실전 인공지능으로 이어지는 딥러닝 개념 잡기

딥러닝 최신 기술 중 하나인 Vision Transformer를 공부하고 Pytorch를 이용하여 논문을 구현하는 강의입니다. 비전 분야의 새로운 미래를 저와 함께 경험해 봐요!

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.

더이상 object detection은 그만! 정말 쉽게 포즈 추정의 최신 트렌드, 이미지와 비디오에서 포즈 추정을 하는 최신 방법에 대해 배우고, 나만의 동영상에서 2D 포즈 추정 모델을 학습하고 활용하는 딥러닝 기술을 배웁니다.

NPU·트랜스포머 가속기·mini LLM 같은 AI 반도체를 직접 설계하려면, 그 안의 연산이 왜 일어나는지 이론으로 알아야 합니다. 이 강의는 뉴런 하나에서 CNN·트랜스포머·LLM까지, 하드웨어 설계에 꼭 필요한 이론의 엑기스만 뽑아 세 편으로 압축했습니다. 수식 암기가 아니라 '왜 그렇게 되는지'의 직관으로, 반도체 산업 30년 경력의 현직 교수가 소프트웨어 이론과 하드웨어 구현을 하나로 잇습니다.

AI 시대의 필수 자격증, MS AI-900! 🚀 알고 계셨나요? ChatGPT는 Microsoft Azure에서만 운영됩니다! 최신 GPT 모델을 독점 제공하는 Microsoft Azure OpenAI를 제대로 활용하고 싶다면, 지금이 바로 기회입니다. AI-900 과정을 통해 Azure AI 서비스 전문가로 성장하고, 기업이 신뢰하는 엔터프라이즈급 AI 솔루션을 마스터하세요. 글로벌 공인 인증까지 확보하여 진정한 AI 전문가로서 경쟁력을 높이세요!

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.

파이썬 한국어 텍스트 분석과 자연어처리 워드클라우드 시각화, 형태소 분석, 토픽모델링, 군집화, 유사도 분석, 텍스트데이터 벡터화를 위한 단어 가방과 TF-IDF, 머신러닝과 딥러닝을 활용한 텍스트 분류, 허깅페이스 활용법

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.

GPT는 어떻게 다음 말을 예측하고 문장을 이어 쓸까요? ATT: After The Transformer의 GPT 파트 1부를 무료로 공개합니다. 직관적인 설명으로 언어 모델의 문장 생성 원리를 이해하고, GPT를 더 깊이 공부하기 위한 기반을 다져 보세요.

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.

지금 이런 소개가 중요한가요? 당장 deepseek R1 모델을 쓰세요.

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. MNIST 숫자를 인식하는 신경망 가속기(NPU)를 스펙 읽기부터 파이썬 골든 모델, 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.

👉 AI의 변화와 한계를 제대로 이해하고 싶은 분들에게 적합한 과정입니다. AI는 한 번 만들어지면 끝일까요? 이 강의에서는 AI가 학습을 통해 어떻게 변하고, 왜 같은 AI라도 결과가 달라질 수 있는지를 설명합니다. 학습이라는 과정의 의미, 성능이 좋아지거나 나빠지는 이유를 기술적인 관점에서 쉽게 풀어냅니다.

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.

AI 개발을 시작하는 분들께 무엇을 공부해야하는지 안내해 드립니다.

다양한 실무 현장에 텍스트 분석을 적용하고 싶지만, 낯선 코딩 장벽 때문에 막막하셨나요? 실제 논문과 연구 보고서에서 자주 활용되는 최신 토픽 분석 방법(LDA, BERTopic, BERTrend)을 중심으로, 핵심 이론을 간결하게 정리하고 프로그래밍 없이 NetMiner 5를 이용해서 실제 데이터를 통해 실전 분석 역량을 키울 수 있는 강의입니다.

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

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.

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.