Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III

이 강의는 Transformer를 단순히 “구현하는 법”이 아니라, 왜 이런 구조가 만들어졌는지, 각 모듈이 어떤 역할을 하는지, 그리고 전체 모델이 어떻게 작동하는지를 설계자의 관점에서 해부하는 과정입니다. Self-Attention과 Multi-Head Attention의 내부 계산 원리를 깊이 있게 분석하고, Positional Encoding, Feed-Forward Network, Encoder·Decoder 구조가 어떤 한계를 해결하기 위해 등장했는지를 수식·논문·구현 코드로 직접 확인합니다. Attention에서 출발해 Transformer 전체 구조를 직접 조립하고, 실제로 학습까지 수행하며 모델이 어떻게 동작하는지 체득합니다. 이 강의는 “Transformer를 완전히 이해하고 싶은 사람”을 위한 가장 구조적이고 실전적인 로드맵입니다.

왜 Attention이 필요했는지, 그리고 어떻게 동작하는지 ‘코드로 직접 구현하며’ 이해합니다. 이 강의는 RNN과 Seq2Seq 모델의 구조적 한계에서 출발하여, 고정된 컨텍스트 벡터가 만들어내는 정보 병목 문제, 장기 의존성 문제를 실험으로 검증하고 그 한계를 해결하기 위해 Attention이 어떻게 등장했는지를 자연스럽게 이어서 설명합니다. 단순히 개념을 소개하는 것이 아니라, RNN의 구조적 한계와 Seq2Seq의 정보 병목 문제를 직접 실험으로 확인하고, 이를 해결하기 위해 등장한 **Bahdanau Attention(가산적 어텐션)**과 **Luong Attention(점곱 어텐션)**을 하나씩 구현하며 그 차이를 명확하게 이해합니다. 각 어텐션이 어떤 방식으로 Query–Key–Value 관계를 형성하고, 가중치를 계산하는 과정에서 어떤 수학적·직관적 차이를 가지며, 왜 후대 모델로 이어질 수밖에 없었는지 그 특성과 진화 흐름까지 자연스럽게 연결됩니다. Attention이 문장과 단어를 어떻게 바라보고, 각 단어가 어떤 방식으로 중요도를 부여받아 정보를 통합하는지를 수식 → 직관 → 코드 → 실험이 하나로 이어진 형태로 학습합니다. 이 강의는 Transformer를 제대로 이해하기 위한 ‘기초 체력’을 쌓는 과정으로, Attention이라는 개념이 왜 혁명적이었는지, 그리고 이후의 모든 최신 NLP 모델(Transformer, BERT, GPT 등)이 왜 Attention을 핵심 구성요소로 삼는지를 깊이 있게 이해하게 됩니다. RNN → Seq2Seq → Attention으로 이어지는 흐름을 개념이 아니라 코드와 실험으로 체화하고 싶은 학습자에게 최적화된 강의입니다.

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.

이 강의는 확산모델(Diffusion Model)의 진화 과정을 논문과 코드로 완전 정복하는 실전 중심 마스터클래스입니다. DDPM(Denoising Diffusion Probabilistic Model)과 DDIM 등, 생성 AI의 핵심 모델들을 논문 원리부터 직접 구현하며 학습합니다. 각 모델의 등장 배경, 수식, 네트워크 구조(U-Net, VAE, Transformer), 학습 과정(Noise Schedule, Denoising Step), 그리고 성능 향상을 이끈 아이디어들을 단계별로 분석합니다.수강생은 모든 모델을 PyTorch 기반으로 직접 코딩하며, 논문을 이해하는 것에 그치지 않고 ‘재현하고 응용할 수 있는 실무 능력’을 얻게 됩니다. 또한, 모델 간의 차이와 발전 흐름을 비교하며, 어떻게 확장되는지를 명확히 이해하게 됩니다. 이 강의는 이론·코드·실습을 하나로, 연구자·개발자·창작자 모두에게 생성모델의 진화를 체계적으로 익힐 수 있는 여정을 제공합니다. 논문을 ‘읽는 것’을 넘어, 직접 구현하며 ‘이해하고 재창조’하는 경험을 지금 시작하세요.

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.

