강좌 소개수업내용/목표1. 수강생이 구글 Colab 환경에서 Python언어를사용하여 합성곱 신경망을 구현하고 이미지 분류를 위한 하나의 도구로 사용할 수 있도록 한다.2. 학습한 합성곱 신경망을 실제 이미지 분류에 적용해 볼 수 있다.홍보/예시 영상강좌 운영 계획 주차주차명(주제)차시차시명평가방법1인공신경망 개발의 개요1-1강의계획 및 Google CoLab 소개 1-2인공신경망 개발 개요 및 개발 순서1-3Keras Functional API를이용한 인공신경망 코딩2Toy Problem을통한 인공신경망 개발2-1Toy Problem 소개 및 데이터 준비하기퀴즈2-2인공신경망 모델 및 학습 방법 코딩2-3학습된 인공신경망 모델의 평가 방법 및 학습된 인공신경망을 활용한 예측 방법 코딩3이미지 데이터 관리하기 기초3-1Google CoLab과Google Drive 연동 방법 및 이미지 불러오기/저장하기코딩 3-2이미지 데이터 정리 방법3-3ImageDataGenerator를이용한 이미지 데이터 불러오기4이미지 데이터 증강 방법4-1이미지 데이터 증강의 개요와 필요 이유 4-2수평/수직방향의 이동 및 반전을 이용한 증강 방법4-3회전,밝기 조절,확대/축소를이용한 증강 방법5이미지 데이터 전처리 방법5-1이미지 데이터의 이해와 전처리 개요퀴즈5-2대표적인 세 가지 전처리 방법5-3대표적인 세 가지 전처리 방법을 구현하기 위한 코딩 문법 습득6합성곱 필터의 이해6-1합성곱 필터의 계산 방법 6-2이미지 데이터에 합성곱 필터가 적용되는 과정6-3합성곱 필터의 적용 방법 비교 - 합성곱 신경망 v.s. 이미지 처리 기법7합성곱 층의 이해7-1합성곱 필터에 의한 합성곱 층의 Border Effect퀴즈7-2Padding을이용한 Border Effect 해결 방법 및 Padding의코딩 문법7-3합성곱 필터의 Stride를이용한 이미지 축약8Pooling 층의 이해8-1합성곱 층과 Pooling 층 8-2Pooling 층의 종류와 종류에 따른 출력 차이8-3Pooling...