인프런 - 라이프타임 커리어 플랫폼

Python을 배우려고 한다면 이 강의에 주목!!! 무려 공짜~ 정식 과목 수강이나 개인 학습 이전에 꼭 선행 학습 용도로 권장 드립니다.

라즈베리파이와 다양한 센서를 활용해 AI 기반 자율주행 자동차를 직접 제작해보는 실습형 강좌입니다.

파이썬을 활용해 기계학습 기술을 학습하고, 실제 데이터 정보 추출 방법 및 예측 모델 개발 능력을 향상해보자!

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 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 강의가 특별한 이유: 핵심 장점 • 직관적인 시각화: Pygame 2D 시뮬레이션으로 알고리즘 동작을 실시간으로 직접 확인 • 실제 구현 경험: 이론을 넘어 직접 코딩하며 자율 주행 알고리즘 체득 • 핵심 알고리즘 마스터: 다익스트라, 퓨어 퍼슈트, ICP 등 필수 알고리즘 집중 학습 • 단계별 심화 학습: 기초부터 SLAM까지 체계적인 난이도 구성 • Lidar 기반 SLAM: 미지 환경에서의 맵 구축 및 위치 추정 실습

딥러닝은 복잡한 함수의 조합으로 이루어진 신경망을 통해 데이터를 학습하는 기술입니다. 이 강의에서는 딥러닝의 핵심 개념을 수학적으로 이해하고, 이를 행렬 연산 관점에서 분석해봅니다. 특히 Python의 NumPy 라이브러리를 활용하여, 딥러닝의 순전파와 역전파 과정을 직접 구현해보며 파라미터가 어떻게 업데이트되는지 시각적으로 살펴봅니다. 복잡해 보이던 신경망 구조도 행렬 연산으로 풀어내면 명확해집니다. 이 강의는 코딩보다 개념 이해에 중점을 두고, 딥러닝의 원리를 수학적으로 직관적으로 익히고자 하는 학생들에게 적합합니다.