이 강의는 확산모델(Diffusion Model)의 진화 과정을 논문과 코드로 완전 정복하는 실전 중심 마스터클래스입니다. DDPM(Denoising Diffusion Probabilistic Model)과 DDIM 등, 생성 AI의 핵심 모델들을 논문 원리부터 직접 구현하며 학습합니다. 각 모델의 등장 배경, 수식, 네트워크 구조(U-Net, VAE, Transformer), 학습 과정(Noise Schedule, Denoising Step), 그리고 성능 향상을 이끈 아이디어들을 단계별로 분석합니다.수강생은 모든 모델을 PyTorch 기반으로 직접 코딩하며, 논문을 이해하는 것에 그치지 않고 ‘재현하고 응용할 수 있는 실무 능력’을 얻게 됩니다. 또한, 모델 간의 차이와 발전 흐름을 비교하며, 어떻게 확장되는지를 명확히 이해하게 됩니다. 이 강의는 이론·코드·실습을 하나로, 연구자·개발자·창작자 모두에게 생성모델의 진화를 체계적으로 익힐 수 있는 여정을 제공합니다. 논문을 ‘읽는 것’을 넘어, 직접 구현하며 ‘이해하고 재창조’하는 경험을 지금 시작하세요.

LLM(Large Language Model)의 기초 개념부터 고성능 LLM인 Llama 2 모델을 내가 원하는 데이터셋에 Fine-Tuning하는 방법까지 차근차근 학습합니다.

왜 Attention이 필요했는지, 그리고 어떻게 동작하는지 ‘코드로 직접 구현하며’ 이해합니다. 이 강의는 RNN과 Seq2Seq 모델의 구조적 한계에서 출발하여, 고정된 컨텍스트 벡터가 만들어내는 정보 병목 문제, 장기 의존성 문제를 실험으로 검증하고 그 한계를 해결하기 위해 Attention이 어떻게 등장했는지를 자연스럽게 이어서 설명합니다. 단순히 개념을 소개하는 것이 아니라, RNN의 구조적 한계와 Seq2Seq의 정보 병목 문제를 직접 실험으로 확인하고, 이를 해결하기 위해 등장한 **Bahdanau Attention(가산적 어텐션)**과 **Luong Attention(점곱 어텐션)**을 하나씩 구현하며 그 차이를 명확하게 이해합니다. 각 어텐션이 어떤 방식으로 Query–Key–Value 관계를 형성하고, 가중치를 계산하는 과정에서 어떤 수학적·직관적 차이를 가지며, 왜 후대 모델로 이어질 수밖에 없었는지 그 특성과 진화 흐름까지 자연스럽게 연결됩니다. Attention이 문장과 단어를 어떻게 바라보고, 각 단어가 어떤 방식으로 중요도를 부여받아 정보를 통합하는지를 수식 → 직관 → 코드 → 실험이 하나로 이어진 형태로 학습합니다. 이 강의는 Transformer를 제대로 이해하기 위한 ‘기초 체력’을 쌓는 과정으로, Attention이라는 개념이 왜 혁명적이었는지, 그리고 이후의 모든 최신 NLP 모델(Transformer, BERT, GPT 등)이 왜 Attention을 핵심 구성요소로 삼는지를 깊이 있게 이해하게 됩니다. RNN → Seq2Seq → Attention으로 이어지는 흐름을 개념이 아니라 코드와 실험으로 체화하고 싶은 학습자에게 최적화된 강의입니다.

이 강의는 Transformer를 단순히 “구현하는 법”이 아니라, 왜 이런 구조가 만들어졌는지, 각 모듈이 어떤 역할을 하는지, 그리고 전체 모델이 어떻게 작동하는지를 설계자의 관점에서 해부하는 과정입니다. Self-Attention과 Multi-Head Attention의 내부 계산 원리를 깊이 있게 분석하고, Positional Encoding, Feed-Forward Network, Encoder·Decoder 구조가 어떤 한계를 해결하기 위해 등장했는지를 수식·논문·구현 코드로 직접 확인합니다. Attention에서 출발해 Transformer 전체 구조를 직접 조립하고, 실제로 학습까지 수행하며 모델이 어떻게 동작하는지 체득합니다. 이 강의는 “Transformer를 완전히 이해하고 싶은 사람”을 위한 가장 구조적이고 실전적인 로드맵입니다.

기본적인 자연어처리 기법(Natural Language Processing)과 딥러닝을 활용한 다양한 텍스트 task에 대해 다룹니다.

세상을 바꾸는 AI의 모든 것을 단 4강으로 정복한다! 1강. 인공지능의 진짜 정체 AI는 마법이 아니다. 인간의 ‘지능’을 수식처럼 분석해 만든 디지털 두뇌! 똑똑한 척하는 인공지능의 핵심 구조를 낱낱이 파헤칩니다. 2강. 알고리즘, AI의 창의적(?) 사고법 고민하는 AI는 어떻게 해답을 찾을까? 바둑을 두고, 길을 찾고, 당신의 검색 결과를 예측하는 AI의 전략을 직접 만나보세요. 3강. AI 하드웨어, 상상을 현실로 만드는 엔진! 당신의 스마트폰 속 칩이 AI의 심장이다. CPU, GPU, TPU, 그리고 알 수 없는 그 이름들까지 전부 해부합니다. 4강. 머신러닝과 딥러닝의 대격돌! AI가 '배운다'는 건 대체 무슨 뜻인가? 고전적인 규칙 기반 AI에서, 요즘 핫한 챗GPT까지! 학습의 진화를 추적합니다.

