강의

N
챌린지

멘토링

N
클립

커뮤니티

NEW
AI Technology

/

Natural Language Processing

[NLP Hoàn Toàn Chinh Phục II] Phẫu Thuật Cấu Trúc Transformer: Từ Mở Rộng Attention Đến Lắp Ráp Toàn Bộ Mô Hình và Huấn Luyện

Khóa học này không chỉ đơn thuần là "cách triển khai" Transformer, mà là quá trình phân tích từ góc nhìn của người thiết kế về tại sao cấu trúc này được tạo ra, vai trò của từng module, và cách toàn bộ mô hình hoạt động. Phân tích sâu nguyên lý tính toán bên trong của Self-Attention và Multi-Head Attention, đồng thời xác minh trực tiếp qua công thức, bài báo và code triển khai về Positional Encoding, Feed-Forward Network, cấu trúc Encoder·Decoder đã xuất hiện để giải quyết những hạn chế nào. Xuất phát từ Attention, tự tay lắp ráp toàn bộ cấu trúc Transformer, thực hiện training thực tế và thấu hiểu cách mô hình hoạt động. Đây là lộ trình có cấu trúc và thực chiến nhất dành cho "những ai muốn hiểu hoàn toàn về Transformer".

4 học viên đang tham gia khóa học này

  • Sotaaz
transformer
self-attention
pytorch
NLP
Python
PyTorch

Bạn sẽ nhận được điều này sau khi học.

  • Self-Attention, Multi-Head Attention, Positional Encoding và các cấu trúc cốt lõi của Transformer có thể được hiểu một cách bản chất thông qua công thức, bài báo và code.

  • Có thể nắm bắt toàn bộ luồng dữ liệu của Encoder–Decoder, tự tay triển khai mô hình Transformer theo từng thành phần và hoàn thành việc lắp ráp mô hình cuối cùng cũng như quá trình huấn luyện.

  • Bạn có thể hiểu sâu sắc về triết lý thiết kế và lý do cấu trúc giải thích cách Transformer đã vượt qua những hạn chế của RNN·Seq2Seq·Attention.

  • Thông qua trải nghiệm triển khai, bạn có thể nắm vững kiến thức nền tảng cốt lõi cần thiết để hiểu các kiến trúc LLM hiện đại như GPT, BERT, T5.

Nếu bạn không muốn bị tụt hậu trong thời đại AI, bạn phải 'hiểu' Transformer.
GPT, BERT, T5, LLaMA…
Trái tim của mọi LLM đang vận hành thế giới hiện nay đều có Transformer.

Nhưng chỉ với vài video YouTube và vài dòng blog
thì tuyệt đối không thể hiểu được cấu trúc sâu của Transformer.

😵 Bạn đã từng gặp tình huống này chưa?

📌 Không hiểu tại sao Self-Attention lại thực hiện phép tính như vậy
📌 Không hiểu tại sao Multi-Head phải có nhiều cái
📌 Sine·cosine trong Positional Encoding còn xa lạ
📌 Luồng Encoder–Decoder vẫn còn mơ hồ

👉 Vậy thì cho đến giờ bạn chỉ mới 'sử dụng' Transformer thôi, chứ chưa hiểu nó.
Bạn chỉ nhớ hình dạng bên ngoài mà thôi.

🚀 Khóa học này là khóa học "tháo rời hoàn toàn và lắp ráp lại" Transformer.

Self-Attention → Multi-Head → Positional Encoding → FFN → Encoder·Decoder
Phân tích toàn bộ cấu trúc của Transformer bằng công thức·bài báo·trực quan·code.

Đây không chỉ là việc triển khai đơn giản.

🧩 Tại sao lại có cấu trúc như vậy
🧩 Được thiết kế như thế này để giải quyết vấn đề gì
🧩 Attention mở rộng như thế nào trong Transformer

Từ góc nhìn của người thiết kế, bạn sẽ thấm nhuần đến tận xương tủy.

