세부 커리큘럼은 주제 및 멘토 교수진에 따라 달라질 수 있습니다.

Data Science 분야

1. PART 1

   Overview (Week 1-3)

   현장에서 겪을 수 있는 문제들은 학교나 실험실과 다릅니다.
   현업담당자와 업무를 진행하는 과정에서의 어려움과 주의사항을 탐색합니다.

   • 현업의 데이터엔지니어링
   • 분석을 위한 환경 격리 : 컨테이너와 도커
   • Linux, git 등 현업에서 활용 중인 환경에 대한 이해 및 구축

2. PART 2

   비즈니스와 AI (Week 4-6)

   C-level의 질문은 추상적이고 현업의 요청은 현실적입니다.
   비즈니스의 언어를 분석의 언어로 변환하는 것부터 시작합니다.

   • 주어진 요건을 분석 가능한 형태로 바꾸는 방법
   • 머신러닝 및 딥러닝 모델에 대한 실무적인 관점에서의 이해
   • 프로젝트 주제 탐색 및 선정

3. PART 3

   데이터 가설 검증 (Week 7-9)

   데이터 분석에 투입되는 노력의 80%는 데이터를 만들고 이해하는 과정입니다.
   EDA를 통해 가설을 증명하고 Feature화 해봅니다.

   • 프로젝트 데이터 탐색
   • EDA를 통한 데이터 가설 검증
   • Feature Engineering 성능 비교

4. PART 4

   모델링과 서비스화 (Week 10-12)

   실제 현업에서 모델을 사용하기 위해서는 서비스화가 필수적입니다.
   최적의 모델을 탐색하는 것 뿐만 아니라 서비스로 구현해봅시다.

   • 주제에 최적화된 머신러닝 모델의 탐색
   • 딥러닝 방법론의 구현
   • End-to-End 프로세스 구현을 위한 엔지니어링
   • 서비스화를 위한 구현 프로세스

5. PART 5

   지식 공유를 위한 결과물 도출 (Week 13-14)

   분석의 가치를 배가시키기 위해 발견된 내용의 효과적인 전달은 필수적입니다.
   가설과 해석의 나열이 아닌 가치있는 인사이트를 표현합니다.

   • 프로젝트 진행 과정을 복습 및 정리
   • 지식 공유를 위한 결과 해석의 다양화
   • 효과적으로 가설을 설명할 수 있는 방법에 대한 토의

Vision AI 분야

1. PART 1

   Overview (Week 1-3)

   컴퓨터 비전은 비즈니스에서 무한한 가능성을 가지고 있습니다.
   실제 현업의 사례를 중심으로 이미지 분야의 가능성을 탐색합니다.

   • 컴퓨터 비전과 이미지 모델링
   • 객체 분류 : CNN과 YOLO
   • 객체 탐지 및 위치 식별 : RCNN

2. PART 2

   Computer Vision Techniques (Week 4-7)

   이미지 분야 현업에서는 어떤 방법을 사용할까요?
   실제 진행된 프로젝트 사례를 구현하면서 실무 역량을 키워봅시다.

   • 객체 분류 모델링 심화
   • 객체 분할 프로젝트 사례 구현
   • 이미지 특징 추출 : ORB, SIFT, BRIEF, SURF, SuperPoint
   • 프로젝트 응용 예시 실습

3. PART 3

   Computer Vision Project Ⅰ (Week 8-9)

   사례 구현 경험을 새로운 문제에 적용할 때입니다.
   비즈니스 가치를 가지는 문제를 발견하고 프로젝트를 준비합니다.

   • 비즈니스 가치를 중심으로 이미지 분야 프로젝트 사례 연구
   • 이미지 분야 방법론을 응용할 수 있는 프로젝트 주제 탐색
   • 이미지 처리를 위한 데이터 전처리 프로세스

4. PART 4

   Computer Vision Project Ⅱ (Week 10-12)

   이미지 분야에는 다양한 방법들이 개발되어 왔습니다.
   지식과 역량을 동원하여 프로젝트를 완성합니다.

   • 프로젝트 목표 달성을 위한 이미지 모델링
   • 성능 비교 분석 및 평가
   • 현업에서 사용하고 있는 최신 기법의 탐색 및 적용

5. PART 5

   지식 공유를 위한 결과물 도출 (Week 13-14)

   이미지 분야 프로젝트의 결과물을 효과적으로 전달하기 위해
   비즈니스 가치와 연계해 표협합니다.

   • 프로젝트 진행 과정을 복습 및 정리
   • 프로젝트 결과물의 시각화
   • 설명을 위한 추가 모델링 기법의 적용

Conversational
AI 분야

1. PART 1

   Overview (Week 1-3)

   이 과정에서는 현업에서 바로 적용할 수 있는 자연어 처리 방법에 대해 다룹니다.
   현업의 프로젝트를 수행하기 위해 필요한 환경 구축과 최근 자연어 처리에서 가장 많이 사용되고 있는 Transformers에 대해 알아봅니다.

   • 분석관련 기본 환경 설정 : Docker, git, FastAPI
   • 언어모델에 대한 이해
   • Transformers에 대한 전반적인 이해

2. PART 2

   자연어 모델 Project Ⅰ (Week 4-6)

   현업에서 일하는 방식을 체험해 보고자 합니다.
   Transformer Encode의 대표 모델인 BERT에 대해 이해하고 구현합니다.

   • BERT 구조에 대한 이해
   • BERT를 활용한 혐오발언 분류 모형의 구현
   • 모형 Serving 및 데모 페이지 생성

3. PART 3

   자연어 모델 Project Ⅱ (Week 7-9)

   자연어의 잠재력과 활용가능성은 무궁무진합니다.
   Transformer Encode-Decoder의 대표 모델인 BART에 대해 이해하고 구현합니다.

   • BART 구조에 대한 이해
   • BART를 활용한 뉴스 요약 생성 모형 구현
   • 모형 Serving 및 데모 페이지 생성

4. PART 4

   자연어 모델 Project Ⅲ (Week 10-12)

   최선의 자연어 모델은 딥러닝 기술 발전에 많은 기여를 하고 있습니다.
   Transformer Decoder의 대표 모델인 GPT-2를 이해하고 활용합니다.

   • GPT-2 구조에 대한 이해 및 GPT-3 개요
   • GPT-2를 활용한 감성 대화 모형 구현
   • 감성 대화 챗봇 생성

5. PART 5

   지식 공유를 위한 결과물 도출 (Week 13-14)

   다양한 프로젝트 과제의 수행 경험을 정리합니다.
   현업 중심의 프로젝트 개발과 적용 과정을 정리하여 결과물로 도출합니다.

   • 프로젝트 진행 과정을 복습 및 정리
   • 지식 공유를 위한 프로젝트 결과의 시각화
   • 모델별 차이 및 특장점, 인사이트 도출을 위한 토의