딥러닝 IoT 과정

일자별 계획

0일차

딥러닝을 위한 라이브러리(최소) : library_for_deep_learning_shortly.ipynb

1일차

• 인공지능 개념 및 동작 원리의 이해 : deep_learning_intro.pptx

  • Perceptron, MLP, DNN 소개
  • DNN의 학습 이해
  • AI, 머신러닝, 딥러닝의 이해
  • 딥러닝 상세 기술 이해

• 흥미로운 딥러닝 결과 : some_interesting_deep_learning.pptx

2일차

• 환경

  • colab 사용법
  • python 아주 살짝
  • 기본 linux 명령어 : linux.md

• Keras로 구현한 딥러닝 #1 : dnn_in_keras.ipynb

  • 표준 Keras 딥러닝 코드
  • 로스 보기
  • 은닉층과 노드 수
  • trian, test 데이터 분리
  • batch size와 학습
  • 데이터 수와 학습

3일차

• Keras로 구현한 딥러닝 #2 : dnn_in_keras.ipynb

  • 모델 저장과 로딩
  • 학습되지 않는 랜덤 함수
  • Optimizer
  • 다양한 입출력

• 기타 Keras

  • callback : dnn_in_keras_callback.ipynb
  • overfitting 처리 : dnn_in_keras_overfitting.ipynb
  • overfitting 처리 실습 : for_overfitting_treating.ipynb

4일차

• 분류기로서의 DNN

  • 속성 데이터 IRIS 분류 실습 : dnn_iris_classification.ipynb

• 영상 데이터의 이해 : deep_learning_intro.pptx

• 영상 분류기로서의 DNN

  • 흑백 영상 데이터 MNIST 분류 실습 : dnn_mnist.ipynb
  • 흑백 영상 fashion MNIST 분류 : dnn_fashion_mnist.ipynb

• 영상 분류기로서의 CNN

  • CNN의 이해 : deep_learning_intro.pptx
  • 흑백 영상 데이터 MNIST 영상분류 : cnn_mnist.ipynb
  • CIFAR10 컬러영상분류 : cnn_cifar10.ipynb

• 영상 예측 CNN : template_image_data_vanilla_cnn_regression.ipynb

5일차

• 데이터 증강 : data_augmentation.ipynb

• 전이학습 VGG16_classification_and_cumtom_data_training.ipynb

  • 커스텀 데이터 VGG 데이터 분류 실습 : flowers.zip
    • real_practice_glaucoma_classification.ipynb
  • 영상 예측 : template_image_data_transfer_learning_regression.ipynb

6일차

• Keras Functional API : functional_api.ipynb

• AutoEncoder

  • AutoEncoder 실습 : autoencoder.ipynb
  • 디노이징 AutoEncoder : denoising_autoencoder.ipynb
  • Super Resolution : mnist_super_resolution.ipynb
  • inpainting : inpainting_autoencoder.ipynb
  • 이상탐지
    • mnist : anomaly_detection_using_autoencoder.ipynb
    • fashion mnist : anomaly_detection_fahsion_mnist.ipynb

• 영상 분할(Segementation)

  • U-Net을 사용한 영상 분할 실습 : unet_segementation.ipynb
  • M-Net을 사용한 영상 분할 실습 : mnet_segementation.ipynb
  • U-Net을 사용한 컬러 영상 분할 실습 : unet_segementation_color_image.ipynb
  • 실습 자료 : MRI_images.zip

7일차

• 물체 탐지

  • YOLO 설명 자료 : https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/edit

  • darknet으로 물체 탐지 : object_detection_yolo_darknet.ipynb

  • keras로 물체 탐지 : keras_yolov3.ipynb

  • 커스텀 데이터

    • raccon 데이터 : Raccoon.zip
    • 랩탑 데이터 : https://github.com/dhrim/deep_learning_data/blob/master/laptops.zip
    • raccoon 데이터 학습 : train_yolov3_raccoon_train.ipynb
    • raccon 데이터 탐지 실행 : keras_yolov3_custom_model.ipynb
    • 얼굴 탐지 : face_recognition_with_2_models.ipynb