🔧 Tự tay chế tạo, tự tay lắp ráp, tự tay học hỏi.

  • # Triển khai Self-Attention

  • Triển khai Multi-Head Attention

  • Triển khai Positional Encoding

  • # Triển khai Encoder/Decoder Block

  • Lắp ráp toàn bộ Transformer & Huấn luyện

💥 "À, vậy nên Transformer trông như thế này!"
Khi khoảnh khắc giác ngộ này đến, Transformer không còn là một hộp đen phức tạp nữa.
Nó trở thành một hệ thống mà bạn có thể hiểu và giải thích được.

🔥 Khi hiểu được Transformer, thế giới LLM sẽ mở ra

Khi hiểu về Transformer
các mô hình như GPT, BERT, LLaMA
cũng chỉ trở thành 'phiên bản mở rộng của Transformer' mà thôi.

📚 Đọc hiểu được các bài báo khoa học
🧠 Nhìn thấy được lý do cấu trúc
💼 Có thể tự tin trình bày trong phỏng vấn
⚙️ Có thể tùy chỉnh trong công việc thực tế.

Khi bạn hiểu được Transformer,
bạn không còn là người "chỉ sử dụng" mô hình nữa
mà trở thành kỹ sư hiểu nguyên lý và biết lựa chọn.

🧭 Lộ trình Kỹ sư AI Fullstack (NLP + Diffusion)

Hiểu về Transformer là trung tâm của kỹ thuật AI.
Bây giờ tôi sẽ trình bày lộ trình có thể mở rộng một cách tự nhiên.

🔷 Chuỗi bài Chinh phục hoàn toàn NLP (Nền tảng của AI dựa trên văn bản)

① [Chinh phục hoàn toàn NLP I] Sự ra đời của Attention

RNN → Seq2Seq → Attention được triển khai trực tiếp
để hoàn thiện nền tảng cơ bản cho việc hiểu Transformer.

② [Chinh phục hoàn toàn NLP II] Phân tích cấu trúc Transformer (Khóa học hiện tại)

Self-Attention mở rộng, Multi-Head, Positional Encoding,
Encoder/Decoder, lắp ráp toàn bộ·học tập
Chinh phục hoàn toàn cấu trúc Transformer.

③ [Làm chủ hoàn toàn NLP III] Học thông qua việc triển khai NanoChat (Sắp ra mắt)

Đây là khóa học LLM thực chiến từ việc triển khai kiến trúc LLM nhỏ gọn
đến Fine-tuning chatbot.

🔷 Chuỗi bài Chinh phục hoàn toàn Diffusion (Cốt lõi của AI tạo ảnh)

① Làm chủ hoàn toàn Diffusion I – Triển khai DDPM → DDIM

Forward·Reverse Process từ đầu đến Sampling
Triển khai trực tiếp cấu trúc cơ bản của Diffusion.

② Làm chủ hoàn toàn Diffusion II – LDM → DiT

Học về cấu trúc Latent Diffusion và Diffusion dựa trên Transformer.

③ Làm chủ hoàn toàn Diffusion III – PixArt → SANA

Hiểu được dòng chảy hoàn chỉnh của mô hình tạo ảnh
từ mô hình Diffusion hiệu suất cao mới nhất.

🌈 Tại sao cần cả hai trụ cột NLP + Diffusion?

AI hiện đại được chia thành hai lĩnh vực chính.

✔ Tạo văn bản (LLM) → Transformer
✔ Tạo hình ảnh (Diffusion) → DDPM/LDM/DiT

Các kỹ sư hiểu cả hai cấu trúc này
được công nhận có giá trị cao nhất trong thực tế tại hiện trường công nghiệp.

Cả hai không hoàn toàn khác nhau.
Transformer và Diffusion ảnh hưởng lẫn nhau
và đang trở thành nền tảng cho kỷ nguyên đa phương thức (hình ảnh + văn bản).

