텐서플로우로 구현하는 AI 실무: 트랜스포머부터 자동 동작 분석 및 품질관리까지
10월 25일(토) 개강
10.25(토) ~ 11.22(토)
・ 교육과정 | 텐서플로우로 구현하는 AI 실무: 트랜스포머부터 자동 동작 분석 및 품질관리까지 ※ 40시간 교육 |
・ 학습난이도 | 중급 |
・ 강의시간표 | 주말 교육시간(토) 10.25(토) ~ 11.22(토) (점심시간 13:30 ~ 14:30) |
・ 수강료 | 중소기업: 전액무료 대기업: 참여불가 |
텐서플로우로 구현하는 AI 실무:
트랜스포머부터 자동 동작 분석 및 품질관리까지
과정소개 | 본 과정은 TensorFlow와 Keras를 기반으로 기초 수학부터 최신 LLM(GPT)까지 아우르는 딥러닝 전문가 양성 과정입니다. 특히, 산업 현장에서 요구되는 자동 동작 분석(Motion Analysis), 제조 품질 관리(Quality Control), 그리고 효율적인 데이터 처리를 위한 통계적 샘플링(Sampling) 기법을 실습 프로젝트에 녹여내어 실무 중심의 역량을 강화합니다. - 선수지식 : 파이썬, 넘파이, 판다스 | ||||||||||||||||
교육과정 로드맵 | 딥러닝 기초 및 데이터 통계 기초 수학 & 통계: 선형대수, 미적분 및 데이터 샘플링(Sampling) 이론. 전체 데이터에서 모델 학습을 위한 최적의 표본을 추출하는 샘플링 기법(무작위, 층화 추출 등) 학습. 신경망 기본 및 역전파: 뉴런 구조와 가중치 업데이트 원리. 모델 최적화와 품질 관리 전략 • 경사 하강법 및 옵티마이저: Adam, RMSprop 등을 통한 최적화. • 모델 평가와 품질 관리(Quality Assurance): : 혼돈 행렬(Confusion Matrix), Precision-Recall 곡선을 활용해 모델의 예측 품질을 정량적으로 관리하고 오류율을 줄이는 기법 습득. • 과적합 방지: L1/L2 규제 및 EarlyStopping을 통한 모델 안정성 확보. 컴퓨터 비전 및 자동 동작 분석
트랜스포머와 LLM 기반 서비스 트랜스포머 & GPT: 어텐션 메커니즘 이해 및 텍스트 생성 원리. 파인튜닝(Fine-tuning): 도메인 특화 데이터(공정 매뉴얼, 품질 가이드 등)를 활용한 모델 최적화. 실전 챗봇 제작: Flask와 LLM을 결합한 지능형 고객 응대/기술 지원 시스템 구축. | ||||||||||||||||
상세 교육 내용 (이론 및 실습 자료 상세화) | 데이터 품질 및 통계적 샘플링 (Data Sampling & Prep) - 핵심 이론: 확률적 샘플링 vs 비확률적 샘플링, 불균형 데이터(Imbalanced Data)의 문제점 이해. - 자료 내용 및 실습 : 샘플링 실습: Pandas를 활용해 수만 개의 로그 데이터에서 통계적으로 유의미한 표본을 추출하는 기법(Stratified Sampling) 학습. 데이터 증강(Augmentation): 부족한 품질 불량 데이터를 보완하기 위해 이미지 회전, 반전, 노이즈 추가를 통한 샘플링 확장. 데이터 검수 : 수집된 데이터의 결측치 및 이상치를 처리하여 학습 데이터의 품질(Data Quality)을 확보하는 전처리 파이프라인 구축. | ||||||||||||||||
CNN 기반 품질 관리 및 이상 탐지 (Quality Control & Vision) - 핵심 이론: 컨볼루션 연산(Convolution), 풀링(Pooling), 오차 행렬(Confusion Matrix)을 통한 품질 지표 측정. - 자료 내용 및 실습 : 불량 검출 모델: 정상 제품과 불량 제품(스크래치, 오염 등) 이미지를 분류하는 CNN 모델 제작. 성능 평가 지표: 단순 정확도(Accuracy)를 넘어, 불량을 정상으로 오판하지 않기 위한 재현율(Recall)과 정밀도(Precision) 관리 기법 실습. - 실무 자료: 실제 산업용 부품 이미지 데이터셋(MVTec AD 등)을 활용한 품질 판정 실습. | |||||||||||||||||
