인프런 - 라이프타임 커리어 플랫폼

안녕하세요! 데이터 분석하시면서 매번 똑같은 코드를 반복해서 쓰느라 지치신 적 없으신가요? 😫 이제 PyCaret으로 여러분의 프로젝트에 날개를 달아보세요! 🚀 이 강의는 단 5줄의 코드로 머신러닝의 지루하고 복잡한 과정을 대부분 자동화하는 비법을 알려드려요. 이 강의를 들으면 이렇게 달라질 거예요! ✨ 실전 프로젝트 마스터: 📈고객 구매 예측(분류), 📉의료비 예측(회귀), 🧩고객 그룹핑(군집), ⏳항공 승객 수 예측(시계열)까지! 4가지 핵심 프로젝트를 직접 따라 하며 '진짜' 문제 해결 능력을 기를 수 있어요. 전문가 스킬 장착: 여기서 끝이 아니에요! 🤖 만든 모델을 MLOps로 관리하고, 클릭 몇 번으로 API 서버까지 뚝딱 만드는 전문가 스킬도 쏙쏙 알려드려요. 정말 신기하죠? 워라밸 사수: 무엇보다 여러분의 반복 업무는 확 줄이고, 핵심 분석에만 집중하게 해 드릴게요. 칼퇴는 보너스랍니다! 😉 코딩이 아직 익숙하지 않은 분도, 생산성을 폭발적으로 높이고 싶은 현직 전문가도 모두 환영해요! 👋 저와 함께 '10배 빠른 데이터 과학자'로 거듭나 볼까요?

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.

최신 Transformer 기반 PixArt와 경량 적응화 SANA를 이론부터 코드까지 단계별로 구현합니다. I·II편에서 다룬 DDPM·DDIM·LDM·DiT를 바탕으로, 텍스트 인코더 연결, 샘플러(DDIM/ODE), v-예측/CFG 튜닝, 소규모 데이터 스타일 미세튜닝까지 실습 위주로 완주합니다.

드디어 나왔습니다. 세상에서 가장 쉬운 머신러닝 강의 무료인데 뭘 망설이세요? 어서 '학습하기' 버튼을 꾸욱 눌러보세요

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.

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.

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.

이 강의는 생성형 인공지능 모델 중 Diffusion 모델과 관련된 실습을 수행합니다. 대표적인 Diffusion 모델 응용 논문인 prompt-to-prompt 논문을 함께 읽어보고 구현해 봄으로써, 최신 인공지능 논문을 이해할 수 있는 능력을 함양할 수 있기를 기대합니다.

이 강의는 LLM과 GPT의 기본 개념을 누구나 이해할 수 있도록 쉽게 설명합니다. 수강생은 GPT API를 직접 활용해 챗봇을 만들고, Streamlit을 이용해 웹에서 실행할 수 있습니다. 기초부터 실습까지 경험하면서 AI 활용의 첫걸음을 확실히 다질 수 있습니다.

Keras를 활용해보며 머신러닝과 딥러닝에 대한 모델 알고리즘을 이해해보자!

인공지능을 공부하는 학부생들이 참고하실 수 있는 인공지능 입문 공부 방법을 소개합니다.

최신 딥러닝 기법인 GAN, BERT, RNN, CNN을 파이썬과 텐서플로2를 기반으로 다양하고 유용한 프로젝트를 이론과 함께 만들면서 배우는 딥러닝 종합 프로젝트 과정입니다.

머신러닝 총정리 강의입니다. 실무 경험을 토대로하여 짧고 알기쉬운 동영상 강의로 이루어져있습니다.