Enroll Course: https://www.coursera.org/learn/probabilistic-deep-learning-with-tensorflow2
안녕하세요! 오늘은 Coursera에서 제공하는 ‘Probabilistic Deep Learning with TensorFlow 2’ 강의에 대해 소개하고 제 경험을 나누고자 합니다. 이 과정은 딥러닝의 핵심 요소인 확률론적 접근법에 중점을 두고 있으며, 실제 데이터셋의 노이즈와 불확실성을 측정하는 방법을 학습하게 됩니다.
과정의 주요 내용을 살펴보면, TensorFlow Distribution을 활용하여 확률 모델을 구축하는 기본적인 기법부터 시작합니다. 첫 주에는 TensorFlow Probability 라이브러리를 이용해 분포 객체를 다루고, 샘플링 및 확률 계산을 실습하게 됩니다. 이를 통해 Iris 데이터셋에서 나이브 베이즈 분류기를 구현하는 프로그래밍 과제를 수행합니다.
두 번째 주에서는 확률적 레이어와 베이esian 신경망에 대한 내용을 배웁니다. 의료 진단과 같은 안전을 고려해야 하는 분야에서 불확실성을 정량화하는 것이 얼마나 중요한지 이해할 수 있는 기회가 됩니다. MNIST 데이터셋을 활용한 베이esian CNN 모델을 개발하는 것도 큰 도전이었어요!
세 번째 주에서는 바이젝터와 정규화 흐름을 통해 간단한 분포를 복잡한 분포로 변환하는 기법을 배우고, 실제 데이터에서 생성적 모델을 구현합니다. 이 과정에서 LSUN 침실 데이터셋을 사용하여 RealNVP 정규화 흐름 모델을 개발했습니다. 실제 데이터에 적용할 수 있어 흥미진진했습니다.
네 번째 주에는 변분 오토인코더(VAE)를 구현합니다. 인코더와 디코더 네트워크를 함께 학습시켜 이미지 데이터셋의 특징을 압축하고 새로운 샘플을 생성하는 과정은 매우 창의적이고 보람이 있었습니다.
마지막으로, 캡스톤 프로젝트에서는 앞서 배운 모든 기법들을 종합하여 합성 이미지 데이터셋을 생성하고, 변분 오토인코더를 훈련시키는 과제를 수행합니다. 이 과정 덕분에 실무에서도 유용하게 활용할 수 있는 지식을 얻었습니다.
총평하자면, 이 강의는 확률론적 딥러닝의 기초를 탄탄히 다지고 실제 프로젝트를 통해 배운 내용을 적용할 수 있도록 돕는 매우 유익한 과정입니다. 딥러닝에 대한 이해를 심화하고 싶은 분들에게 강력히 추천합니다!
Enroll Course: https://www.coursera.org/learn/probabilistic-deep-learning-with-tensorflow2