구트아카데미학원-자바,오라클(ocp),빅데이터,레드햇,ocp,엑사(exa)데이터

구트아카데미


구트아카데미-머신러닝을 활용한 자바개발자 취업반,오라클 데이터베이스 빅데이터 분석가 과정, 프론트엔드 개발 자바 개발자 양성과정

국비지원 무료교육과정

구트아카데미의 교육과정은 누구나 처음부터 차근차근 시작할 수 있도록 기초교육부터 기업에서 요구하는 실무스킬과 미래산업 기술까지 단계별로 설계하였습니다.

국가기간전략산업

구직자의 취업을 위해 본인부담금 없이 100% 국비지원으로 진행되는 고용노동부 인증 과정입니다.

교육과정

[9/4개강] 머신러닝을 활용한 인공지능(AI) 자바개발자 양성과정

작성자 goottedu
작성일 18-07-02 10:49 | 1,383 | 0

본문

머신러닝을 활용한 인공지능(AI)개발자 양성과정

911633330_edu3.gif
  • 과정명

    머신러닝을 활용한 인공지능(AI)개발자 양성과정(코드20010202)
  • 교육일정

    2018.09.04 ~ 2019.03.27
  • 교육기간

    총 6개월,1000시간(8시간/1일)
  • 교육시간

    09시 30분~18시30분(점심시간 13시30분~14시 30분)
  • 수강정원

    30명

talk.gif


인공지능 기술의 탄생 및 성장

인공 지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이랍니다. 특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있죠. 갈수록 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 ‘빅데이터’ 시대의 도래도 이러한 성장세에 큰 영향을 미쳤습니다.


인공 지능: 인간의 지능을 기계로 구현하다

ai.gif

1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었죠. 이렇듯 인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 ‘일반 AI(General AI)’라고 하지만, 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 ‘좁은 AI(Narrow AI)’의 개념에 포함됩니다. 좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이죠.

머신 러닝: 인공 지능을 구현하는 구체적 접근 방식

machine%20learning.gif


한편, 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 합니다. 따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’시켜 작업 수행 방법을 익히는 것을 목표로 한답니다.


머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함됩니다. 그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI조차 완성하기 어려운 경우도 많았던 것이 사실이죠.


현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 봉착하기도 했는데요. 가령 머신 러닝 시스템을 기반으로 정지 표지판의 이미지를 인식할 경우, 개발자는 물체의 시작과 끝 부분을 프로그램으로 식별하는 경계 감지 필터, 물체의 면을 확인하는 형상 감지, ‘S-T-O-P’와 같은 문자를 인식하는 분류기 등을 직접 코딩으로 제작해야 합니다. 이처럼 머신 러닝은 ‘코딩’된 분류기로부터 이미지를 인식하고, 알고리즘을 통해 정지 표지판을 ‘학습’하는 방식으로 작동된답니다.


머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한답니다. 최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이죠


딥 러닝: 완전한 머신 러닝을 실현하는 기술

deep%20learning.gif


초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였습니다. 그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정합니다.


예를 들어, 이미지를 수많은 타일로 잘라 신경망의 첫 번째 레이어에 입력하면, 그 뉴런들은 데이터를 다음 레이어로 전달하는 과정을 마지막 레이어에서 최종 출력이 생성될 때까지 반복합니다. 그리고 각 뉴런에는 수행하는 작업을 기준으로 입력의 정확도를 나타내는 가중치가 할당되며, 그 후 가중치를 모두 합산해 최종 출력이 결정됩니다.


정지 표지판의 경우, 팔각형 모양, 붉은 색상, 표시 문자, 크기, 움직임 여부 등 그 이미지의 특성이 잘게 잘려 뉴런에서 ‘검사’되며, 신경망의 임무는 이것이 정지 표지판인지 여부를 식별하는 것입니다. 여기서는 충분한 데이터를 바탕으로 가중치에 따라 결과를 예측하는 ‘확률 벡터(probability vector)’가 활용되죠.


딥 러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥 러닝의 상용화는 초기부터 난관에 부딪혔죠. 그럼에도 토론토대의 제프리 힌튼(Geoffrey Hinton) 교수 연구팀과 같은 일부 기관에서는 연구를 지속했고, 슈퍼컴퓨터를 기반으로 딥 러닝 개념을 증명하는 알고리즘을 병렬화하는데 성공했습니다. 그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥 러닝 기반 인공 지능의 등장을 불러왔죠.


