人工知能はどのように学習するのか？ - 楽しく学ぶAI原理

Agent Builder 및 Chatkit으로 멀티 에이전트 시스템 앱을 만들고 Cloudflare로 앱을 배포합니다. GPT-5, Agent Builder, Chatkit, MCP, Fine Tuning, CoT 등 최신 기술을 모두 반영하였습니다.

나만의 AI 자율주행 차를 만들어보세요! AI와 강화학습에 대해 가장 재미있고 빠르게 배울 수 있는 강의입니다. 본 강의는 DeepRacer 대한민국 랭킹 1위 개발자가 제작하였습니다.

Microsoft AI-900 자격을 동시에 대비 할 수 있는 특강이며 2025년 5월기준의 출제 범위를 반영한 최신 콘텐트로서 AI 개요, 머신러닝 기초, 컴퓨터 비전, 자연어 처리, 문서 인텔리전스, 지식 마이닝, 그리고 생성형 AI를 포함한 이론과 실습이 겸비된 형태로 제공합니다

AWS Certified AI Practitioner 기출문제 풀이 과정은 자격증 합격을 위한 핵심 요약 과정입니다. 먼저, AI/ML 및 생성형 AI의 기본 개념을 빠르게 복습하고, 시험에 자주 나오는 AWS의 주요 AI 서비스(예: SageMaker, Rekognition, Polly 등)의 기능과 사용 사례를 학습합니다. 이를 바탕으로 다양한 실제 문제 상황에 어떤 AI 솔루션이 적합한지 판단하는 연습을 하며, AI 모델의 책임감 있는 사용과 데이터 보안 관련 내용도 다룹니다. 마지막으로, 기출문제 유형별 풀이 전략을 익히고 실전 모의고사를 통해 시험에 대비합니다. 이 과정을 통해 짧은 시간 안에 효율적으로 시험을 준비할 수 있습니다.

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 :)

딥러닝을 시작하기 위해 필요한 기본적인 미분법과 PyTorch의 Autograd 기능을 배우는 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.

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.

Data Science(DS)와 Artificial Intelligence(AI) 관련 직군 분석과 관련 직군으로 커리어를 쌓아나가기 위한 학습 및 취업 로드맵을 배워보세요.

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.

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.

20회 가량의 면접을 통해 익힌 약 130여개의 ML/AI 엔지니어 면접 질문과 답안 총정리

인공지능이 처음인 사람의 눈높이에 맞춘 인공지능 입문 강의! 데이터부터 생성형 AI까지 핵심 개념을 쉽게 정리했습니다. 인공지능을 만드는 것이 아닌 질문하고 설명할 수 있는 수준의 실무 이해를 목표로 합니다.