  • 레이블링 툴

    • https://github.com/tzutalin/labelImg
    • https://www.makesense.ai

  • 레이블링 방법

    • 레이블링 가이드 by labelImg : yolo_labeling_guide.pdf
    • 레이블링 가이드 by makesense : yolo_labeling_guide_by_makesense.pdf

  • 물체 탐지 적용 예

    • https://drive.google.com/file/d/1ZGiJtRBG8wyI3nn8oI9iKqJC4zOitghT/view?usp=sharing
    • https://drive.google.com/file/d/1jlKzCaKj5rGRXIhwMXtYtVnx_XLauFiL/view?usp=sharing

8일차

• 웹 카메라를 사용한 영상 분류

9일차

• 웹 카메라를 사용한 물체 탐지

10일차

• 웹 카메라를 사용한 포즈 추출

기타

• CM, ROC, AUC : roc_auc_confusion_matric.ipynb

• 강화학습 이해하기 : deep_learning_intro.pptx

• 알파고 이해하기 : understanding_alphago.pptx

Template

• 속성 데이터
  • 예측 : template_attribute_data_regression.ipynb
  • 분류 : template_attribute_data_classification.ipynb
  • 2진 분류 : template_attribute_data_binary_classification.ipynb
• 영상 데이터
  • 예측 - vanilla CNN : template_image_data_vanilla_cnn_regression.ipynb
  • 예측 - 전이학습 : template_image_data_transfer_learning_regression.ipynb
  • 분류 - vanilla CNN : template_image_data_vanilla_cnn_classification.ipynb
  • 분류 - 전이학습 : template_image_data_transfer_learning_classification.ipynb
  • 2진 분류 - vanilla CNN : template_image_data_vanilla_cnn_binary_classification.ipynb
  • 2진 분류 - 전이학습 : template_image_data_transfer_learning_binary_classification.ipynb
• 순차열 데이터
  • 숫자열
    • 단일 숫자열 예측 : template_numeric_sequence_data_prediction.ipynb
    • 단일 숫자열 분류 : template_numeric_sequence_data_classification.ipynb
    • 다중 숫자열 분류 : template_multi_numeric_sequence_data_classification.ipynb
    • 다중 숫자열 다중 예측 : template_multi_numeric_sequence_data_multi_prediction.ipynb
    • 다중 숫자열 단일 예측 : template_multi_numeric_sequence_data_one_prediction.ipynb
  • 문자열
    • 문자열 예측 : template_text_sequence_data_prediction.ipynb
    • 문자열 분류 : template_text_sequence_data_classification.ipynb
    • 문자열 연속 예측 : template_text_data_sequential_generation.ipynb
  • 단어열
    • 단어열 분류 : template_word_sequence_data_classification.ipynb
    • 단어열 예측 : template_word_sequence_data_prediction.ipynb
    • 한글 단어열 분류 : template_korean_word_sequence_data_classification.ipynb
    • Bert를 사용한 한글 문장 간 관계 분류 : korean_sentence_relation_classification_with_bert.ipynb
    • Bert를 사용한 한글 문장 간 관계값 예측 : korean_sentence_relation_regression_with_bert.ipynb

GAN

• GAN의 이해 : deep_learning_intro.pptx,
  • 이상탐지 관련 GAN 설명 : deep_learning_anomaly_detection.pptx
• GAN을 사용한 MNIST 학습 실습 : wgan_gp_mnist.ipynb
• Conditional GAN의 이해 : anomaly_detection_using_gan.pptx
• Cycle GAN의 이해 : cycle_gan.pdf

기타 활용

• 얼굴 인식 : Face_Recognition.ipynb
• 포즈 추출 : open_pose_using_template.ipynb
• web cam + colab 실시간 포즈 추출 : tf_pose_estimation_with_webcam.ipynb
• 영상 데이터 예측 : cat_with_glasses.ipynb