RNN/3D-CNN을 이용한 자동 동작 분석 (Automated Motion Analysis) - 핵심 이론: 시계열 데이터의 특징 추출, 시퀀스 투 시퀀스(Seq2Seq) 모델, 동작 분할(Temporal Action Segmentation). - 자료 내용 및 실습 : 프레임 분석: 비디오 데이터를 프레임 단위로 나누어 작업자의 특정 동작(조립, 운반, 대기 등)을 분류하는 동작 인식 모델 구현. - 자동화 지표: 작업 공정별 소요 시간(Cycle Time)을 AI가 자동으로 측정하여 공정 효율성을 분석하는 대시보드 기초 자료 제작. - 실무 자료: MediaPipe 또는 OpenPose 라이브러리를 연동하여 신체 관절 포인트를 추출하고 동작의 정상 여부를 분석하는 실습. | |||||||||||||||||
트랜스포머 기반 LLM 및 지능형 챗봇 (Transformer & LLM) - 핵심 이론 : 셀프 어텐션(Self-Attention) 메커니즘, 사전 학습(Pre-training)과 파인튜닝(Fine-tuning)의 차이. - 자료 내용 및 실습: GPT-2 파인튜닝: 특정 산업(제조/금융/컴퓨터비전 등)의 전문 용어가 담긴 문서를 학습시켜 도메인 특화 챗봇 구현. - 자동 응답 시스템: 작업자가 "현재 공정의 품질 상태는?"이라고 질문하면 동작 분석 결과와 품질 지표를 결합하여 답변하는 시나리오 실습. - Flask 웹 연동: 작성된 모델을 웹 화면에 띄워 실시간으로 동작을 분석하거나 텍스트를 생성하는 웹 인터페이스 구현 자료. | |||||||||||||||||
교육 효과 및 전망 | 품질 관리 전문가: AI를 활용해 제조 현장의 불량률을 획기적으로 낮추는 품질 관리 역량 확보. 스마트 팩토리 개발자: 자동 동작 분석을 통해 작업 효율성을 극대화하는 솔루션 설계 가능. 종합 AI 엔지니어: 데이터 샘플링부터 모델 배포(Flask)까지 전체 파이프라인을 경험한 인재로 성장. | ||||||||||||||||
교육 목적 | - 본 과정은 TensorFlow를 통해 딥러닝 모델 개발의 핵심을 다지고, 컴퓨터 비전과 GPT(트랜스포머) 모델을 활용한 실무 프로젝트 역량을 강화하는 것을 목표로 합니다. 나아가 Flask 웹 프레임워크와 최신 LLM을 결합하여, 나만의 AI 웹 서비스를 기획하고 완성하는 실전 경험을 제공합니다. | ||||||||||||||||
교육 진행 | - 실습 위주의 교육 진행 - 실습방식 : 강의장 NVidea GPU, Google Colab GPU 기반의 실습 | ||||||||||||||||
과정 강점 |
| ||||||||||||||||
텐서플로우로 구현하는 AI 실무:
트랜스포머부터 자동 동작 분석 및 품질관리까지
과정소개 | 본 과정은 TensorFlow와 Keras를 기반으로 기초 수학부터 최신 LLM(GPT)까지 아우르는 딥러닝 전문가 양성 과정입니다. 특히, 산업 현장에서 요구되는 자동 동작 분석(Motion Analysis), 제조 품질 관리(Quality Control), 그리고 효율적인 데이터 처리를 위한 통계적 샘플링(Sampling) 기법을 실습 프로젝트에 녹여내어 실무 중심의 역량을 강화합니다. - 선수지식 : 파이썬, 넘파이, 판다스 | ||||||||||||||||
교육과정 로드맵 | 딥러닝 기초 및 데이터 통계 기초 수학 & 통계: 선형대수, 미적분 및 데이터 샘플링(Sampling) 이론. 전체 데이터에서 모델 학습을 위한 최적의 표본을 추출하는 샘플링 기법(무작위, 층화 추출 등) 학습. 신경망 기본 및 역전파: 뉴런 구조와 가중치 업데이트 원리. 모델 최적화와 품질 관리 전략 • 경사 하강법 및 옵티마이저: Adam, RMSprop 등을 통한 최적화. • 모델 평가와 품질 관리(Quality Assurance): : 혼돈 행렬(Confusion Matrix), Precision-Recall 곡선을 활용해 모델의 예측 품질을 정량적으로 관리하고 오류율을 줄이는 기법 습득. • 과적합 방지: L1/L2 규제 및 EarlyStopping을 통한 모델 안정성 확보. 컴퓨터 비전 및 자동 동작 분석
트랜스포머와 LLM 기반 서비스 트랜스포머 & GPT: 어텐션 메커니즘 이해 및 텍스트 생성 원리. 파인튜닝(Fine-tuning): 도메인 특화 데이터(공정 매뉴얼, 품질 가이드 등)를 활용한 모델 최적화. 실전 챗봇 제작: Flask와 LLM을 결합한 지능형 고객 응대/기술 지원 시스템 구축. | ||||||||||||||||
