게임기획자를 위한 강화학습 : AI 마리오 에이전트 키우기

이 강의에서 기대할 수 있는 것 LangGraph in Action에 오신 것을 환영합니다. 이 강의는 LangGraph를 사용하여 고급 AI 에이전트를 설계하고 배포하는 방법을 마스터하기 위한 최고의 가이드입니다. 이 강의에서는 모듈식이고 확장 가능하며 프로덕션 준비가 완료된 에이전트를 구축하는 기초를 실습 중심 접근 방식으로 탐구합니다. LangGraph의 상태 기반 설계 기본 원리를 이해하는 것부터 풀스택 애플리케이션을 만드는 것까지, AI 에이전트를 실현하는 데 필요한 기술을 습득하게 됩니다. 강의 하이라이트 상태 기반 설계: 노드와 엣지라는 LangGraph의 핵심 철학을 깊이 있게 다루어 구조화되고 유지보수 가능한 에이전트를 만듭니다. 메모리 관리: 체크포인터를 사용한 단기 메모리와 Store 객체를 사용한 장기 메모리를 탐구하여 적응하고 학습하는 에이전트를 구현합니다. 고급 워크플로우: 휴먼-인-더-루프 시스템을 구축하고, 병렬 실행을 구현하며, 멀티 에이전트 패턴을 마스터합니다. 프로덕션 준비 개발: 비동기 작업, 서브그래프를 학습하고 FastAPI와 Docker를 사용하여 풀스택 애플리케이션을 만듭니다. 강의를 마칠 때쯤이면 강력한 이론적 이해뿐만 아니라 완전히 오픈소스 도구만으로 AI 에이전트를 어디서든 배포할 수 있는 실용적인 기술을 갖추게 됩니다. 최신 트렌드를 앞서가고자 하는 개발자든, AI 툴킷을 확장하려는 숙련된 엔지니어든, 이 강의는 빠르게 성장하는 AI 에이전트 분야에 대비할 수 있도록 준비시켜 줍니다. 실제 애플리케이션에서 AI 에이전트의 채택이 증가함에 따라, 이 강의는 실질적인 문제를 해결하는 고급 시스템을 설계하고, 구축하고, 배포할 수 있도록 준비시켜 줍니다. 함께 AI의 미래를 구축하고 만들어 갑시다!

딥러닝 현업에 종사하기 위해 필요한 딥러닝의 “핵심 개념”을 배우고 PyTorch을 활용한 실습을 통해서 실제 딥러닝 프로젝트를 수행하는데 필요한 실무를 가르쳐주는 강의입니다.

나만의 AI 자율주행 차를 만들어보세요! AI와 강화학습에 대해 가장 재미있고 빠르게 배울 수 있는 강의입니다. 본 강의는 DeepRacer 대한민국 랭킹 1위 개발자가 제작하였습니다.

다양한 추천 알고리즘 동작 원리를 이해함으로써 여러분만의 개인화 추천 알고리즘을 만들어보세요!

딥러닝 차세대 혁신기술 중 하나인 물리 정보 신경망을 공부하고 Pytorch를 이용하여 직접 구현을 하는 강의입니다. 인공지능의 차세대 혁신기술을 저와 함께 배워봐요!

머신러닝&딥러닝의 기초부터 확실하게! 파이썬으로 분류/회귀/군집/인공신경망 생성과 활용까지

이 강의는 LLM(대규모 언어 모델)의 기본 원리부터 RAG(Retrieval-Augmented Generation), 그리고 최신 기술인 AI Agent와 MCP(Modular Command Protocol)까지, 생성형 AI를 실무에서 활용하기 위해 반드시 알아야 할 전 과정을 한 번에 정리하는 과정입니다. 생성형 AI가 어떻게 정보를 이해하고, 검색하고, 판단하며, 행동하는 AI Agent로 확장되는지를 기술 흐름에 따라 자연스럽게 배우도록 구성되어 있습니다.

이 강의를 통해 수강생은 다양한 강화학습의 이론을 학습하고 이를 직접 구현해 볼 뿐만 아니라 유니티 머신러닝 에이전트를 이용하여 구현한 강화학습 알고리즘을 테스트해볼 강화학습 환경까지 직접 제작해볼 수 있습니다.

딥러닝·CNN 핵심 이론부터 다양한 CNN 모델 구현 방법, 실전 문제를 통한 실무 딥러닝 개발 노하우까지, Pytorch 기반의 딥러닝 CNN 기술 전문가로 거듭나고 싶다면 이 강의와 함께하세요 :)

본 강좌는 AI 기술을 처음 접하는 학습자도 쉽게 이해하고 따라 할 수 있도록 구성된 입문 과정입니다. 강의를 통해 AI 플랫폼의 기본 개념과 사용 방법을 익히며, 다양한 AI 도구를 활용해 이미지를 직접 생성하는 실습을 진행합니다. 이 과정을 마치면 AI와 한층 가까워지고, 창의적인 아이디어를 시각적으로 구현할 수 있는 AI 이미지 제작 역량을 갖출 수 있습니다.