Nói cách khác, nếu bạn hiểu hai công nghệ này từ góc độ triển khai
trong 3~5 năm tới, bạn sẽ trở thành nhân tài AI cạnh tranh nhất.

⚡ Nếu bạn hiểu Transformer ngay bây giờ, sự nghiệp AI của bạn sẽ lên một tầm cao mới.

Thời đại "học vẹt mà không hiểu" về deep learning đã kết thúc rồi.
Khi bạn hiểu cấu trúc của Transformer,
toàn bộ dòng chảy của deep learning bắt đầu kết nối với nhau.

🔥 Khóa học này không chỉ dừng lại ở Attention mà còn mổ xẻ và lắp ráp toàn bộ Transformer,
Hãy bắt đầu ngay bây giờ.

🧭 Lộ trình Fullstack dành cho AI Engineer

Xây dựng năng lực AI thực sự với cả hai trụ cột: NLP và Diffusion

Khi bạn hiểu hoàn toàn về Transformer,
bạn đã sẵn sàng để mở rộng thế giới của LLM và AI sinh tạo một cách toàn diện.

Tôi đang vận hành "Chuỗi bài học hoàn chỉnh dựa trên triển khai thực tế" cho cả NLP và Diffusion,
và lộ trình dưới đây là con đường mà nhiều học viên thực tế đã sử dụng để phát triển năng lực AI một cách hiệu quả nhất.

🔷 ① Chuỗi bài Chinh phục hoàn toàn NLP (Cốt lõi của mô hình hóa ngôn ngữ tự nhiên)

🔹 [Chinh phục hoàn toàn NLP I] Sự ra đời của Attention

RNN → Seq2Seq → Attention được triển khai trực tiếp để hiểu các giới hạn cấu trúc.

🔹 [Chinh phục hoàn toàn NLP II] Phân tích cấu trúc Transformer (Khóa học hiện tại)

Self-Attention mở rộng → Multi-Head → Encoder/Decoder → Lắp ráp và huấn luyện toàn bộ mô hình
Phân tích hoàn toàn bên trong Transformer.

🔹 [NLP hoàn toàn chinh phục III] Học qua thực hành NanoChat (Đang chuẩn bị)

Đây là khóa học dự án thực tế giúp bạn tự tay xây dựng cấu trúc LLM nhỏ gọn và fine-tuning mô hình chatbot.
Từ việc hiểu cấu trúc Transformer, bạn sẽ mở rộng một cách tự nhiên đến ứng dụng LLM.

🔷 ② Chuỗi bài Làm chủ hoàn toàn Diffusion (Cốt lõi của mô hình tạo ảnh)

Nếu Transformer là nền tảng của NLP,
thì Diffusion là tiêu chuẩn của các mô hình tạo ảnh hiện đại.
Hiểu cả hai cấu trúc này sẽ giúp bạn tăng sức cạnh tranh áp đảo trên thị trường với tư cách là kỹ sư AI.

🔹 [Làm chủ hoàn toàn Diffusion I] Triển khai DDPM → DDIM

Triển khai trực tiếp các nguyên lý cơ bản của Diffusion như thêm nhiễu (noise addition), quá trình ngược (reverse process), lấy mẫu (sampling).

🔹 [Làm chủ hoàn toàn Diffusion II] Cấu trúc LDM → DiT

Nâng cao hiệu suất với Latent Diffusion,
và triển khai cấu trúc DiT dựa trên Transformer để làm quen với các kỹ thuật mới nhất.

🔹 [Làm chủ hoàn toàn Diffusion III] PixArt → SANA

Đây là khóa học nâng cao bao gồm mô hình tạo sinh độ phân giải cao, kiến trúc nâng cao và pipeline thực tế.

🌈 Tại sao lại là lộ trình NLP + Diffusion?

Ngày nay, AI được chia thành hai nhánh chính.

