실리콘밸리 엔지니어와 함께하는 MLflow

수학없이 고급 머신러닝 모델을 이해하고 파이썬을 통해 쉽게 구현하는 방법을 배웁니다.

본 과정은 AI 모델링 및 서비스 기획을 실무에 적용하기 위해 필요한 기본 이론과 실무 프로세스를 학습하는 과정입니다. 학습자는 AI 모델링 프로젝트를 능숙하게 수행하기 위해 필수적인 기초 지식을 습득하고, 실제 현업에서 활용되는 다양한 실무 절차를 경험할 수 있습니다. 특히 AI 서비스의 환경 분석 → 목표 수립 → 요구사항 분석 → 서비스 모델 설계 → 시나리오 기획 → 활용 기획 → 실행 계획 수립 → 성과 평가 기획까지 이어지는 전체 흐름을 단계적으로 학습하도록 구성되어 있습니다. 이를 통해 단순히 기술적인 관점의 학습에 그치지 않고, 비즈니스와 서비스 기획 차원에서 AI를 어떻게 도입하고 활용할 것인지에 대한 체계적인 사고와 실무 적용 능력을 기를 수 있습니다. 본 과정을 마친 학습자는 AI 프로젝트의 전반적인 기획과 실행 과정을 이해하고, 실제 기업 환경에서 AI 서비스 기획자·PM·데이터 기반 전략가로서 역량을 강화할 수 있을 것입니다.

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.

인공지능을 공부하는 학부생들이 참고하실 수 있는 인공지능 입문 공부 방법을 소개합니다.

신경망을 FPGA에 올린다 — 말은 익숙하지만, 실제로 해낸 사람은 드뭅니다. 캡스톤, 경진대회, 졸업작품에서 한 발 앞서고 싶다면, 모델을 학습시키는 것을 넘어 그 연산이 실제 칩 안에서 어떻게 도는지를 직접 만들고 증명할 수 있어야 합니다. 이 강의는 바로 그 지점, 이론과 실물 하드웨어 사이의 간극을 건너게 해드립니다. 실제 사람의 손글씨로 이루어진 MNIST 숫자를 인식하는 신경망 가속기(NPU)를 스펙 읽기부터 파이썬 골든 모델, Machine Learning학습, Verilog RTL 설계, FPGA 검증까지 처음부터 끝까지 직접 완성합니다. 라인 버퍼와 병렬 MAC로 만드는 Conv 계층, ReLU·MaxPool·Flatten을 거쳐 완전연결 계층과 Argmax까지 — 아홉 개 블록을 하나의 칩으로 통합하고, "파이썬 정답지와 하드웨어 출력이 한 비트도 다르지 않다(Bit-True)"를 스스로 증명합니다. 시뮬레이션은 멀쩡히 돌아가는데 결과만 미묘하게 다른, 그 답답한 순간을 넘어서는 법까지 강의에 담았습니다. 정수 양자화, 배열 축 순서 변환, 누산기 오버플로 방지처럼 일반 딥러닝 교재가 다루지 않는 실전 노하우를 하나씩 짚어드립니다. 저는 RISC-V CPU 설계와 FPGA Bit-True 검증을 오래 다뤄오며 겪은 시행착오를, 여러분이 반복하지 않도록 이 강의에 녹였습니다. 수업이 끝나면 "직접 설계하고, 증명했다"고 말할 수 있는 완성된 하드웨어 프로젝트가 손에 남습니다.

AI 원리와 구조 이해하기 : AI의 작동 원리부터 판단과 학습까지 AI는 어떻게 작동하고, 무엇을 근거로 판단하며, 어떻게 학습하고 발전할까요? 인공지능을 제대로 이해하기 위해서는 단순히 AI 도구를 사용하는 것을 넘어, 그 안에서 작동하는 핵심 원리와 구조를 이해하는 것이 중요합니다. 본 강의는 AI의 작동 원리, 데이터 처리와 판단 과정, 학습과 변화의 메커니즘을 하나의 과정으로 통합하여 체계적으로 설명합니다. 복잡한 수학 공식이나 어려운 프로그래밍보다는 직관적인 개념 설명과 다양한 사례를 통해 초보자도 AI의 내부 구조와 작동 흐름을 쉽게 이해할 수 있도록 구성했습니다. 이 강의를 통해 AI가 결과를 만들어 내는 과정부터 판단의 근거, 학습을 통해 성능이 개선되는 원리까지 폭넓게 이해할 수 있습니다. AI를 단순히 사용하는 수준을 넘어, AI의 작동 원리와 한계를 이해하고 실무에서 보다 효과적으로 활용하기 위한 기초 역량을 갖추어 보세요.

