그 등등…
일단, 잘 몰랐기 때문에 유명한 강의는 닥치는 대로 들어보려고 했습니다. 사실 데이터 분석과 인공지능이라는 매력에 빠져있었고, 지금도 너무 좋아하기 때문에 이렇게 할 수 있었던 것 같습니다.
그런데 저는 항상 스스로 독학만 하다보니 너무나도 많은 시행착오와 금전적, 시간적 낭비를 경험 했기에 저처럼 데이터 분석/인공지능 을 공부해보고 싶으신 분들께 저의 직접 경험을 토대로 정리한 학습 순서와 공부법을 추천해 드리고 싶었습니다.
다시 한 번 말씀드리지만, 제 개인적인 경험을 토대로 작성하였으며, 개인마다 느끼시는 차이가 있을 수 있습니다.
Part 1. 기초중의 기초, 기초다지기!! (10시간)
STEP 1: 파이썬 (Python) – 3시간, 무료 (유튜브)
흔히 제일 많이 착각하시는 점 중 하나가 데이터 분석을 잘하려면 = 파이썬을 잘해야지 입니다.
파이썬을 잘 못다루시더라도 데이터 분석을 하시는데에 지장이 없습니다. 처음 접하시는 분들이 파이썬 배우시다가 지쳐서 포기하시는 분들도 있습니다. 전문적인 전통 파이썬 과정 말고 데이터 분석을 위한 파이썬만 콕 찝어 들으시면 됩니다. (절대 끝까지 다 들으실 필요 없어요 ㅠㅠ.. 시간 되시는 분들은 들으시면 당연히 좋습니다 )
아래 리스트 중에서 본인의 취향에 맞는 강좌 1개를 완강해보세요
유튜브에 아직 데이터 분석을 위한 압축 파이썬 과정은 찾기가 어려워 제가 개인적으로 강의 촬영을 하여 무료로 공개해볼 까 합니다. 공개한다면 추후 알려드릴 수 있도록 하겠습니다.
STEP 2: 판다스 (Pandas), 시각화 (Matplotlib, Seaborn) – 6~7시간, 무료/유료
판다스라는 라이브러리는 데이터분석을 위해서라면 필수이고, 잘 다루면 다룰수록 무조건 좋습니다. Pandas가 조금 부족하다고 느끼시는 분들은 시간 투자를 하셔서 제대로 배워 두시는 것을 추천 드리며, 엑셀 편집이나 크롤링 등 유용한 기능들을 많이 탑재하고 있으니 매우 유용하게 활용하실 수 있습니다.
판다스는 책으로 학습하시길 추천 드립니다.
파이썬 라이브러리 레시피 는 판다스 관련 책은 아니지만 유용한 파이썬 라이브러리 활용법에 대하여 소개합니다. 데이터 분석과 직접적인 관련은 크게 없을 수 있습니다만, application으로 확장하고 싶으신 분들은 한 번 읽어보시면 좋습니다.
파이썬 머신러닝 판다스 데이터 분석은 굉장히 친절하게 판다스 관련하여 설명하고 있습니다. 위의 유튜브 강의를 보지 않았더라도 이 책의 실습 예제들만 잘 따라해도 판다스는 어느정도 마스터 할 수 있다고 생각합니다.
Python for Data Analysis 는 좀 책이 어렵습니다. 데이터 분석/ 인공지능 관련 도서는 국내 저자분들의 책들이 좀 더 친절하고 이해도 쉽습니다. 이 책은 굉장히 디테일한 내용을 다루고 있기는 합니다만, 입문자에게는 비추입니다. 하지만, 실력을 업그레이드 하고 싶다면 나중에 한 번 보시는 것도 괜찮습니다.
유튜브 오늘코드 채널에서 판다스와 시각화에 대하여 많이 다루고 있습니다. 흥미로운 내용이 있다면, 참고해 보세요. 강사님이 친절하게 가르쳐 주시는 편입니다.
Numpy, Scipy 와 같은 라이브러리는 따로 배우지 마세요!
처음에는 Numpy, Scipy 강의를 따로 찾아서 공부했었는데, 굳이 그럴 필요 없습니다. 추후 머신러닝, 딥러닝을 공부하려는 분들은 자연스럽게 터득하게 되니, 굳이 초반에 따로 공부하실 필요 없습니다.