성능 개선

• 성능 개선 개요 : deep_learning_intro.pptx
• 오버피팅 처리 : dnn_in_keras_overfitting.ipynb
• 데이터 수와 성능 : data_count_and_overfitting.ipynb
• weight 초기화와 성능 : dnn_in_keras_weight_init.ipynb
• normalization과 성능 : normalization_and_performance.ipynb
• 불균등 데이터 처리 : treating_imbalanced_data.ipynb
• K-Fold : k_fold.ipynb
• IMDB 분류에 적용 : treating_overfitting_with_imdb.ipynb
• MNIST CNN에 callback과 오버피팅 처리 적용 : boston_house_price_regression.ipynb

기타 실습

• 얼굴 인식

  • 얼굴 위치 탐지 실습 : track_faces_on_video_realtime.ipynb
  • 얼굴 감정 분류 실습 : face_emotion_classification.ipynb

• 영상 데이터

  • 화재 영상 분류 : fire_scene_classification.ipynb
  • wafer map 영상 분류 : real_practice_classify_semiconductor_wafermap.ipynb
  • 엔진 블레이드 영상 분류 : engine_blade_classification.ipynb

• 속성 데이터

  • 심리설문 데이터 분류 : real_practice_psychologial_test_classification.ipynb

• 시계열 데이터

  • 시계열 데이터 처리 : treating_sequence_data.ipynb
  • 시계열 데이터 예측 : weather_forecasting.ipynb
  • 시계열 데이터 분류 : real_practice_classify_semiconductor_time_series_data.ipynb
  • 음성 데이터 분류 : 20220629_classification_voice.ipynb

• 문자열 데이터

  • RNN을 사용한 다음 문자 생성 : rnn_next_character_prediction.ipynb
  • RNN을 사용한 덧셈 결과 생성 : seq2seq_addition_using_rnn.ipynb
  • RNN을 사용한 덧셈 결과 분류 : rnn_addition_text_classication.ipynb
  • Bert를 사용한 다음 단어 예측 : next_word_prediction.ipynb

• Dacon 데이터

  • 글자에 숨겨진 MNIST 영상 분류 : classification_hidden_mnist_in_lettern.ipynb
  • 와인 속성 데이타 품질 분류 : classification_wine_quality.ipynb

How-To

• class_wieght : howto_class_weight_for_imbalancing.ipynb

환경

• jupyter와 colab 이해 : jupyter_and_colab.md
• 윈도우 환경에서 linux command HowTo : how_to_linux_command_on_windows.md
• Ubuntu 서버 설치하기(다소 오래된) : 2019-10-17_setup_server.pdf
• GCP에 VM생성하고 Colab 연결하기 : GCP_VM_and_Colab.pdf

기타 자료

• ML Classifiers : ML_classifiers.ipynb
• DNN regression. boston 집값 예측 : boston_house_price_regression.ipynb
• 의학논문 리뷰
• GCP에 VM 생성하고 Colab 연결하기 : create_GCP_VM.pdf
• 흥미로운 딥러닝 결과 : some_interesting_deep_learning.pptx
• yolo를 사용한 실시간 불량품 탐지 : https://drive.google.com/file/d/194UpsjG7MyEvWlmJeqfcocD-h-zy_4mR/view?usp=sharing
• YOLO를 사용한 자동차 번호판 탐지 : https://drive.google.com/file/d/1jlKzCaKj5rGRXIhwMXtYtVnx_XLauFiL/view?usp=sharing
• 딥러닝 이상탐지 : deep_learning_anomaly_detection.pptx
• GAN을 사용한 생산설비 이상 탐지 : anomaly_detection_using_gan.pptx
• 이상탐지 동영상 : drillai_anomaly_detect.mp4
• 훌륭한 논문 리스트 : https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap
• online CNN 시각화 자료 : https://poloclub.github.io/cnn-explainer/
• GradCAM : grad_cam.ipynb
• 서버 설치 기록 : 2019-10-17_setup_server.pdf
• GCP에 VM 생성하고 Colab 연결 : GCP_VM_and_Colab.pdf
• TensorFlow 홈 tutorial에서 스타일 변환 : https://www.tensorflow.org/tutorials/generative/style_transfer?hl=ko