1. AI 자격증, AICE Associate를 취득하기 위한 파이썬 코딩 학습 2. 기초부터 응용까지 단계적인 파이썬 코딩 학습 3. AI 분야 석학 고려대학교 김중헌 교수의 강의

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.

본 과정은 AI 모델링 프로젝트를 성공적으로 수행하기 위해 필수적인 ‘AI 학습 데이터 구축’ 전 과정을 학습하는 과정입니다. 학습자는 단순히 이론적인 지식에 머무르지 않고, 실제 실무에서 요구되는 데이터 구축 프로세스를 단계별로 경험하게 됩니다. 구체적으로 AI 학습 데이터의 기획 → 획득 → 저장 → 정제 → 라벨링 → 가명정보 결합 및 변환에 이르는 전 과정을 실습 중심으로 다루어, 현업에서 바로 적용 가능한 실무 능력을 기를 수 있도록 구성되어 있습니다. 또한 데이터의 품질 관리와 보안 이슈, 개인정보 비식별화 처리, 데이터셋 최적화와 같은 AI 프로젝트에서 가장 중요한 데이터 관리 역량을 체계적으로 학습하게 됩니다. 이를 통해 학습자는 단순한 데이터 수집자가 아닌, AI 프로젝트를 주도적으로 기획하고 실행할 수 있는 데이터 전문가로 성장할 수 있습니다. 👉 본 과정을 통해 학습자는 AI 모델 성능을 좌우하는 양질의 학습 데이터 구축법을 이해하고, 이를 실무 환경에 효과적으로 적용할 수 있는 실질적인 역량을 확보하게 될 것입니다.

시험 유형과 출제 경향을 한눈에! 약 100문제로 실전 감각을 강화하세요. 혼자 준비해도, 체계적으로 학습할 수 있는 AWS AI Practitioner 실전 시험 완벽 대비

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

본 강의는 Node.js와 TypeScript 환경에서 최신 Gemini API SDK(@google/genai)를 다루는 것을 목표로 합니다. 텍스트, 이미지, 비디오를 동시에 처리하는 멀티모달 기술을 사용하는 방법을 배웁니다. API 키 발급부터 프로젝트 세팅, 모델 호출까지 전 과정을 실습합니다.

AI와 빅데이터 시대, 조직의 데이터를 제대로 활용하고 계신가요? 이 과정은 통계적 사고의 기초부터 머신러닝과 딥러닝의 핵심 원리까지, 데이터를 읽고 해석하는 필수 역량을 키워드립니다. 변동성 속에서 패턴을 발견하고, 데이터 기반 의사결정을 내릴 수 있는 실무 리더로 성장하세요.

손 인식 예제는 돌려 봤는데 내 손동작을 AI에게 가르쳐 쓸 만한 결과물로 만드는 길이 막막한 분께, 개발 총괄과 직업훈련 교강사 교육 경험을 살려 설치부터 데이터 수집, 학습, 웹 화면 완성까지 웹캠 하나로 끝까지 안내합니다.

보스톤 마라톤 빅 데이터를 기반으로 파이썬과 텐서플로2를 이용하여 다양하고 유용한 머신러닝 회귀(Regression)와 분류(Classification) 프로젝트를 이론과 함께 배우는 머신러닝 종합 프로젝트 과정입니다.

시간은 끊임없이 흐르고, 데이터는 계속 쌓입니다. 이 역동적인 세계에서 시계열 데이터는 우리 삶의 모든 측면에서 중요한 역할을 합니다. 금융 시장의 변동성부터 기후 변화의 미묘한 신호에 이르기까지, 시계열 데이터는 이 모든 것을 담고 있습니다. 이제 이 강력한 데이터를 파이썬과 딥러닝의 힘을 이용하여 해석하고 활용하는 방법을 배워보세요!