Part 2. 머신러닝 입문하기 (20시간)
머신러닝 강의 부터는 책으로만 공부하기 어려운 측면이 있습니다. 그렇기 때문에 책과 동영상 강의를 섞어서 듣거나 오프라인 과정을 들으시는 것을 추천 드립니다.
파이썬 머신러닝 완벽 가이드는 정말 추천하는 책입니다. 굉장히 친절한 책이고 예제도 풍부합니다. 게다가 저자분께서 얼마 전에 인터넷 강의도 제작하셨습니다 (유료). 인프런에서 유료 강의 결제 후 책과 함께 들으시는 것을 추천 드립니다.
인프런강의 – 파이썬 머신러닝 완벽 가이드 에서 유료로 동영상 강의도 함께 제공하고 있습니다. 사실 딥러닝 강의는 잘되어 있는 강의들이 많은데, 머신러닝 강의는 유튜브에 잘 되어 있는 공개된 강의는 아직 못 찾았습니다.
아! 물론 있습니다. 전 세계적으로 제일 유명한 강의 중 하나인 Andrew Ng 교수님의 강의입니다.
Machine Learning – Andrew Ng (Stanford University)
단점은 영어, 영어, 영어입니다…
Introduction to Machine Learning with Python 책도 추천 합니다. 우선, 파이썬 머신러닝 완벽 가이드를 마스터 하신 후 보셔도 좋고, 같이 병렬적으로 보셔도 좋습니다. 머신 러닝 교과서 with 파이썬 사이킷런, 텐서플로 책도 꽤 좋은 실습서입니다. Introduction to Machine Learning with Python 책이 좀 어렵게 느끼실 수도 있는데 머신 러닝 교과서 with 파이썬 사이킷런 책은 좀 더 읽기 편하게 쓰여진 책입니다. 완벽 가이드와 같이 보셔도 좋습니다.
추천 순위
파이썬 머신러닝 완벽 가이드 Introduction to Machine Learning with Python 머신러닝 교과서 with 파이썬 사이킷런, 텐서플로
관련 글 더보기
– 텐서플로우 개발자 자격증 (Tensorflow Developer Certification) 시험 그리고 취득방법
– 비전공자를 위한 데이터 분석 강의를 오픈합니다. feat.패스트캠퍼스
– 데이터 분석/인공지능을 공부하려는 분들께 경험을 토대로 학습 방법과 책 추천 (2)
– Github 블로그의 방문자 숫자, 구글 애드센스(adsense), 그리고 검색 유입의 관계
– 더 나은 딥러닝/머신러닝 서버 환경을 위하여 지금 바로 메모리에 투자하세요.
영상처리 및 기초 딥러닝 공부 방법 및 과정(개인적인 생각)
필자가 딥러닝부터 시작해서 영상처리를 공부하기까지의 공부방법을 소개하려고한다(광고x, 초급자 기준)
파이썬 및 C, C++
우선 기본적으로 본인이 가고자 하는 기업에서 사용하는 언어를 마스터까진 아니더라도 코드 해석 및 기초적인 코드, 중견기업 이상을 원한다면 코딩테스트 준비까지 하는 것을 추천한다. 현재 기업에서 대부분 쓰이는 AI 관련 코딩언어는 대표적으로 파이썬 및 C종류이며 현재 BrainJS가 새로 생겨남에 따라 자바스크립트도 점점 성장세를 이루고 있다.
한줄요약: 한 언어를 기준으로 점점 스펙트럼을 넓히는 것을 추천(넓힐수록 반기는 기업들은 많을 것 같음)
넘파이
파이썬을 공부하게 되었다면 두번째로는 넘파이가 필수이다. 기초적인 shape 및 계산을 도와주는 numpy이다. 넘파이는 딥러닝 과정에서 쓰이는 정도로 학습하면 될 것 같다.
수학(중요)
필자가 공부하면서 가장 힘들었던 수학부분이다. 기초적인 sequential 모델을 구성하는데 필요한 relu, sigmoid, softmax 등이 수학에서 파생되어 코딩을 시작한다. 본질적인 부분으로 이것이 무엇인지, 어떠할 때 이 수식이 들어간 함수를 쓰는지 알아두면 코더가 아닌 진정한 초급 개발자가 될 수 있다.
