엔비디아 딥 러닝 인스티튜트 2017(NVIDIA DEEP LEARNING INSTITUTE) 참가 안내

by NVIDIA Korea

 

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

  1. 크롬 브라우저 최신 버전 설치
  2. nvidia.qwiklab.com 에서 신규 가입
  3. 이메일 인증 완료(가입하면 confirm 메일을 받아서 활성화해야 함)
  4. 가입 완료 확인
  5. 가입한 ID (E-mail), 이름, 전화 번호를 nvidiakr2017@gmail.com 으로 보내 주셔야 합니다.
    * 반드시 등록 당시 정보와 동일해야 합니다.

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
– 사용자 구성 Python 레이어로 Caffe를 확장하는 방법
– 트랜스퍼 러닝의 개념
– Fully Convolutional Network(FCN)에서 두 개의 뉴럴 네트워크를 훈련하는 과정을 파악

#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
– CNN을 훈련시키는 방법
– 초매개변수(hyper-parameter)를 조정하는 방법
– 모델의 성능을 테스트하고 평가하는 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.