엑셀로 딥러닝 프레임워크를 직접 구현해보자! 구현한 프레임워크로 지도학습/ 비지도학습/강화학습을 풀어보자!

이 강의는 LDM(Latent Diffusion Model)부터 DiT(Diffusion Transformer)까지, 생성형 AI의 핵심 기술 발전을 완전 해부하는 실전형 마스터클래스입니다. LDM의 잠재 공간 기반 학습 원리와 Stable Diffusion의 구조, 그리고 최신 Diffusion Transformer의 구현 방식을 논문과 코드로 직접 분석합니다. 수강생은 PyTorch 기반으로 LDM, CFG(Classifier-Free Guidance), DiT 모델을 직접 구현하며, 생성 모델의 최신 트렌드와 구조적 진화를 체계적으로 익힙니다.

도커를 사용해서 클라우드에 딥러닝 분석환경을 만들 수 있습니다. 구글, MS 등이 관리하는 도커 이미지와 클라우드가 결합할 때 여러분의 컴퓨터에서 가장 최신의 딥러닝 분석 방법으로 작업을 수행하는 것이 가능해집니다.

40여 종의 경제 지표와 주가 데이터를 AI로 분석하여, S&P 500, QQQ ETF뿐만 아니라 개별 종목까지 예측하는 강력한 주가 분석 모델을 직접 만들어보세요!

이 강의를 통해 멀티에이전트, 커리큘럼 학습, 분산학습 등 머신러닝 에이전트의 다양한 기능들을 배우고 직접 사용해볼 수 있습니다. 또한 호기심 기반 탐험, 가변적인 입력에도 대응 가능한 강화학습 알고리즘에 대해서도 학습할 수 있습니다.

전자·반도체 산업은 초정밀 공정과 복잡한 공급망으로 인해 데이터 기반 관리와 혁신이 특히 중요한 분야입니다. 이 강의는 AI 기술을 활용하여 불량 검출, 공정 최적화, 예지보전, 공급망 관리 등 전자·반도체 제조업에서 바로 적용할 수 있는 실무 전략을 다룹니다. 글로벌 기업의 실제 사례와 함께, 중소·중견기업이 현실적으로 활용할 수 있는 저비용·고효율 AI 도입 방법도 제시합니다. 이를 통해 수강생은 생산성 향상과 비용 절감뿐 아니라, 미래 경쟁력을 갖추는 AI 기반 제조 전략을 이해하고 적용할 수 있게 됩니다.

이 강의는 “타이타닉에 내가 탔다면 과연 살아남을 수 있었을까?”라는 질문에서 출발하여, 실제 데이터를 기반으로 생존 확률을 예측하는 AI 모델을 개발하고, 이를 웹으로 서비스하는 풀스택 프로젝트를 완성합니다. PyTorch를 이용한 딥러닝 모델링, FastAPI로 백엔드 서버 구축, Next.js로 사용자 인터페이스 구현에 이르기까지, AI와 웹 개발의 전 과정을 실습하게 됩니다.

Model Context Protocol (MCP) 마스터하기는 개발자가 실제로 안전하고 프로덕션 준비가 완료된 AI 백엔드를 구축할 수 있도록 돕는 실용적이고 엔지니어링 중심의 강의입니다. 수천 명의 학생들이 LLM 통합, 도구 호출, 백엔드 아키텍처에 대한 혼란을 극복하도록 도운 후, 가장 흔한 문제들을 해결하기 위해 이 강의를 만들었습니다: "LLM이 안전하게 호출할 수 있는 신뢰할 수 있는 백엔드를 어떻게 구축하나요?" "SSE, stdio, streamable-http 중 어떻게 선택하나요?" "FastAPI, Auth0, LangGraph를 사용하여 MCP를 실제 애플리케이션으로 어떻게 확장하나요?" "MCP 도구, 리소스, 프롬프트, 컨텍스트를 어떻게 구조화하나요?" 이 강의에서는 최소한의 MCP 서버를 구동하는 것부터 완전히 안전한 Docker화된 시스템을 배포하는 것까지 단계별로 안내합니다. 모든 레슨은 실습 중심으로 설계되어 복잡성을 제거하고 현대적인 AI 시스템을 구축하기 위한 명확하고 반복 가능한 워크플로우를 제공합니다. 막연한 튜토리얼에 좌절하고 MCP에 대한 명확하고 구체적이며 엔지니어링 수준의 이해를 원한다면, 이 강의는 당신을 위해 만들어졌습니다.

본 강좌는 AI 플랫폼에 대한 기초부터 실습까지 다루며, AI 이미지 생성 기술을 익힐 수 있는 과정입니다. 학습자는 AI의 기본 개념을 이해하고, 다양한 도구와 기술을 활용하여 AI 이미지를 생성하는 능력을 키울 수 있습니다. 이 과정을 통해 AI 분야에 대한 이해도를 높이고, 실전에서 AI 이미지를 직접 생성하는 방법을 배울 수 있습니다.

Multi Head Attention 부터 Original Transformer 모델, BERT, Encoder-Decoder 기반의 MarianMT 번역 모델, Vision Transformer 까지 코드로 직접 구현하며 Transformer에 대해 속속들이 배우게 됩니다.