NVIDIA의 글로벌 딥 러닝 교육 프로그램인 DEEP LEARNING INSTITUTE 는 딥 뉴럴 네트워크를 어떻게 설계하고 훈련하며
배포하는지에 대한 최신 딥 러닝 기술 교육 세션을 제공하고 있습니다.
뿐만 아니라 딥 러닝을 위한 다양한 오픈소스 프레임워크와 최신 GPU 가속 플랫폼을 모두 확인하실 수 있습니다.
이번에 진행되는 DEEP LEARNING INSTITUTE 는 NVIDIA 글로벌 본사에서 인증한 최고 딥 러닝 전문가들로부터 교육을 받게 되며,
본 교육 과정을 수료하신 모든 분들께는 NVIDIA가 전 세계적으로 발급하고 있는 DEEP LEARNING INSTITUTE 공식 수료 인증서를 수여할 예정입니다.
NVIDIA DEEP LEARNING INSTITUTE 에 참석하시고 가장 최신의 딥 러닝 기술을 배워가시기 바랍니다.
NVIDIA DEEP LEARNING INSTITUTE 참가 안내
일 시: 2017년 3월 28일 10:00~ 17:30
장 소: 서울 삼성동 코엑스 컨퍼런스룸 E5
참가비: 1인 110,000원(부가세 포함)
DEEP LEARNING INSTITUTE 준비 사항
DEEP LEARNING INSTITUTE 참가를 위해서는 본인의 노트북(Windows, Mac, Linux / Wifi / 크롬 브라우저)을 소지하고 오셔야 하며, 아래 사전 세팅 사항을 완료하셔야 합니다.
사전 세팅 사항
|
사전 세팅 사항 상세 가이드 -QWIKLAB 사용법 포함
2월 DEEP LEARNING INSTITUTE 교육 내용
DEEP LEARNING INSTITUTE 는 아래와 같은 분야의 전문가를 양성하는데 그 목적을 둡니다.
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.
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.
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.
향후 NVIDIA DEEP LEARNING INSTITUTE 진행 안내
오는 2월 28일부터 3, 4월까지 매월 진행되는 이번 NVIDIA DEEP LEARNING INSTITUTE는 딥 러닝에 대한 기초적인 지식을 가지신 분들이 들을 수 있는 초급 실습 과정입니다. 3월 세션 신청은 아래 링크에서 확인부탁드립니다.
3월 DEEP LEARNING INSTITUTE 신청 하기: https://www.nvidia.com/content/apac/event/kr/nvidia-deep-learning-institute-march/
| 3월 28일 DEEP LEARNING INSTITUTE 교육 안내 |
#1. DEEP LEARNING FOR IMAGE SEGMENTATION
한 이미지 내에서 개별 오브젝트를 감지하는 수준을 넘어서서 해당 이미지를 관심 영역으로 나누는 것이 필요한 영역들이 많이 있습니다. 예를 들어, 의료 영상 분석에 있어 각기 다른 조직, 혈액 및 비정상 세포에 해당하는 픽셀을 구분하여 특정 장기를 구분하는 것이 매우 중요한 부분입니다. 본 세션에서는 TensorFlow 딥 러닝 프레임워크 활용을 통해 의료 영상 데이터 세트를 이용한 영상 세그멘테이션 네트워크의 훈련 및 평가 작업을 진행할 예정입니다. |
| #2. MEDICAL IMAGE SEGMENTATION USING DIGITS
본 세션에서는 의료 영상 세그멘테이션의 문제점, 즉 픽셀 수준에서 분류 예측이 이뤄지는 영상 분류의 일반화를 진행할 수 있는 다양한 접근 방식을 살펴볼 예정입니다. 또한 Synnybrook Cardiac Data를 사용하여 뉴럴 네트워크의 트레이닝을 진행, MRI 영상에서 좌심실의 위치를 찾는 실습도 진행할 예정입니다. – 의미론적 분할을 위해 자주 쓰이는 이미지 분류 뉴럴 네트워크의 사용 방법 |
|
| #3. INTRODUCTION TO DEEP LEARNING WITH R AND MXNET
본 세션에서는 제2회 National Data Science Bowl(NDSB2)의 도전 과제를 살펴볼 예정입니다. NDSB2에서는 박동 중인 심장의 MRI 영상 시퀀스에서 박출률을 추정하는 것을 제시하였는데, 여기서 비정상적인 박출률은 심각한 의료 질환을 의미합니다. R 프로그래밍 언어와 딥 러닝 프레임워크 MXNet을 활용해 강력한 GPU 가속 컨볼루셔널 뉴럴 네트워크(CNN) 솔루션을 생성하여 박출율을 추정해 보게될 본 세션에서는 훈련용 대규모 영상 데이터 세트를 준비하는 과정과 딥 러닝을 위한 일반적인 고려 사항은 물론 흔히 사용되는 전략들을 개략적으로 다룰 예정입니다. |
| 4월 25일 DEEP LEARNING INSTITUTE 교육 안내 |
#1. INTRODUCTION TO RNNS
본 세션에서는 리커런트 뉴럴 네트워크(RNN)의 실제 수행 과정과 작동 방식 및 활용 방식에 대해 살펴볼 예정입니다. 본 세션 참여를 위해서는 뉴럴 네트워크와 딥 러닝에 대한 사전 지식이 다소 요구됩니다. |
| #2. SIGNAL PROCESSING USING DIGITS
딥 러닝을 활용한 음향, 지진, 무선 통신 또는 레이더 등 다양한 센서에서 취합한 데이터의 처리 방법을 보여주는 자료는 매우 드뭅니다. 본 세션에서 컨볼루셔널 뉴럴 네트워크(CNN)를 활용한 무선 주파수(RF) 신호의 처리를 소개할 예정이며, 노이즈로 인해 약해진 신호를 감지할 경우 나타나는 일반적인 문제점들을 확인하실 수 있습니다. – DIGITS 애플리케이션을 활용해 데이터 세트를 판독하는 방법 |
|
| #3. DEEP LEARNING WITH ELECTRONIC HEALTH RECORD
의료 환경에서 전자 건강기록(EHR: Electronic Healthcare Records) 정보를 바탕으로 환자가 앓고 있는 질병의 심각성을 예측하기 위해, 딥 러닝을 어떻게 활용할 수 있는지를 살펴봅니다. 또한 본 세션에서는 Python 라이브러리 Pandas를 이용해 HDF5 형식으로 제공되는 데이터 세트를 관리하고 딥 러닝 프레임워크 Keras를 이용해 리커런트 뉴럴 네트워크(RNN)를 구축할 예정입니다. 특히 롱-쇼트 텀 메모리 네트워크(LSTM: Long-Short Term Memory Network)라는 딥 RNN를 구축할 예정이며 이것에 있어 기본적인 아이디어는 특정 시점에서 환자의 사망률 예측을 도출할 수 있게 도와주는 딥 러닝 기반의 프레임워크를 개발하는 것입니다. |