대규모 언어 모델, 핵심만 빠르게!

<밑바닥부터 만들면서 배우는 LLM>(길벗, 2025)의 깃허브 노트북과 보너스 콘텐츠를 다루는 강의입니다. 깃허브: https://github.com/rickiepark/llm-from-scratch/ <밑바닥부터 만들면서 배우는 LLM>은 세바스찬 라시카(Sebastian Raschka)가 쓴 베스트셀러 <Build a Large Langauge Model (from Scratch)>(Manning, 2024)의 번역서입니다. 이 책은 오픈AI가 만든 GPT-2 모델을 밑바닥에서부터 시작해서 완전한 모델을 만들어 보면서 대규모 언어 모델의 작동 원리를 배우고 활용하는 방법을 제공합니다.

한빛미디어 혼공시리즈로 1:1 과외하듯이 배우는 초절정 머신러닝, 딥러닝 자습서, 수백 개의 손그림으로 이해하고 구글 코랩(Colab)을 통해 브라우저만 있으면 바로 실습 가능

<머신러닝, 핵심만 빠르게!>(인사이트, 2025)를 바탕으로 머신러닝 이론과 실전 예제를 다루는 강의입니다.

잠자는 코딩 뇌를 깨워라. 파이썬 기초부터 머신러닝까지 한 권에! 이 책은 MIT 강의를 기반으로 만들어진 컴퓨터 과학 입문서로 프로그래밍을 전혀 모르는 초보자도 부담 없이 펼쳐볼 수 있습니다. 컴퓨팅 사고와 간단한 알고리즘처럼 프로그래밍 입문에 꼭 필요한 주제로 잠들어 있던 코딩 뇌를 깨우세요. 각 장에 마련된 뇌풀기 문제를 통해 데이터 시각화나 시뮬레이션, 데이터 계산 기법, 머신러닝 같은 실용적인 주제를 살펴봅니다.

이 강의는 개념 한 걸음, 수식 한 걸음 그리고 코딩 한 걸음. 가장 적당한 보폭과 올곧은 방향으로 독자를 딥러닝으로 안내한다. 또한 그래프, 삽화, 도해는 100개가 넘어 추상적인 개념도 쉽고 빠르게 받아들일 수 있다. 프로그램 설치 없이 웹 브라우저에 접속하기만 하면 실습을 바로 시작할 수 있다는 점도 이 강의만의 특징이다. 편안하게 이론을 이해한 다음 직접 코딩하며 눈으로 딥러닝 대표 문제 4가지를 정복하니 딥러닝의 교과서로 부족함이 없다. 꼭 짚고 넘어가야 할 개념이나 용어는 본문 중간에 나오는 ‘잠깐! 다음으로 넘어가려면’ 코너와 장 마지막에‘기억 카드’ 코너로 2번 복습하여 학습 효과를 높였다. 『Do it! 딥러닝 입문』과 함께 딥러닝을 빠르게 정면 돌파해 보자.

아마존 베스트 셀러인 <핸즈온 머신러닝 2판>의 내용을 다룬 강의입니다. 대표적인 머신러닝 라이브러인 사이킷런을 사용하여 다양한 머신러닝 알고리즘과 평가 방법을 배웁니다. 또 가장 유명한 딥러닝 라이브러인 텐서플로와 케라스를 사용하여 인공 신경망부터 강화학습까지 이론과 실무를 다져 봅니다. 아직 모두 완료된 강의가 아닙니다. 매주 1~2개의 강의가 계속 추가될 예정입니다.

<머신러닝, 핵심만 빠르게!>(인사이트, 2025)를 바탕으로 머신러닝 이론과 실전 예제를 다루는 강의입니다.

<밑바닥부터 만들면서 배우는 LLM>(길벗, 2025)의 깃허브 노트북과 보너스 콘텐츠를 다루는 강의입니다. 깃허브: https://github.com/rickiepark/llm-from-scratch/ <밑바닥부터 만들면서 배우는 LLM>은 세바스찬 라시카(Sebastian Raschka)가 쓴 베스트셀러 <Build a Large Langauge Model (from Scratch)>(Manning, 2024)의 번역서입니다. 이 책은 오픈AI가 만든 GPT-2 모델을 밑바닥에서부터 시작해서 완전한 모델을 만들어 보면서 대규모 언어 모델의 작동 원리를 배우고 활용하는 방법을 제공합니다.

ChatGPT는 쓰는데, 왜 이런 답이 나오는지는 설명하기 어렵지 않으셨나요? “RAG, 에이전트, 파인튜닝… 용어는 아는데 정확히 설명하긴 어렵다” “LLM관련 용어를 들으면 말문이 막힌다” “AI 회의에서 개념 설명이 항상 애매하다” 이 강의는 바로 이런 분들을 위해 만들어졌습니다. 이 강의는 LLM을 ‘툴’이 아니라 ‘구조’로 이해하기 위한 이론 강의입니다. ChatGPT나 Gemini를 사용하는 법이 아니라, 왜 그렇게 동작하는지 설명할 수 있는 기준을 만들어 줍니다.

챗지피티(ChatGPT) 같은 대규모 언어 모형의 기초 원리를 이론 중심으로 설명합니다.

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.

구글 제미나이(Gemini) 모델의 개념과 Gemini API 활용 방법을 학습하고, Streamlit을 이용해서 다양한 AI 어플리케이션을 만들어보는 강의입니다.

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.

이 강의에서는 LangChain 프레임워크를 사용하여 고급 RAG 시스템을 설계, 구축 및 평가하는 방법을 배웁니다. LCEL, Runnables, 고급 검색 기술, 청킹 전략, 크로스 인코더 리랭킹, 에이전트 기반 RAG, 도구 호출, SQL 통합, 그리고 NeMo Guardrails를 활용한 안전 기술을 마스터하게 됩니다. 또한 LangFuse, React, FastAPI, Docker를 사용하여 풀스택 AI 챗봇을 추적, 디버깅 및 배포하는 방법도 배우게 됩니다.

LLM을 사용해 구축할 수 있는 애플리케이션이나 웹 서비스들로는 어떤 것들이 있는지 살펴봅니다.

LLM 기반 다중 에이전트 기술을 구현할 수 있게 하는 CrewAI, LangChain, AutoGen 등의 여러 에이전트 프레임워크, 지식 그래프, 추론 시스템을 결합해 인공지능 판사를 만드는 방법을 탐구합니다.

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.

간단한 머신러닝 모델을 기반으로 Android/iOS 앱을 만들어보고, 머신러닝에 대한 기초, TFLite를 사용한 모델 변환, 안드로이드 앱/iOS 앱을 구현하는 과정을 알게됩니다.

ChatGPT와 같은 AI의 근본이 되는 기술 LLM 과 Agent. LLM은 현 시점에 AGI에 가장 가까이 다가간 기술입니다. 이 강의에서는 일반인의 시선으로 LLM 과 Agent 기술에 대해 알아봅니다.

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 :)