텐서플로우,파이토치
드디어 시작이다. 텐서플로우 및 파이토치는 홈페이지 및 다양한 레퍼런스들이 많다. 위의 공부를 끝마쳤다면 다른 사람들이 만들어놓은 레퍼런스들을 보고 분석한다. 어떠한 라이브러리가 사용되는지, 전처리, 모델생성, validation, epoch, acc확인 등등 어떻게 구조가 돌아가는지 확인하고 본인의 것으로 만든 뒤 응용해서 개발하도록 한다. 이때부터는 주변에 선임 개발자가 없으면 꽤나 힘든 개척이 될 것이다. 하지만 지금까지 잘해왔으니 할 수 있다. 필자도 프로젝트를 진행하다가도 다시 봤던 강의, 레퍼런스들을 다시 둘러보고 복습한다.
OpenCV, 및 각종 라이브러리
여기서부터 본인의 진로가 결정된다. 영상처리쪽을 가려면 openCV, YOLO등 다양한 이미지프로세싱 및 영상처리등을 공부하고, 기업에서 원하는 프레임워크 및 라이브러리를 보충한다.
마지막으로(추천하는 강의)
필자는 현재 정보통신공학부 4학년 재학중이고, 인공지능 관련해서는 대학 수업에서 C언어, 공학수학정도를 배웠다.
나와 같이 대학교에서 AI관련 수업을 안하는 사람들을 위해 강의를 추천해줄 것이다.
1. 이수한 컴퓨터연구소(유튜브): 정말 딥러닝, 머신러닝에 대한 강의를 엄청 잘해놓은 곳이다. 위에 설명한 모든 강의가 유튜브에 몇시간씩 있다. 시간이 부족할 경우 한번에 끝내기로 5시간,4시간짜리 강의를 수강하면 된다. 코랩을 기준으로 강의를 하니 참고하시길 바란다.
2.부스트코스: 네이버 커텍트(?)에서 하는 딥러닝 강의이다. 필자는 인공지능 기초를 수강했고 다양한 강의들이 많다. 시간이 많은 사람들에게 아주 추천하는 교육이다. 무료로 이만큼의 강의를 배울 수는 없다고 생각한다.
마지막으로 필자와 같이 AI로 취업을 준비하는 사람들은 끊임없이 배워서 좋은 곳에 좋은 사람들과 함께 프로젝트를 진행하고 대한민국의 미래를 밝히는 개발자가 되었으면 좋겠다.
빅데이터/인공지능 공부 뭐부터 시작해야 해?
빅데이터, 인공지능, 데이터 사이언스, 머신러닝 관련 직종의 채용은 줄어들 기세를 보이고 있지 않으며 그에 따라 관련 전문가들의 숫자도 증가하고 있다. 이처럼 빅데이터 및 인공지능 관련 전문가들이 늘어나고 있다는 것은 학생이나 커리어 전환을 노리는 사람 중에서 데이터 사이언스를 공부하는 사람이 증가하고 있다는 것을 의미한다. 하지만 새롭게 무언가를 배운다는 것은 분명 막막한 일이다. 어디부터 어떻게 공부를 시작하고 경험을 쌓아야 할지에 대해 방향을 잘 모르는 것이 당연하다. 이는 빅데이터, 인공지능 분야도 분명 마찬가지라고 볼 수 있다.
빅데이터나 인공지능 공부 시작하려는데 뭐부터 해야 하지?
데이터 사이언스 관련 커리어를 걷고자 마음먹은 사람이라면 누구나 던질법한 질문이 바로 어디서 무엇부터 공부를 해야 할지 모르겠다는 것이다. 이는 빅데이터와 인공지능 관련 지식이 너무도 어려운 것이고 이를 위해 배워야 할 내용이 너무 많다는 생각에 기인하는 것일 수 있다. 그리고 실제로 이는 어느 정도 맞는 말이라고 볼 수 있다. 프로그래밍, 머신러닝, 딥러닝, 시각화, 통계학, 수학 등 데이터 사이언스 커리어를 쌓고자 한다면 공부해야 할 내용이 산더미이다. 아직 관련 지식이 전무한 입문자라면 이 중 어떤 내용이 어떤 상황에서 중요하고, 공부의 우선순위를 어떻게 가져야 할지 고민이 드는 게 자연스러운 일이다.