신경망 네트워크는 ‘학습’ 과정에서 수많은 오답을 낼 가능성이 큽니다. 정지 표지판의 예로 돌아가서, 기상 상태, 밤낮의 변화에 관계 없이 항상 정답을 낼 수 있을 정도로 정밀하게 뉴런 입력의 가중치를 조정하려면 수백, 수천, 어쩌면 수백만 개의 이미지를 학습해야 할지도 모르죠. 이 정도 수준의 정확도에 이르러서야 신경망이 정지 표지판을 제대로 학습했다고 볼 수 있습니다.


2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 ‘심층신경망(Deep Neural Network)’을 구현했습니다. 이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했습니다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이죠.

딥 러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있습니다. 이 밖에도 딥 러닝의 영역에는 혈액의 암세포, MRI 스캔에서의 종양 식별 능력 등이 포함됩니다. 구글의 알파고는 바둑의 기초를 배우고, 자신과 같은 AI를 상대로 반복적으로 대국을 벌이는 과정에서 그 신경망을 더욱 강화해 나갔습니다.

딥 러닝으로 밝은 미래를 꿈꾸는 인공 지능

딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐죠. 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화합니다. 운전자 없는 자동차, 더 나은 예방 의학, 더 정확한 영화 추천 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞두고 있습니다. 딥 러닝은 공상과학에서 등장했던 일반 AI를 실현할 수 있는 잠재력을 지닌 인공 지능의 현재이자, 미래로 평가 받고 있답니다.


훈련단락별 과정 구조

2.JPG

웹 구성 요소

3.JPG

5.JPG

6.JPG

7.JPG

8.JPG

9.JPG

s10.JPG

11.JPG

13.JPG

14.JPG

15.JPG

16.JPG

17.JPG

18.JPG

s19.JPG

과정특징

4차 산업혁명의 주요 직무인 인공지능(AI) 개발 전문가를 양성하기 위해 NCS기반으로 설계하였으며, 협약기업의 사전 수요조사를 반영하여 실무중심으로 훈련과정을 개발하였습니다. 또한
본 과정은 머신러닝과 딥러닝의 학습내용을 웹페이지 서비스에 직접 구현.실행하여 최종 프로젝트를 완성하며 총 수업기간동안 4차례의 각 주요 파트별 미니 프로젝틀를 진행하고 있습니다.본원은 대한민국 제1의 IT중심 도시인 구로디지털단지역에 위치하고 있어 훈련생들이 IT기업동향을 쉽게 접할 수 있고, 취업연계도 용이합니다.

훈련목표

① 컴퓨터 프로그래밍언어로 각 업무에 맞는 소프트웨어의 기능에 관한 구현 및 테스트를 수행하고, 사용자에게 배포하고 요구사항을 확인할 수 있다.
② 데이터에 대한 요구사항으로부터 SQL 활용, 데이터베이스를 구현하고, 데이터베이스 요구사항을 분석할 수 있다.
③ 빅데이터 분석은 대용량의 데이터 집합으로부터 유용한 정보를 찾고 결과를 예측하기 위해 목적에 따라 분석기술과 방법론을 기반으로 정형/비정형 대용량 데이터를 구축, 분석, 시각화를 수행할 수 있다.
④ 데이터를 분석하는 시스템 구축 프로젝트를 수행할 수 있다.

훈련과정 구성

① 기업용 애플리케이션 개발을 위한 프로그래밍 언어와 기술 활용
② Oracle, MySQL 등의 DBMS 및 SQL 구문 활용
③ 웹기반 기술을 사용하는 웹 애플리케이션 개발
④ 좋은 애플리케이션을 만들기 위한 검증된 패턴과 아키텍처 학습
⑤ 오픈 소스프레임워크를 사용하는 엔터프라이즈 애플리케이션 개발
⑥ 파이썬, R등의 통계 및 데이터분석 언어 활용
⑦ 데이터 수집, 처리, 분석, 시각화와 관련된 다양한 라이브러리 및 프레임워크 학습
⑧ 웹기반 데이터 수집을 위한 데이터 크롤링 기법 학습
⑨ 데이터분석에 필요한 기초 통계이론 및 머신러닝 기법 학습
⑩ 인공신경망 기반의 머신러닝 기법 및 텐서플로우등 머신러닝 프레임워크 활용
⑪ 파이썬, R등이 제공하는 시각화 라이브러리 및 웹기반 시각화 라이브러리 활용
⑫ 팀 프로젝트

난이도

본 훈련과정은 전공자뿐 아니라 초보자 및 비전공자도 쉽게 참여할 수 있도록 매월 진도협의를 통해 훈련난이도를 조율합니다.

