인공신경망 이론과 DNN, CNN 아키텍처 이해 및 구현

DNN, CNN, RNN? 어려워보이는 전문 용어도 본 강의를 통해 딥러닝의 핵심 알고리즘을 완벽히 정리하여 실제로 활용해보는 딥러닝 실습 과정!

딥러닝 현업에 종사하기 위해 필요한 딥러닝의 “핵심 개념”을 배우고 PyTorch을 활용한 실습을 통해서 실제 딥러닝 프로젝트를 수행하는데 필요한 실무를 가르쳐주는 강의입니다.

이 강의는 PyTorch로 딥러닝을 처음부터 다시 쌓아 올리는 47차시, 약 39시간의 과정입니다. 딥러닝 강의는 많지만 대부분 두 부류로 갈립니다. 라이브러리 사용법만 훑어 정작 코드가 왜 그렇게 생겼는지 모르게 되거나, 수식부터 시작해 중간에 포기하게 되거나입니다. 이 강의는 다른 순서를 택합니다. 먼저 결과를 만들어 보고, 그다음 그 안에서 무슨 일이 일어났는지 파고듭니다. 시작은 사전학습 모델입니다. 이미지 분류를 돌려 보고, Stable Diffusion으로 인페인팅을 해보고, BLIP으로 이미지 캡셔닝까지 실습합니다. 첫 시간부터 결과물이 나오기 때문에 이후 이론을 배울 동기가 생깁니다. 그다음이 이 강의의 핵심입니다. 텐서를 일곱 차시에 걸쳐 다룹니다. 인덱싱과 브로드캐스팅은 물론, 스토리지와 stride 같은 메모리 구조, 메모리 연속성 관리, GPU 연산과 NumPy 상호 변환까지 내려갑니다. 텐서를 이 정도로 다루는 한국어 강의는 드뭅니다. 여기를 이해하면 이후 모든 코드가 다르게 읽힙니다. 이어서 실제 데이터를 텐서로 바꾸는 전처리를 다룹니다. 이미지의 색상 채널, 테이블 데이터와 원핫 인코딩, 시계열, 텍스트 임베딩까지 데이터 유형별로 짚습니다. 그리고 학습의 원리로 넘어가 손실 함수와 경사 하강법을 수치 미분으로 직접 구현해 본 뒤, Autograd가 그것을 어떻게 자동화하는지 확인합니다. 직접 만들어 본 사람만이 자동 미분의 편리함을 제대로 압니다. 후반부는 신경망 구조입니다. nn.Module로 심층 신경망을 만들고 CIFAR-10을 분류하다가 완전 연결 신경망의 한계를 마주하고, 여기서 CNN이 왜 필요한지 자연스럽게 도달합니다. 마지막에는 텍스트 생성으로 넘어가 바이그램 모델부터 임베딩, MLP 기반 생성 모델을 거쳐 Attention의 Query·Key·Value 원리까지 다룹니다. Python을 다룰 줄 알고 딥러닝을 제대로 이해하고 싶은 분이라면, 이 강의를 마쳤을 때 남는 것은 예제 코드가 아니라 어떤 모델을 만나도 구조를 읽어 낼 수 있는 눈입니다.

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

퍼셉트론부터 역전파까지, 신경망의 핵심 수학 이론을 체계적으로 학습하고 R 코드로 직접 구현합니다. 활성함수, 경사하강법, 다층신경망 등 딥러닝의 기초를 탄탄하게 다지며, 실제 데이터셋을 활용한 분류 문제 해결 능력을 키웁니다.

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 :)

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

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.

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

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.

AI를 공부하려는데 선형대수 수식 앞에서 매번 막히셨나요? 이 강의는 공식을 외우는 대신, 벡터와 행렬이 공간에서 실제로 어떻게 움직이는지를 눈으로 보여드립니다. 끝까지 들으면 신경망, PCA, SVD 뒤에 숨은 수학을 스스로 읽어낼 수 있습니다.