Tinh chỉnh LLM : Thực hành RunPod và Multi-GPU

이 강의는 알고리즘 트레이딩을 로컬 컴퓨터와 클라우드 환경에서 자동화하는 과정을 다루며 실습을 중심으로 진행됩니다.

Python과 글로벌 점유율 1위인 Interactive Brokers API를 활용하여 주식 거래 자동화를 체계적으로 학습하실 수 있습니다.

S&P 500 페어 트레이딩의 통계적 접근법을 파이썬으로 체계적으로 학습하실 수 있습니다. 전문적인 데이터 분석을 통해 감정을 배제한 투자 전략의 기초를 마련하세요.

도커를 사용해서 클라우드에 딥러닝 분석환경을 만들 수 있습니다. 구글, MS 등이 관리하는 도커 이미지와 클라우드가 결합할 때 여러분의 컴퓨터에서 가장 최신의 딥러닝 분석 방법으로 작업을 수행하는 것이 가능해집니다.

✅ 전체 (1) ~ (6)의 시리즈 중, (4) 행렬(2D 배열) 병렬로 동시에 곱하기 ✅ NVIDIA GPU + CUDA 프로그래밍을 기초부터 차근차근 설명합니다. ✅ C++/C 언어로 배열/행렬/이미지처리/통계처리/정렬 등을 병렬 컴퓨팅으로 매우 빠르게 처리합니다.

✅ 전체 (1) ~ (6)의 시리즈 중, (1) CUDA 커널(kernel) 실제로 만들기 ✅ NVIDIA GPU + CUDA 프로그래밍을 기초부터 차근차근 설명합니다. ✅ C++/C 언어로 배열/행렬/이미지처리/통계처리/정렬 등을 병렬 컴퓨팅으로 매우 빠르게 처리합니다.

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.

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

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.

이 강의에서는 LangChain 프레임워크를 사용하여 고급 RAG 시스템을 설계하고, 구축하고, 평가하는 방법을 배우게 됩니다. LCEL, Runnables, 고급 검색 기법, 청킹 전략, 크로스 인코더 리랭킹, 에이전트 기반 RAG, 도구 호출, SQL 통합, 그리고 NeMo Guardrails를 사용한 안전 기법을 마스터하게 됩니다. 또한 LangFuse, React, FastAPI, Docker를 사용하여 풀스택 AI 챗봇을 추적하고, 디버깅하고, 배포하는 방법도 배우게 됩니다.

✅ 전체 (1) ~ (6)의 시리즈 중, (2) 벡터(1D 배열) 병렬로 동시에 더하기 ✅ NVIDIA GPU + CUDA 프로그래밍을 기초부터 차근차근 설명합니다. ✅ C++/C 언어로 배열/행렬/이미지처리/통계처리/정렬 등을 병렬 컴퓨팅으로 매우 빠르게 처리합니다.

🧩 복잡한 수식이나 이론 중심의 설명보다는, 직접 프로그램을 구현하며 추천 시스템의 핵심 개념을 익히는 것을 목표로 합니다. 🛠️ 총 12개의 다양하고 실용적인 예제를 통해, 콘텐츠 기반 추천, 협업 필터링, 딥러닝 추천 등 실제 환경에서 활용할 수 있는 추천 시스템을 단계적으로 설계하였습니다.

챗지피티(ChatGPT) 같은 대규모 언어 모형의 기초 원리를 이론 중심으로 설명합니다.

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