아쉽게도 데이터 사이언스 분야의 길을 걷고자 마음먹었다면 위의 나열한 다양한 지식들을 모두 공부해야 한다. 프로그래밍, 인공지능, 통계학 등의 모든 내용이 데이터를 분석하고 모델을 만들어가는 데 있어 하나도 빠짐없이 중요한 내용이기 때문이다. 그래서 본인의 상황과 배경이 어떠하든 위 내용을 모두 공부해야 하는 것은 동일하고 세부적인 학습 순서에만 차이가 있을 확률이 높다. 다만 컴퓨터 공학과나 통계학과 등 특정 도메인에 강점을 가진 배경을 지닌 사람이 아니라는 가정 하에 어느 정도 추천하는 학습 순서라는 것은 존재한다. 실제로 데이터 분석 경험을 쌓아나가기 위해서 반드시 선행되어야만 하는 내용이 분명하기 때문이다.
프로그래밍 > 머신러닝, 통계학 > 딥러닝, 수학의 순서로 공부하는 것을 추천합니다.
사실 어떤 것을 공부하고 그 순서는 어떻게 해야 할지에 대해 이야기를 하고자 한다면 본인이 넓디넓은 데이터 사이언스 분야 안에서 어떤 세부적 목표를 세우고 있는지를 정확히 알아야 한다. 하지만 이는 데이터 사이언스 입문자 입장에서 결코 쉬운 일이 아니다. 아직 관련 지식이 전무한 상태에서 세부 분야를 논하는 것 자체가 어불성설이기 때문이다. 그래서 이번 시간에는 구체적인 세부 분야에 대한 목표를 모르는 입문자 입장에서 이야기를 해보려 한다. 그리고 물론 코딩, 통계 등 특정 분야에 강점을 지니고 있지 않은 사람을 가정해보려 한다.
기본적으로 빅데이터, 인공지능 분야의 입문자라면 프로그래밍 언어를 가장 먼저 공부해야 한다. 대량의 데이터를 분석하는데 아예 프로그래밍 지식이 전무하다면 할 수 있는 것이 아예 없기 때문이다. 물론 통계학이나 인공지능에 대한 지식이 전무하다면 프로그래밍 능력이 있어도 데이터 처리를 하는데 한계가 있기는 하지만 코딩을 할 줄 모르는 건 전혀 다른 차원의 이야기이다. 또한 프로그래밍의 경우 학습 초기에는 매우 내용이 쉽기 때문에 공부의 즐거움을 더해다 줄 수도 있다. 시중에 파이썬, R 등 다양한 프로그래밍 교재가 있으므로 이를 이용한다면 어렵지 않게 프로그래밍 공부 시작을 할 수 있다.
코딩에 익숙해졌다면 무엇을 코딩할지에 대해 생각해보아야 합니다.
코딩 즉 프로그래밍 역량이 어느 정도 올라온다면 그다음 순서는 컴퓨터 프로그램을 통해 구체적으로 어떤 일을 할지 결정하는 것이다. 그리고 이를 위해 학습해야 하는 내용이 바로 통계학과 머신러닝에 대한 지식이다. 그중에서도 특히 인공지능 분야에 관심이 높은 사람이라면 머신러닝에 대한 지식을 습득해야 하고 데이터 분석 자체에 관심이 있는 사람이라면 통계학에 집중을 해야 한다. 다만 통계학과 머신러닝이라는 것이 칼로 무 자르듯 확실히 구분되는 영역은 아니다. 그래서 더더욱 본인의 세부 목표를 정하지 못한 입문자라면 이 둘을 동시에 학습하려는 자세가 필요하다.
통계와 머신러닝을 공부하는 단계에서는 대게 이론적인 내용과 이론을 코드로 구현하는 영역이 모두 포함된다. 그래서 이 둘이 적절히 조화된 서적을 찾아보거나 관련 강의를 찾아보는 것이 좋다. 그리고 이 단계에서부터 캐글을 비롯한 각종 경진대회에의 참여가 큰 도움이 될 수 있다. 관련 서적이나 강의를 통해서 이론적, 학술적으로 그 체계를 이해할 수 있다면, 경진대회 참여 등을 통해서는 실제 데이터 셋에서 해당 지식들이 어떻게 활용되고 있는지 추측할 수 있기 때문이다. 여타의 분야와 마찬가지로 데이터 사이언스 분야 역시 학술적, 실무적인 지식을 모두 지닌 사람이 그 가치가 올라가기 마련이다.