  • LLM dựa trên văn bản (họ Transformer)

  • Mô hình sinh dựa trên hình ảnh (Dòng Diffusion)

Những kỹ sư có thể triển khai cả hai cấu trúc này
thực tế rất hiếm và được các doanh nghiệp đánh giá cao nhất.

💡 Từ tạo văn bản → tạo hình ảnh → đến multimodal,
chuỗi bài giảng AI Full-stack do tôi đảm nhận toàn bộ,
bạn sẽ có thể nắm vững hoàn toàn các kỹ thuật cốt lõi của AI
trong một lộ trình thống nhất được tạo ra bởi một giảng viên duy nhất.

🚀 Giờ đây, hãy phát triển thành một kỹ sư AI thực thụ với cả hai trụ cột NLP và Diffusion.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • # Người học NLP đã hiểu Attention nhưng muốn tìm hiểu sâu về cấu trúc tổng thể và lý do thiết kế của Transformer Bạn đã nắm vững cơ chế Attention và giờ muốn hiểu toàn diện hơn về kiến trúc Transformer? Đây là hướng dẫn chi tiết về cấu trúc tổng thể và các quyết định thiết kế đằng sau nó. ## 1. Tổng quan kiến trúc Transformer ### Cấu trúc Encoder-Decoder Transformer sử dụng kiến trúc encoder-decoder với các đặc điểm: **Encoder (Bộ mã hóa):** - Xử lý chuỗi đầu vào - Tạo ra biểu di

  • Self-Attention, Multi-Head, Positional Encoding, cấu trúc Encoder·Decoder - nhà phát triển muốn phân tích từ gốc rễ và triển khai

  • Kỹ sư muốn hiểu rõ ràng tại sao Transformer hoạt động như vậy vì bị vướng mắc ở các công thức và cấu trúc trong bài báo

  • Những người làm việc thực tế về AI muốn hiểu bản chất bằng cách tự triển khai Transformer, không chỉ đơn thuần sử dụng thư viện

  • GPT·BERT·T5 và các kiến trúc LLM khác - Sinh viên cao học và nghiên cứu sinh muốn xây dựng nền tảng cơ bản vững chắc để nghiên cứu chuyên sâu

Cần biết trước khi bắt đầu?

  • Cú pháp cơ bản của PyTorch

  • Khái niệm cơ bản về Attention

  • Hiểu biết cơ bản về phép toán vector và ma trận

  • Quy trình cơ bản của mô hình Deep Learning

Xin chào
Đây là

Chương trình giảng dạy

Tất cả

12 bài giảng ∙ (2giờ 4phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Chưa có đủ đánh giá.
Hãy trở thành tác giả của một đánh giá giúp mọi người!

1.373.830 ₫

Khóa học khác của Sotaaz

Hãy khám phá các khóa học khác của giảng viên!

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III강의 썸네일

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III

Sotaaz

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.

중급이상

중급이상

Python, PyTorch, 인공지능(AI)

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III강의 썸네일

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III

Sotaaz

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II강의 썸네일

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II

Sotaaz

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.

초급

초급

Python, 딥러닝, Stable Diffusion

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II강의 썸네일

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II

Sotaaz

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP강의 썸네일

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP

Sotaaz

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.

입문

입문

Python, 딥러닝, PyTorch

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP강의 썸네일

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP

Sotaaz

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I강의 썸네일

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I

Sotaaz

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.

초급

초급

Python, 딥러닝, 인공지능(AI)

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I강의 썸네일

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I

Sotaaz

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

[PyTorch] 쉽고 빠르게 배우는 NLP강의 썸네일

[PyTorch] 쉽고 빠르게 배우는 NLP

코코

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

중급이상

중급이상

딥러닝, 인공신경망, PyTorch

[PyTorch] 쉽고 빠르게 배우는 NLP강의 썸네일

[PyTorch] 쉽고 빠르게 배우는 NLP

코코

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP강의 썸네일

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP

Sotaaz

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.