핫 한 이미지 생성모델! 기초부터 구현하면서 이해하자! AUTO ENCODER / VAE / GAN / DIFFUSION 까지 함께 구현해 봅시다!

현업에서 진짜 쓰이는 OCR 기술, 제대로 배워보고 싶다면 이 강의 하나로 끝! 비정형 문서와 복잡한 레이아웃에서도 98% 이상의 정확도를 목표로, 최신 SOTA 모델과 실전 노하우를 바탕으로 기업 수준의 OCR 프로젝트를 함께 만들어갑니다.

RAG(Retrieval-Augmented Generation)의 이론부터 최신 멀티모달, 에이전트 기반 RAG까지! 비전공자도 이해할 수 있도록 구성된 실습 중심 강의입니다. 논문 리뷰부터 실전 코드 구현까지, RAG를 처음 접하는 사람도 쉽게 따라올 수 있도록 설계했습니다.

<대규모 언어 모델, 핵심만 빠르게!>(인사이트, 2025)를 바탕으로 LLM의 이론과 실전 예제를 다루는 강의입니다.

Next.js, YOLOv11, FastAPI를 활용하여 실시간 화재 감지 시스템을 구축하는 방법을 배웁니다.

스프링 부트 프로젝트에서 Fast를 이용한 파이썬 기반 AI 웹서버와의 연결을 설명합니다.

이 강의는 LLM과 GPT의 기본 개념을 누구나 이해할 수 있도록 쉽게 설명합니다. 수강생은 GPT API를 직접 활용해 챗봇을 만들고, Streamlit을 이용해 웹에서 실행할 수 있습니다. 기초부터 실습까지 경험하면서 AI 활용의 첫걸음을 확실히 다질 수 있습니다.

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.

Mastering Model Context Protocol (MCP)는 개발자가 실제적이고 안전하며 프로덕션 환경에 바로 적용 가능한 AI 백엔드를 구축할 수 있도록 돕기 위해 설계된 실무 중심의 엔지니어링 강의입니다. 수천 명의 학생들이 LLM 통합, 도구 호출(tool calling), 백엔드 아키텍처와 관련된 혼란을 극복하도록 도운 후, 저는 다음과 같은 가장 흔한 문제들을 해결하기 위해 이 강의를 만들었습니다. “LLM이 안전하게 호출할 수 있는 신뢰할 수 있는 백엔드를 어떻게 구축하나요?” “SSE, stdio, streamable-http 중 무엇을 선택해야 하나요?” “FastAPI, Auth0, LangGraph를 사용하여 MCP를 실제 애플리케이션으로 어떻게 확장하나요?” “MCP 도구, 리소스, 프롬프트, 컨텍스트를 어떻게 구조화해야 하나요?” 이 강의에서는 최소 기능의 MCP 서버를 구동하는 것부터 완전히 안전한 Docker 기반 시스템을 배포하는 것까지 단계별로 안내합니다. 모든 레슨은 실습 위주로 구성되어 복잡함을 제거하고, 현대적인 AI 시스템 구축을 위한 명확하고 반복 가능한 워크플로우를 제공합니다. 모호한 튜토리얼에 답답함을 느끼고 MCP에 대한 명확하고 구체적인 엔지니어링 수준의 이해를 원하신다면, 이 강의는 바로 여러분을 위해 만들어졌습니다.

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.

안녕하세요 여러분. 제 풀 AI 코스 2026: ChatGPT, Google Gemini, Midjourney, Firefly에 오신 것을 환영합니다. 제 강의에서는 모든 AI 도구에 대한 모든 것을 배우게 됩니다. 저는 이러한 AI 도구의 모든 기능에 대한 비디오 강의를 만들었습니다. 이 도구들의 모든 기능을 사용하는 방법에 대한 실제 실용적인 구현을 보실 수 있습니다.

본 강의에서는 포토 모자익을 생성하는 전체 과정을 알고리즘 관점에서 살펴봅니다. 입력 이미지를 K-means 클러스터링을 통해 타일 개수에 맞는 대표 색상 집합으로 축소한 뒤, 헝가리안 알고리즘을 적용하여 각 색상과 타일을 1:1로 최적 매칭합니다. 이를 통해 이미지 처리와 조합 최적화 알고리즘이 결합되어 하나의 시각적 결과물을 만들어내는 과정을 이해합니다

메이커톤에서 80%가 막히는 포인트, 이제 해결하세요. 라즈베리파이 · 컴퓨터비전 · LLM · 3D 설계까지 4주 완성! 시연 가능한 스마트미러 PoC로 메이커톤 상위권 달성!