딥러닝과 이를 이해하는 수학은 최근 트렌드에 가장 중요합니다.
기본적인 프로그래밍 역량을 쌓고 머신러닝과 통계학에 대한 이해까지 뒷받침되었다면 마지막 단계로는 딥러닝 및 수학에 대한 공부가 필요하다. 딥러닝은 가히 최근 빅데이터와 인공지능 분야에서 가장 트렌디한 주제라고 할 수 있다. 머신러닝을 공부하다 보면 딥러닝 알고리즘의 우수성에 대해 자연스럽게 알게 될 것이며 딥러닝에 대해 깊은 수준의 이해도를 가지는 것은 특히 인공지능 분야로 커리어를 걷고자 하는 사람에게는 가장 중요한 일이다. 수학의 경우 딥러닝 알고리즘을 이해하기 위해 수반되는 지식이라고 볼 수 있다. 딥러닝 알고리즘의 경우 논문이나 구현 코드를 보면 수학적인 내용이 그 대부분을 차지하고 있다.
추가적으로 인공지능 전문가의 커리어보단 데이터 분석가로서의 길을 가고 싶은 사람이라면, 딥러닝에 대한 깊은 이해보다는 데이터를 처리하고 생성하는 다양한 방법론에 대해 심화적인 공부를 하는 것이 좋을 수 있다. 물론 데이터 분석가에게 있어서도 딥러닝은 반드시 공부가 필요한 분야 중 하나인 것은 분명하다. 딥러닝 공부를 위해서는 딥러닝의 각 세부 주제별(NLP, Computer Vision 등) 내용을 담고 있는 서적을 이용하거나 관련 논문을 살펴보는 것을 추천한다. 특히 딥러닝의 경우 가장 트렌디한 분야이다 보니 하루가 다르게 최신 논문들이 쏟아져 나오는 경향이 있다.
핵심은 이 과정을 끝까지 수행하는 것입니다.
이번 시간에는 크게 보았을 때 입문자 입장에서 어떤 순서로 공부를 하면 좋을지에 대해 이야기해보았다. 사실, 편의를 위해 단계를 어느 정도 나누어보았지만 이는 분명 절대적인 기준이 아니다. 프로그래밍 공부를 하면서 동시에 딥러닝 공부를 해야 할 수도 있으며, 본인이 부족한 부분을 느낀다면 그 부분에 특히 더 집중을 해야 할 수도 있다. 그리고 각 단계에서의 공부가 끝이 있는 것도 아니다. 한 책을 다 보아도 다른 책을 보면 새로운 사실이 적혀있는 경우도 많으며 시간이 지남에 따라 새로운 개념이 나오기도 한다. 사실상 끝없는 공부의 향연이 펼쳐지는 곳이라 할 수 있다.
그렇기에 입문자 입장에서 이 모든 과정을 끝까지 수행하는 것은 굉장히 어렵게 느껴질 수 있다. 심지어 빅데이터나 인공지능을 전공하는 학생들도 이를 꼼꼼하고 완벽하게 공부하지 않는 경우도 많다. 그만큼 너무 공부해야 할 내용이 방대하고 그렇기에 의지가 꺾이기 쉽기 때문이다. 그래서 데이터 사이언스 분야는 한편으로 참 정직한 분야라고 생각한다. 몇 번의 대화만 나눠보면 저 사람이 얼마나 깊게 공부를 했고 다양한 경험을 했는지를 쉽게 느낄 수 있다. 이제 막 입문을 한 사람이건 한창 열심히 공부를 하고 있는 사람이건 원하는 목표에 이를 수 있도록 높은 의지를 보여주는 것이 중요하다 생각한다.
※ 평소 빅데이터/인공지능에 궁금한 점이 있어 답변을 원하는 내용이 있다면 공유해주시면 감사하겠습니다.
키워드에 대한 정보 딥 러닝 공부 순서
다음은 Bing에서 딥 러닝 공부 순서 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 [딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리
- 딥러닝
- 딥러닝공부순서
- 딥러닝 학습순서
- 딥러닝 배우는 법
YouTube에서 딥 러닝 공부 순서 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 [딥러닝 초보자 필수 시청] 딥러닝 공부 순서 한 번에 총 정리 | 딥 러닝 공부 순서, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
