인프런 - 라이프타임 커리어 플랫폼

[2026년 중 2판 완성 예정] LLM의 한계와 한계 극복을 위한 최신 기술과 전망되는 미래 기술을 탐구합니다.

세상을 바꾸는 AI의 모든 것을 단 4강으로 정복한다! 1강. 인공지능의 진짜 정체 AI는 마법이 아니다. 인간의 ‘지능’을 수식처럼 분석해 만든 디지털 두뇌! 똑똑한 척하는 인공지능의 핵심 구조를 낱낱이 파헤칩니다. 2강. 알고리즘, AI의 창의적(?) 사고법 고민하는 AI는 어떻게 해답을 찾을까? 바둑을 두고, 길을 찾고, 당신의 검색 결과를 예측하는 AI의 전략을 직접 만나보세요. 3강. AI 하드웨어, 상상을 현실로 만드는 엔진! 당신의 스마트폰 속 칩이 AI의 심장이다. CPU, GPU, TPU, 그리고 알 수 없는 그 이름들까지 전부 해부합니다. 4강. 머신러닝과 딥러닝의 대격돌! AI가 '배운다'는 건 대체 무슨 뜻인가? 고전적인 규칙 기반 AI에서, 요즘 핫한 챗GPT까지! 학습의 진화를 추적합니다.

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.

다양한 로컬 LLM(Qwen, Gemma)을 활용하는 방법을 학습하고, LLM 시스템의 성능을 효율적으로 평가(Evaluation)하고 개선하는 다양한 기법들을 살펴봅니다.

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.

[2026년 중 2판 완성 예정] LLM 서비스를 기획하기 위해 사용자가 요구하는 사항을 수집하고 분석하는 방법을 살펴봅니다.

지금 이런 소개가 중요한가요? 당장 deepseek R1 모델을 쓰세요.

자바 개발자를 위한 AI 활용 마스터 가이드! 이 강좌는 AI가 파이썬만의 영역이란 편견을 깨고, 여러분의 자바 앱에 AI의 눈, 귀, 입, 코딩 능력까지 부여합니다. OpenAI API 기반으로 AI 아키텍트로 성장하세요. AI 작가, 번역가, 화가, 코딩 동료 등 다양한 AI 전문가를 직접 개발하며, 텍스트 요약, 감성 분석, 이미지 해설, 자바 코드 생성, 음성/텍스트 변환, 이미지/자막 생성 등 핵심 기능을 통합한 다기능 AI 어시스턴트를 만듭니다. 시스템 메시지로 AI의 역할을 부여하고, 유해 콘텐츠 검열까지 배우며 기존 자바 시스템의 경쟁력을 극대화할 절호의 기회입니다.

기본적인 자연어처리 기법(Natural Language Processing)과 딥러닝을 활용한 다양한 텍스트 task에 대해 다룹니다.

AI가 단순히 대답만 하던 시대는 끝났습니다. 이제는 스스로 판단하고 행동하는 LLM Agent의 시대입니다. 이 강의는 단 90분 실습으로 에이전트의 핵심 원리와 구조를 직접 구현하며 배우는 입문형 강의입니다. 복잡한 이론은 최소화하고, 코드 중심의 실습 흐름으로 “AI가 어떻게 판단하고 툴을 사용하는지”를 직접 체험할 수 있습니다. 프롬프트 엔지니어링을 넘어서, AI 자동화의 첫걸음을 함께 시작해 보세요.

AI에게 원하는 답을 정확히 얻어내는 '프롬프트 엔지니어링'의 핵심 기술을 배웁니다. 왕초보의 첫걸음부터 전문가의 실전 응용까지, AI 활용 능력을 극대화하세요!

실습을 통해 고품질 AI 에이전트를 만들기 위한 컨텍스트 엔지니어링(Context Engineering) 기법들을 학습해봅니다.

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.

[2026년 중 2판 완성 예정] 프롬프트 엔지니어링 이론부터 실전 기법, 그리고 최신 응용 사례와 보안·윤리 문제까지 폭넓게 다루어, LLM 기반 서비스 개발자·데이터 사이언티스트·AI 기획자 모두에게 실질적인 도움을 제공합니다.

: "데이터 분석 그 이상, 5가지 실전 프로젝트로 완성하는 예측 모델링 (총 45강)“ 데이터 분석은 끝냈지만, 막상 모델을 만들려니 막막하신가요? 단순히 라이브러리를 호출하는 법을 넘어, 타이타닉 생존 예측부터 스팸 문자 분류까지 각 알고리즘의 작동 원리와 최적의 모델 검증 전략을 완벽히 내 것으로 만들어 드립니다.선형 모델부터 최신 앙상블 알고리즘, 그리고 자연어 처리(NLP) 기초까지, 현업에서 가장 강력한 위력을 발휘하는 프로젝트들을 체계적으로 정복합니다. 이제 분석된 데이터를 바탕으로 미래를 예측하는 인공지능 모델링의 세계로 들어오세요.

이 강의는 Notion API의 기초를 다지고, AI(Claude)를 연동하여 노션을 자동화하는 Notion MCP 활용법을 배우는 과정입니다. API 공식 문서를 따라 블록, 페이지, 데이터베이스를 직접 제어하는 방법을 익히고, 최종적으로는 자연어 명령어(프롬프트)만으로 데이터베이스를 생성하고 텍스트 파일 내용을 분석해 자동으로 페이지를 추가하는 실전 프로젝트를 완성합니다.

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.

이 강의는 Transformer를 단순히 “구현하는 법”이 아니라, 왜 이런 구조가 만들어졌는지, 각 모듈이 어떤 역할을 하는지, 그리고 전체 모델이 어떻게 작동하는지를 설계자의 관점에서 해부하는 과정입니다. Self-Attention과 Multi-Head Attention의 내부 계산 원리를 깊이 있게 분석하고, Positional Encoding, Feed-Forward Network, Encoder·Decoder 구조가 어떤 한계를 해결하기 위해 등장했는지를 수식·논문·구현 코드로 직접 확인합니다. Attention에서 출발해 Transformer 전체 구조를 직접 조립하고, 실제로 학습까지 수행하며 모델이 어떻게 동작하는지 체득합니다. 이 강의는 “Transformer를 완전히 이해하고 싶은 사람”을 위한 가장 구조적이고 실전적인 로드맵입니다.

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.

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.