입문

입문

Python, 딥러닝, PyTorch

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP강의 썸네일

[NLP 완전정복 I] Attention의 탄생: RNN·Seq2Seq의 한계부터 어텐션을 구현하며 이해하는 NLP

Sotaaz

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I강의 썸네일

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I

Sotaaz

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.

초급

초급

Python, 딥러닝, 인공지능(AI)

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I강의 썸네일

DDPM 부터 DDIM 까지, 구현하며 배우는 Diffusion 완전정복 I

Sotaaz

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II강의 썸네일

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II

Sotaaz

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.

초급

초급

Python, 딥러닝, Stable Diffusion

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II강의 썸네일

LDM 부터 DiT 까지, 구현하며 배우는 Diffusion 완전정복 II

Sotaaz

LLM의 역사와 발전강의 썸네일

LLM의 역사와 발전

아리가람

자연어 처리 기술의 출발부터 시작해서 최신 LLM 모형에 이르기까지의 과정에서 개발된 다양한 언어 모형들을 상세히 설명합니다.

입문

입문

NLP, RNN, self-attention

LLM의 역사와 발전강의 썸네일

LLM의 역사와 발전

아리가람

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III강의 썸네일

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III

Sotaaz

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.

중급이상

중급이상

Python, PyTorch, 인공지능(AI)

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III강의 썸네일

Pixart & SANA, 구현하며 배우는 Diffusion 완전정복 III

Sotaaz

실리콘밸리 엔지니어와 함께하는 Streamlit 바이브코딩강의 썸네일

실리콘밸리 엔지니어와 함께하는 Streamlit 바이브코딩

미쿡엔지니어

🔥 바이브코딩 with Streamlit 🔥 코드 한 줄로 나만의 웹서비스를 바로 만들어보는 실시간 코딩 경험! MZ 감성에 맞춘 비주얼 중심의 실습형 강의, 복잡한 백엔드 지식은 필요 없어요. Streamlit에 대한 기초를 배우고 실질적인 앱까지 직접 구현하면서 개발 감각을 깨웁니다. 지금 바로 “나만의 서비스”를 코드로 vibe 있게 완성해보세요 😎💻

입문

입문

Python, streamlit, 바이브코딩

실리콘밸리 엔지니어와 함께하는 Streamlit 바이브코딩강의 썸네일

실리콘밸리 엔지니어와 함께하는 Streamlit 바이브코딩

미쿡엔지니어

[퇴근후딴짓] 빅데이터 분석기사 실기 (작업형1,2,3)강의 썸네일

[퇴근후딴짓] 빅데이터 분석기사 실기 (작업형1,2,3)

퇴근후딴짓

비전공자, 입문자가 빅데이터 분석기사 실기를 빠르게 취득할 수 있도록 안내해드려요! 이론은 가볍게, 실전은 확실하게 복잡한 배경지식 없이도, 기출문제를 중심으로 시험에 꼭 나오는 포인트만 집중 학습합니다.

입문

입문

빅데이터분석기사, 빅데이터, Python

[퇴근후딴짓] 빅데이터 분석기사 실기 (작업형1,2,3)강의 썸네일

[퇴근후딴짓] 빅데이터 분석기사 실기 (작업형1,2,3)

퇴근후딴짓

[2025]빅분기 실기! 최신 기출 풀이로 한 방에 합격하기(파이썬)강의 썸네일

[2025]빅분기 실기! 최신 기출 풀이로 한 방에 합격하기(파이썬)

알고런 데이터코드 연구소

많은 응시자가 기출 문제를 풀어보고 싶어합니다. 왜 그럴까요? 왜냐하면, 출제자가 기출 문제를 참고하기 때문이죠. 최신 기출 풀이, 합격의 지름길입니다.