교육에 사용된 외부 자료

• boston dynamics 1 : https://www.youtube.com/watch?v=_sBBaNYex3E
• boston dynamics 2 : https://www.youtube.com/watch?v=94nnAOZRg8k
• cart pole : https://www.youtube.com/watch?v=XiigTGKZfks
• bidirectional RNN : https://towardsdatascience.com/understanding-bidirectional-rnn-in-pytorch-5bd25a5dd66
• alphago architecture : https://medium.com/applied-data-science/alphago-zero-explained-in-one-diagram-365f5abf67e0
• u-net architecture : https://machinelearningmastery.com/how-to-implement-pix2pix-gan-models-from-scratch-with-keras/
• upsampling : https://kharshit.github.io/blog/2019/02/15/autoencoder-downsampling-and-upsampling
• Denseness architecture : https://hoya012.github.io/blog/DenseNet-Tutorial-1/
• K-fold cross validation : https://m.blog.naver.com/PostView.nhn?blogId=dnjswns2280&logNo=221532535858&proxyReferer=https:%2F%2Fwww.google.com%2F
• M-net architecture : https://hzfu.github.io/proj_glaucoma_fundus.html
• yolo 적용 예 블로그 : https://nero.devstory.co.kr/post/pj-too-real-03/
• GAN 위조 지폐 : http://mrkim.cloudy.so/board_KBEq62/175378
• GAN paper : https://arxiv.org/pdf/1406.2661.pdf
• Gan paper count : https://blog.naver.com/PostView.nhn?blogId=laonple&logNo=221201915691
• Conditional gan face generation example. https://github.com/Guim3/IcGAN
• Pinpointing example : https://www.geeks3d.com/20180425/nvidia-deep-learning-based-image-inpainting-demo-is-impressive/
• 동영상 스타일 변환 : https://www.youtube.com/watch?v=Khuj4ASldmU
• 얼굴 감정 인식 예 : http://www.astronomer.rocks/news/articleView.html?idxno=86084
• Papers with code : https://paperswithcode.com/

딥러닝 활용을 위한 지식 구조

Environment
    jupyter
	colab
	usage
		!, %, run
    GCP virtual machine
linux
	ENV
	command
		cd, pwd, ls
		mkdir, rm, cp
		head, more, tail, cat
	util
		apt
		git, wget
		grep, wc, tree
		tar, unrar, unzip
	gpu
		nvidia-smi

python
	env
		python
			interactive
			execute file
		pip
	syntax
        variable
        data
            tuple
            list
            dict
            set
        loop
        if
        comprehensive list
        function
        class
	module
		import

libray
    numpy
        load
        operation
        shape
        slicing
        reshape
        axis + sum, mean
    pandas
        load
        view
	    operation
        to numpy
    seaborn
        charts
    matplot
        plot
        scatter
        hist
        multi draw
        show image

Deep Learning
    DNN
        concept
            layer, node, weight, bias, activation
            cost function
            GD, BP
        data
            x, y
            train, validate, test
            shuffle
        learning curve : accuracy, loss
        tuning
            overfitting, underfitting
            dropout, batch normalization, regularization
            data augmentation
        Transfer Learning
    type
        supervised
        unsupervised
        reinforcement
    model
        CNN
            vanilla, named CNN
        RNN
        GAN
    task
        Classification
        Object Detection
        Generation
	Segmentation
	Pose Extraction
	Noise Removing
	Super Resolution
	Question answering
	Auto Captioning
    data type
    	attribute data
	image data
	natural language data
	time series data

TensorFlow/Keras
    basic frame
        data preparing
            x, y
            train, valid, test
            normalization
            ImageDataGenerator
        fit
        evaluate
        predict
    model
        activation function
        initializer
    tuning
        learning rate
        regularizer
        dropout
        batch normalization
    save/load
    compile
        optimizer
        loss
        metric