딥러닝 CNN 완벽 가이드 - Pytorch 버전

이론 위주의 머신러닝 강좌에서 탈피하여 머신러닝의 핵심 개념을 쉽게 이해함과 동시에 실전 머신러닝 애플리케이션 구현 능력을 갖출 수 있도록 만들어 드립니다.

SQL의 핵심 요소에 대한 상세한 강의와 실습을 통해, 여러분이 SQL 분석 전문가로 성장할 수 있도록 흔들리지 않는 뼈대를 만들어 드리겠습니다.

카프카(Kafka)의 핵심부터 내부 메커니즘에 대한 심화 수준의 내용까지, 상세한 이론 설명과 핸즈온 실습 & 실전 카프카 애플리케이션 개발 실습을 통해 카프카를 시작하는 사람도 단숨에 전문가 레벨로 도달할 수 있도록 강의를 구성했습니다.

본 강의는 Object Detection과 Segmentation에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 실습 예제를 통해 여러분을 현장에서 필요한 딥러닝 기반의 컴퓨터 비전 전문가로 발돋움시켜 드릴 것입니다.

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.

본 강의는 FastAPI의 핵심 기능과 함께, 웹서비스 개발의 전 과정을 익힐 수 있도록 구성 하였습니다. 본 강의를 통해 여러분을 현장에서 필요로 하는 FastAPI 전문 개발자로 발돋움 시켜 드릴 것입니다.

다양한 실전 데이터 분석 사례를 SQL을 통해 구현해 나가면서 데이터 분석 능력과 SQL 활용 능력을 동시에 향상 시킬 수 있습니다.

카프카 커넥트(Kafka Connect)에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 상세한 실습을 통해 여러분을 현장에서 필요로 하는 카프카 커넥트 기반의 데이터 연동 및 데이터 파이프라인 구축 전문가로 성장시켜 드릴 것입니다.

본 강의는 Kaggle의 Home Credit Default Risk 경연대회 머신 러닝 모델을 구현을 통해, 여러분을 실전적인 머신 러닝 구축 전문가로 한단계 실력을 업그레이드 할 수 있도록 만들어진 강의 입니다.

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

스파크(Spark) 머신러닝의 핵심 Framework에 대한 이해, 난이도 높은 실전 문제를 통한 SQL 기반의 데이터 가공, 업무 도메인 분석을 통한 데이터 분석과 최적화된 머신러닝 모델 구현 능력까지, 대용량 데이터 기반에서 머신러닝 전문가로 인정 받고 싶다면 이 강의와 함께 하십시요.

오라클 DB 아키텍처의 내부 메커니즘을 이해하고 성능 튜닝과 성능 분석 전문가로 성장할 수 있는 핵심 가이드를 제공합니다.

본 강의는 ksqlDB의 활용과 핵심 메커니즘을 다양한 실습을 통해 익힐 수 있게 구성되어 있습니다. 강의를 마치고 나면 여러분은 Kafka(카프카) 기반의 실시간 Streaming 데이터 분석 시스템을 쉽고 빠르게 구축하실 수 있게 됩니다.

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

이 강의는 딥러닝을 활용한 이미지와 객체 인식의 원리를 기초부터 최신 모델까지 단계적으로 배우는 과정입니다. - 기초 다지기: 파이토치(Pytorch)로 텐서와 신경망 기본 구조 이해 - 이미지 이해하기: 컴퓨터 비전의 개념, 이미지 데이터 구조, 증강(Augmentation) 기법 학습 - CNN 모델 학습: 합성곱 신경망(CNN)으로 이미지 분류 실습 (CIFAR-10 등) - 전이 학습(Transfer Learning): 기존 학습된 모델을 활용해 적은 데이터로 빠르게 학습 - 객체 탐지(Object Detection): R-CNN, YOLO, SSD, DETR 등 최신 객체 탐지 모델 이해 및 실습 - 세그멘테이션(Segmentation): U-Net, Mask R-CNN을 통한 픽셀 단위 객체 분할 경험

본 강의는 Object Detection과 Segmentation에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 실습 예제를 통해 여러분을 현장에서 필요한 딥러닝 기반의 컴퓨터 비전 전문가로 발돋움시켜 드릴 것입니다.

딥러닝을 시작하기 위해 필요한 기본적인 미분법과 PyTorch의 Autograd 기능을 배우는 강의입니다.

반도체에 대한 제조 혁신 방안을 벤치마킹하고 반도체 데이터로 코딩 없이 머신러닝, 딥러닝을 돌려볼 수 있습니다.

AI 기술의 현재와 미래를 이해하고, 머신러닝 등 AI 모델의 테스트 과정을 체험하며 테스터의 역할을 배우게 됩니다. AI 기반 시스템 테스트 전략 수립부터 테스트 케이스 설계 · 실행, 또 테스트 지원을 위한 AI 활용 방법까지 폭넓게 익힙니다. 본 과정을 ISTQB의 AI Testing 실러버스를 기반으로 진행되며, ISTQB AI Testing 자격시험을 완벽하게 준비할 수 있는 기회를 제공합니다.

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

더 많은 분들이 머신 러닝과 딥러닝에 대해 더 이해하고 본인들의 문제를 이 멋진 도구를 이용해서 풀수 있게 하기위해 비디오 강의를 준비하였습니다. 더 나아가 이론에만 그치지 않고 최근 구글이 공개한 머신러닝을 위한 오픈소스인 TensorFlow를 이용해서 이론을 구현해 볼수 있도록 하였습니다.

AI 인공지능, 모바일이 대세라는 것은 말할 필요가 없습니다. 그런데 머신러닝과 딥러닝을 배워서 모바일에서 어떻게 쓴다는 겁니까? 이제 생활에서 활용되는 유용한 모바일 Computer Vision 프로젝트들을 같이 배워봅시다.

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

코드로 한 방에 이해되는 파이토치_프로젝트 편은 이미지, 비디오, 자연어 데이터를 활용해 실전 딥러닝 프로젝트를 구현하며, 이론보다는 코드 중심의 학습을 통해 모델의 구조와 흐름을 이해합니다.

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

Data Science(DS)와 Artificial Intelligence(AI) 관련 직군 분석과 관련 직군으로 커리어를 쌓아나가기 위한 학습 및 취업 로드맵을 배워보세요.

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.

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.

인공지능, AI, 에이전트… 뭔가 대단해 보이지만, 막상 해보면 생각보다 별 거 아닙니다. 그래서 간단한 기능을 직접 구현해보는 것이 중요합니다. 회사에서 실제로 쓸 수 있는 실용적인 프로젝트를 통해, 다양한 유즈케이스를 직접 경험하고, AI 에이전트를 활용하고 응용하는 방법까지 배워봅니다.

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.

인공지능이 처음인 사람의 눈높이에 맞춘 인공지능 입문 강의! 데이터부터 생성형 AI까지 핵심 개념을 쉽게 정리했습니다. 인공지능을 만드는 것이 아닌 질문하고 설명할 수 있는 수준의 실무 이해를 목표로 합니다.

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.