초급

초급

Python, 빅데이터분석기사, 빅데이터

[2025]빅분기 실기! 최신 기출 풀이로 한 방에 합격하기(파이썬)강의 썸네일

[2025]빅분기 실기! 최신 기출 풀이로 한 방에 합격하기(파이썬)

알고런 데이터코드 연구소

맞춤형 LLM 만들기 : 처음 시작하는 분을 위한 RAG 기초 개념부터 멀티모달·Agent 실습까지강의 썸네일

맞춤형 LLM 만들기 : 처음 시작하는 분을 위한 RAG 기초 개념부터 멀티모달·Agent 실습까지

HappyAI

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.

입문

입문

Python, vector-database, LLM

맞춤형 LLM 만들기 : 처음 시작하는 분을 위한 RAG 기초 개념부터 멀티모달·Agent 실습까지강의 썸네일

맞춤형 LLM 만들기 : 처음 시작하는 분을 위한 RAG 기초 개념부터 멀티모달·Agent 실습까지

HappyAI

Python Streamlit을 활용한 대시보드 만들기 (feat. 빅데이터 분석기사 실기 준비)강의 썸네일

Python Streamlit을 활용한 대시보드 만들기 (feat. 빅데이터 분석기사 실기 준비)

Evan

Python 초보자의 눈높이에 맞춰 가장 쉽고 가장 실용적인 과정으로 기획된 입문 강의로 Streamlit을 활용한 직관적인 대시보드, 배포를 위한 Google Cloud Platform 등을 배웁니다. 또한, 빅데이터 분석기사 실기 준비도 같이 할 수 있습니다.

입문

입문

Python, streamlit, Scikit-Learn

Python Streamlit을 활용한 대시보드 만들기 (feat. 빅데이터 분석기사 실기 준비)강의 썸네일

Python Streamlit을 활용한 대시보드 만들기 (feat. 빅데이터 분석기사 실기 준비)

Evan

1시간 만에 배우는 LLM과 GPT 기초강의 썸네일

1시간 만에 배우는 LLM과 GPT 기초

Essential

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.

초급

초급

Python, 인공지능(AI), ChatGPT

1시간 만에 배우는 LLM과 GPT 기초강의 썸네일

1시간 만에 배우는 LLM과 GPT 기초

Essential

대규모 언어 모델, 핵심만 빠르게!강의 썸네일

대규모 언어 모델, 핵심만 빠르게!

박해선

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

입문

입문

인공신경망, PyTorch, LLM

대규모 언어 모델, 핵심만 빠르게!강의 썸네일

대규모 언어 모델, 핵심만 빠르게!

박해선

<밑바닥부터 만들면서 배우는 LLM> 해설 강의강의 썸네일

<밑바닥부터 만들면서 배우는 LLM> 해설 강의

박해선

<밑바닥부터 만들면서 배우는 LLM>(길벗, 2025)의 깃허브 노트북과 보너스 콘텐츠를 다루는 강의입니다. 깃허브: https://github.com/rickiepark/llm-from-scratch/ <밑바닥부터 만들면서 배우는 LLM>은 세바스찬 라시카(Sebastian Raschka)가 쓴 베스트셀러 <Build a Large Langauge Model (from Scratch)>(Manning, 2024)의 번역서입니다. 이 책은 오픈AI가 만든 GPT-2 모델을 밑바닥에서부터 시작해서 완전한 모델을 만들어 보면서 대규모 언어 모델의 작동 원리를 배우고 활용하는 방법을 제공합니다.

초급

초급

PyTorch, gpt-2, transformer

<밑바닥부터 만들면서 배우는 LLM> 해설 강의강의 썸네일

<밑바닥부터 만들면서 배우는 LLM> 해설 강의

박해선

빅데이터 분석기사 시험 실기(Python)강의 썸네일

빅데이터 분석기사 시험 실기(Python)

대구빅데이터활용센터

국가기술자격증 빅데이터분석기사 실기 with Python 강의입니다. 여러분들의 합격을 응원합니다!

초급

초급

빅데이터, Python

빅데이터 분석기사 시험 실기(Python)강의 썸네일

빅데이터 분석기사 시험 실기(Python)

대구빅데이터활용센터