삼성전자 DS부문 메모리·S.LSI·Foundry·TSP·AVP 평가및분석, SK하이닉스 PE·AE·Solution PE를 준비하지만 사업부와 직무 차이에서 막히는 취업준비생을 위한 강의입니다. 제품평가 직무의 실제 업무 흐름을 기준으로 회사별 직무명을 정리하고, 본인의 전공 경험을 자소서와 면접에서 쓸 수 있는 직무 언어로 바꾸는 방법을 배웁니다. Analog 회로설계, Verilog/FPGA, 공정 실험, 데이터 분석 경험 등을 수율·Wafer Map·Shmoo Plot·불량 분석 키워드와 연결해 지원 전략을 세울 수 있습니다.

머신러닝을 배우면 정확도를 올리는 법을 익힙니다. 그런데 그 모델을 실제 칩에 올리려는 순간, 아무도 알려 주지 않은 질문이 남습니다. 이 모델은 곱셈을 몇 번 합니까? 무엇을 얼마나 기억하고 있어야 합니까? 지금 목표로 하는 칩 스펙이 그 요구를 감당할 수 있습니까? 머신러닝 교재는 정확도를 이야기하고 반도체 교재는 회로를 이야기하는데, 그 사이를 잇는 자료가 드뭅니다. 저는 RISC-V CPU와 NPU를 FPGA로 구현하며 이 간극을 반복해서 마주쳤습니다. 정확도가 가장 높은 모델이 정작 보드에는 들어가지 않는 상황 말입니다. 본 과정은 알고리즘 여섯 개를 파이썬으로 직접 만들면서, 만들 때마다 곱셈과 비교와 메모리와 정확도를 측정합니다. 그리고 그 값을 실제 FPGA 보드의 자원으로 환산합니다. 곱셈 몇 번이라는 말은 그 자체로 크기를 가늠할 수 없지만, 보드의 몇 퍼센트라고 하면 판단이 서기 때문입니다. 아홉 개의 Lab을 지나 여섯 모델을 한 표에 모으면 예상과 다른 그림이 나옵니다. 곱셈을 세는 데 아홉 편을 썼는데 정작 발목을 잡는 것은 곱셈이 아니었습니다. 이후 실수를 정수로 내리고, 자릿수를 관리하고, 회로를 채점할 기준까지 만듭니다. FPGA 보드는 필요하지 않습니다. 파이썬만으로 진행하며, 보드는 측정값을 환산하는 기준으로만 사용됩니다.

AI에게 "이 데이터로 모델 만들어줘"라고 시켜보면 처음 몇 줄은 그럴듯한데, 조금만 복잡해지면 엉뚱한 컬럼을 쓰고 누수가 섞이고 점수는 올랐는데 모델은 더 나빠집니다. 이 강의는 더 좋은 프롬프트를 알려주지 않습니다. 대신 에이전트가 데이터를 이해하고, 계획하고, 코드를 쓰고, 자기 결과를 검증하고, 틀리면 되돌아가는 루프(하네스)를 직접 설계하는 법을 다룹니다. DS-STAR의 다섯 조각 루프를 손으로 한 바퀴 돌려본 뒤, 데이터 프로파일 카드·훅·스킬 계층·독립 검증자·애블레이션까지 하나씩 조립해 나갑니다.

- Kaggle 대회 실전 프로젝트: 데이터 탐색부터 제출까지 - 튜토리얼 그다음, 진짜 Kaggle 대회 처음부터 끝까지 따라 하기 Kaggle에 가입하고 타이타닉 튜토리얼까지 끝냈는데, 막상 진짜 대회 앞에서는 어디서부터 손대야 할지 막막하셨나요? 남의 노트북을 복사해 제출만 하다 보면 "내 점수는 왜 안 오르지?"라는 벽에 부딪힙니다. 이 강의는 실제 Kaggle 대회 하나를 데이터 탐색, 검증 설계, 피처 엔지니어링, 모델링, 제출까지 처음부터 끝까지 함께 진행합니다. 코드를 외우는 대신 "무엇을 왜 시도하고, 그 효과를 어떻게 검증하는가"라는 대회의 사고 흐름을 몸에 익히게 해드립니다. [본인의 대회 참가·수상 경험 또는 실무 경험 한 줄]