훈련생 취업

훈련이 진행 중에는 취업지원 전담자를 별도로 지정하여 인공지능(AI) 개발자 분야의 직무를 이해할 수 있도록 1:1 밀착상담, 훈련생과 상담자간의 라포형성(공감대 및 친밀감), 취업동향 세미나가 진행되며, 훈련종료 후에는 이력서 및 자기소개서 컨설팅, 모의면접, 기업분석 특강을 통해 훈련생들이 취업에 성공할 수 있도록 컨설팅을 합니다. 이후 협약기업 및 꾸준히 발굴한 신규기업으로의 취업매칭을 통해 수료생들이 만족하는 맞춤형 취업지원이 진행됩니다.


[ 머신러닝을 활용한 인공지능(AI)개발자 양성과정 ]

훈련교과 능력단위 교육내용
자바 프로그래밍
(160H)
프로그래밍 언어활용
  • - 자바 언어의 이해, 자바 개발 환경 설치, Eclipse 설치, 컴파일, 자바의 구조
    - 상수, 변수, 식별자, Data Type, 형변환
    - 선택문, 반복문 을 이용한 실행흐룸 제어
    - 메서드, 클래스, 객체, 캡슐화, 상속, 다형성, 추상클래스, 인터페이스
    - Wrapper 클래스, 문자열관리, 날짜, 수학 및 기타 유용한 기능 제공 클래스
    - 자료구조와 알고리즘에 대한 이해 및 자바의 자료구조와 알고리즘 구현 클래스 활용
    - 파일과 데이터 입출력, 직렬화
    - 예외 처리, Checked 예외와 런타임 예외
    - 함수형 프로그래밍, 람다 표현식, 스트림 제어
    - 쓰레드와 비동기 프로그래밍, 쓰레드 동기화
    - 네트워크 개요, 네트워크 프로그래밍, TCP/UDP, 채팅 프로그래밍
응용 SW 기초
기술 활용
오라클
데이터베이스
프로그래밍
(56H)
데이터베이스
구현
  • - DBMS 설치, Client 프로그램 설치, 계정 관리
    - INSERT, DELETE, UPDATE, SELECT, JOIN 등 기초 DML 구문
    - CREATE, ALTER, DROP 등 기초 DDL 구문
    - PL/SQL을 활용한 고급 SQL 활용
    - 다양한 속성 생성 및 관리
    - 뷰, 저장프로시저, 함수, 인덱스, 트리거 등
SQL 활용
데이터
모델링(40H)
요구사항 확인
  • - 데이터 모델링 도구 설치
    - 논리 모델링과 물리 모델링
    - 엔티티타입, 속성, 식별자, 제약조건, 관계 생성
    - 정규화와 역정규화
    - 엔지니어링과 리버스엔지니어링
데이터베이스
요구사항 분석
웹 클라이언트
프로그래밍
(HTML, CSS, Javascript, jQuery)
(64H)
화면설계
  • - 주요 편집기 기능 활용, 웹서버 설치 및 사용
    - HTML 문서 구조, 텍스트/목록/링크/이미지/테이블 등 주요 마크업, 폼 태그와 사용자 입력 처리
    - HTML5 마크업 개요, 웹워커, 장치 연동, 이미지와 그래픽, 멀티미디어, 웹소켓 등
    - CSS 구문 구조, 선택자, 색상/텍스트/박스/레이아웃/이미지 등에 적용되는 주요 속성 활용
    - Javascript 구문 구조, 자료형/변수/제어문, 함수, 내장 객체 사용, 브라우저 객체 사용
    - jQuery 구문 구조, 선택자, 커맨드, 효과 활용
화면구현
스프링 프레임워크 기반
웹 애플리케이션 구현
(304H)
인터페이스
구현
  • [자바 웹 애플리케이션 기술 기초 및 활용]
    - 웹 환경 개용, 웹서버/컨테이너 설치 및 설정, 구동 실습
    - 웹 애플리케이션 요청 처리 구조, Servlet, JSP
    - 상태관리, 인증, 파일업로드/다운로드, 웹메일, 필터, 애플리케이션 이벤트 처리
    - Custom Tag, EL, JSTL
    - 사용자관리, 자료실, 게시판 구현 등
    [Ajax와 동적 웹 프로그래밍]
    - 비동기 웹 요청 처리 구조, XMLHttpRequest 객체 사용, JSON 기반 객체 표기 및 사용