상세 교육 내용 (이론 및 실습 자료 상세화) | 데이터 품질 및 통계적 샘플링 (Data Sampling & Prep) - 핵심 이론: 확률적 샘플링 vs 비확률적 샘플링, 불균형 데이터(Imbalanced Data)의 문제점 이해. - 자료 내용 및 실습 : 샘플링 실습: Pandas를 활용해 수만 개의 로그 데이터에서 통계적으로 유의미한 표본을 추출하는 기법(Stratified Sampling) 학습. 데이터 증강(Augmentation): 부족한 품질 불량 데이터를 보완하기 위해 이미지 회전, 반전, 노이즈 추가를 통한 샘플링 확장. 데이터 검수 : 수집된 데이터의 결측치 및 이상치를 처리하여 학습 데이터의 품질(Data Quality)을 확보하는 전처리 파이프라인 구축. | ||||||||||||||||
CNN 기반 품질 관리 및 이상 탐지 (Quality Control & Vision) - 핵심 이론: 컨볼루션 연산(Convolution), 풀링(Pooling), 오차 행렬(Confusion Matrix)을 통한 품질 지표 측정. - 자료 내용 및 실습 : 불량 검출 모델: 정상 제품과 불량 제품(스크래치, 오염 등) 이미지를 분류하는 CNN 모델 제작. 성능 평가 지표: 단순 정확도(Accuracy)를 넘어, 불량을 정상으로 오판하지 않기 위한 재현율(Recall)과 정밀도(Precision) 관리 기법 실습. - 실무 자료: 실제 산업용 부품 이미지 데이터셋(MVTec AD 등)을 활용한 품질 판정 실습. | |||||||||||||||||
RNN/3D-CNN을 이용한 자동 동작 분석 (Automated Motion Analysis) - 핵심 이론: 시계열 데이터의 특징 추출, 시퀀스 투 시퀀스(Seq2Seq) 모델, 동작 분할(Temporal Action Segmentation). - 자료 내용 및 실습 : 프레임 분석: 비디오 데이터를 프레임 단위로 나누어 작업자의 특정 동작(조립, 운반, 대기 등)을 분류하는 동작 인식 모델 구현. - 자동화 지표: 작업 공정별 소요 시간(Cycle Time)을 AI가 자동으로 측정하여 공정 효율성을 분석하는 대시보드 기초 자료 제작. - 실무 자료: MediaPipe 또는 OpenPose 라이브러리를 연동하여 신체 관절 포인트를 추출하고 동작의 정상 여부를 분석하는 실습. | |||||||||||||||||
트랜스포머 기반 LLM 및 지능형 챗봇 (Transformer & LLM) - 핵심 이론 : 셀프 어텐션(Self-Attention) 메커니즘, 사전 학습(Pre-training)과 파인튜닝(Fine-tuning)의 차이. - 자료 내용 및 실습: GPT-2 파인튜닝: 특정 산업(제조/금융/컴퓨터비전 등)의 전문 용어가 담긴 문서를 학습시켜 도메인 특화 챗봇 구현. - 자동 응답 시스템: 작업자가 "현재 공정의 품질 상태는?"이라고 질문하면 동작 분석 결과와 품질 지표를 결합하여 답변하는 시나리오 실습. - Flask 웹 연동: 작성된 모델을 웹 화면에 띄워 실시간으로 동작을 분석하거나 텍스트를 생성하는 웹 인터페이스 구현 자료. | |||||||||||||||||
교육 효과 및 전망 | 품질 관리 전문가: AI를 활용해 제조 현장의 불량률을 획기적으로 낮추는 품질 관리 역량 확보. 스마트 팩토리 개발자: 자동 동작 분석을 통해 작업 효율성을 극대화하는 솔루션 설계 가능. 종합 AI 엔지니어: 데이터 샘플링부터 모델 배포(Flask)까지 전체 파이프라인을 경험한 인재로 성장. | ||||||||||||||||
교육 목적 | - 본 과정은 TensorFlow를 통해 딥러닝 모델 개발의 핵심을 다지고, 컴퓨터 비전과 GPT(트랜스포머) 모델을 활용한 실무 프로젝트 역량을 강화하는 것을 목표로 합니다. 나아가 Flask 웹 프레임워크와 최신 LLM을 결합하여, 나만의 AI 웹 서비스를 기획하고 완성하는 실전 경험을 제공합니다. | ||||||||||||||||
교육 진행 | - 실습 위주의 교육 진행 - 실습방식 : 강의장 NVidea GPU, Google Colab GPU 기반의 실습 | ||||||||||||||||
과정 강점 |
| ||||||||||||||||