    [스프링 프레임워크와 MyBatis 활용]
    - 엔터프라이즈 애플리케이션 특징 및 요구사항, 스프링 프레임워크 구조, 설치 및 환경 설정
    - 스프링 IoC, Portable Service Abstraction, AOP 등
    - Model View Controller Pattern, 스프링 웹 애플리케이션 구조, 컨트롤러 구현, 요청 매핑, 커스텀 뷰 구현
    - 저수준 데이터 연동 문제점, 데이터 접근 계층 추상화 구조
    - 데이터 소스 구성, 템플릿 기반 데이터 연동, 스프링 MyBatis, 스프링 JPA, 트랜잭션 관리
    - MyBatis 구조, 설치 및 설정, Mapper 설정 파일 구조와 구성 요소, Mapper 파일 구조와 구성 요소, 동적 SQL 구문
    - SqlSession 관리 클래스, MapperInterface와 SQL Mapper 바인딩
    - PlatformTransactionManager를 활용한 트랜잭션 관리 및 AOP를 활용한 트랜잭션 관리
서버프로그램
구현
통합구현
데이터입출력
구현
애플리케이션
테스트 수행
애플리케이션
테스트 관리
정보시스템
이행
제품 소프트웨어
패키징
애플리케이션
배포
인공지능 구현을
위한 데이터 분석
(256H)
탐색적
데이터 분석
  • - 아나콘다, VirtualEnv 등 파이썬 개발 환경 구축 및 설정
    - 파이썬의 기초 구문, 파이썬 프로그램 개발을 위한 패키지 활용
    - Panda, NumPy, MatPlotLib 등 데이터 분석 및 시각화 패키지 활용
    - 기초 통계량, 난수, 분포함수, 표본추출 기법 활용
    - 상관계수, 카이제곱분포, T분포, F분포 등을 사용하는 독립성 검정 및 적합도 검정
    - 선형회귀를 사용하는 예측 모델 개발 및 활용
    - 텍스트마이닝 기반 비정형 데이터 분석 기법
    - 파이썬의 머신러닝 패키지인 싸이킷런 이해 및 설치
    - k-최근접이웃, 나이브베이즈 분류기, 결정트리, 서포트 벡터 머신 등의 머신 러닝 기법
    - 차원 축소, 특성 추출, 군집 등의 머신 러닝 기법
    - 과적합화, 과소적합화, 예측능력 등의 문제를 검증하기 위한 모델 성능 평가
    - 차원 축소, 특성 추출, 군집 등의 머신 러닝 기법
    - 인공신경망과 딥러닝을 활용한 머신 러닝 기법
    - 데이터 분석 결과에 대한 설득력 있는 스토리텔링 기법
    - MatPlotLib 패키지를 사용하는 데이터 시각화 기법
분석용
데이터 구축
빅데이터분석
결과 시각화
머신러닝기반
데이터 분석
통계기반
데이터 분석
텍스트
데이터 분석
데이터 분석 시스템 구축 프로젝트
(120H)
비 NCS
  • - 데이터 분석 시스템 기획
    - 요구사항 수집, 문제 범위 결정, 문제 정의 도출
    - 데이터 수집 방법 결정, 데이터 수집 시스템 구축
    - 데이터 클린징, 데이터 통합, 데이터 변환, 데이터 축소, 비정형 데이터 정형화 등을 통한 데이터 전처리
    - 테이블 표시, 시각화 등을 통한 데이터 확인
    - 설명 변수 선택, 훈련, 테스트, 검정 데이터 분할, 데이터 샘플링
    - 분석 모델 검토 및 설계
    - ROC, AUC, BIC, AIC 등을 통해 모델의 정확성 및 견고성 확인
    - 모델 코딩 및 시스템에 통합

 

 

수강생 혜택

Goott Gallery

다른과정 보기

- Azure(애저) 클라우드기반 마이크로서비스 전문가 양성과정

- 오라클 데이터베이스를 활용한 빅데이터 분석가 양성과정

- 프론트엔드 개발을 위한 스마트웹 개발자 양성과정

- 아두이노를 활용한 사물인터넷(IOT)개발자 양성과정


댓글목록 0

등록된 댓글이 없습니다.

온라인 문의