단순한 모델 구현을 넘어 비즈니스 가치를 창출하는 AI 아키텍트로 성장하세요. 최신 트랜스포머와 AI 에이전트 구축부터 MLOps를 통한 실전 배포까지, 현업 필수 기술을 마스터하여 대체 불가능한 전문가로 거듭날 수 있는 기회입니다.
실무자를 넘어,
대체 불가능한 AI 아키텍트로
밤새 돌린 모델이 실패했나요? 3일 걸릴 튜닝을 3시간 만에 끝내고,
클릭 한 번으로 전 세계에 배포되는 '살아있는 시스템'을 구축하세요.
이런 고민, 언제까지 하실 건가요?
⚠️
튜토리얼은 잘 따라 하는데...
내 데이터만 넣으면 성능이 60% 밑으로 떨어지고 과적합 문제에 막혀 성장이 멈추셨나요?
⚠️
언제까지 '파라미터 노가다'만 하실 건가요?
감으로 찍어서 튜닝하는 시간을 끝내세요. AI가 최적값을 찾아내는 공식이 필요합니다.
⚠️
로컬 PC에만 갇힌 모델?
실제 서비스로 배포되지 못하는 모델은 죽은 모델입니다. Docker와 K8s로 살아있는 시스템을 만들어야 합니다.
이 강의가 당신을 변화시킬 4가지
시간 낭비 없는 최적화
Grid Search, Bayesian Optimization을 통해 3일 걸릴 튜닝을 3시간으로 단축하고 성능을 극한으로 끌어올립니다.
최신 아키텍처 완전 정복
Transformer, 전이 학습(Transfer Learning) 등 현업 SOTA 모델과 오차범위 2% 이내의 성능을 구현합니다.
자율 협업 에이전트
단순 챗봇이 아닙니다. Autogen, CrewAI를 통해 스스로 계획하고 협업하여 문제를 해결하는 멀티 에이전트 팀을 만듭니다.
프로덕션 레벨 MLOps
로컬 모델은 그만. Docker와 Kubernetes로 클릭 한 번에 전 세계 사용자에게 서비스되는 파이프라인을 구축합니다.
Real-World Projects
이론만 배우고 끝내지 않습니다. 내 손으로 직접 만듭니다.
상세 커리큘럼
01. 하이퍼파라미터 튜닝과 최적화
Grid/Random Search, Bayesian Optimization, 정규화 전략
02. 컴퓨터 비전 마스터 (CNN)
CNN 아키텍처 심화, 데이터 증강, PyTorch 실습
03. 시퀀스 데이터 정복 (RNN)
RNN, LSTM, GRU, Seq2Seq 모델링 및 시계열 처리
04. 현대 NLP의 핵심 (Transformer)
Attention 메커니즘, BERT/GPT 파인튜닝 실습
05. 효율성 극대화 (Transfer Learning)
Pretrained Model 활용, 적은 데이터로 고성능 달성
06. Next Gen AI (Agents)
Autogen, CrewAI를 활용한 자율 에이전트 시스템 구축
07. 프로덕션 배포 (MLOps)
Docker, Kubernetes 인프라 구축 및 파이프라인 자동화
자주 묻는 질문
Q. 기초 지식이 없어도 수강 가능한가요?
본 과정은 프로페셔널 심화 과정입니다. Python과 머신러닝/딥러닝 기초 이론을 알고 계신 분들께 적합하며, 기초가 부족하시다면 입문 과정을 먼저 권장합니다.
Q. 어떤 프레임워크를 사용하나요?
TensorFlow와 PyTorch를 모두 다룹니다. 도구에 종속되지 않고 상황에 맞춰 유연하게 대처할 수 있는 '진짜 엔지니어링 실력'을 키워드립니다.
Q. 수강 후 어떤 커리어가 가능한가요?
AI 리서처, 엔지니어는 물론 MLOps 엔지니어, AI 시스템 전반을 설계하는 AI 아키텍트로 커리어를 확장할 수 있습니다.
강사
비비안 아라나
비비안 아라나는 거의 20년의 경력을 가진 기술 전문가로, 인공지능 분야에 특화되어 있습니다. 2004년 정보기술 학사와 2006년 컴퓨터 과학 석사를 취득한 후, 그는 컴퓨팅과 혁신에 대한 탄탄한 기초를 쌓았습니다. 최근 8년 동안 그는 AI, 머신러닝, 딥러닝 및 지능형 시스템에 깊이 관여하며, 미래의 전문가들을 멘토링해왔습니다. 복잡한 개념을 단순화하고 이론과 실제 응용을 연결하는 그의 능력은 AI 분야에서 그를 매우 인기 있는 전문가로 만들고 있습니다.
커리큘럼
1-01차시 AI 엔지니어 전문가 자격증에서 배우게 될 내용
02
2-01차시 1일차 하이퍼파라미터 튜닝 소개
03
2-02차시 2일차 그리드 서치(Grid Search)와 랜덤 서치(Random Search)
04
2-03차시 3일차 베이지안 최적화를 활용한 고급 하이퍼파라미터 튜닝
05
2-04차시 4일차 모델 최적화를 위한 정규화 기법
06
2-05차시 5일차 교차 검증 및 모델 평가 기법
07
2-06차시 6일차 GridSearchCV를 이용한 자동 하이퍼파라미터 튜닝
08
2-07차시 7일차 최적화 프로젝트 – 최종 모델 구축과 튜닝
09
3-01차시 1일차 합성곱 신경망(Convolutional Neural Networks) 소개
10
3-02차시 2일차 합성곱 레이어와 필터
11
3-03차시 3일차 풀링 레이어와 차원 축소
12
3-04차시 4일차 Keras와 TensorFlow로 CNN 아키텍처 구축하기
13
3-05차시 5일차 PyTorch로 CNN 아키텍처 구현하기
14
3-06차시 6일차 CNN을 위한 정규화와 데이터 증강
15
3-07차시 7일차 CNN 프로젝트 – Fashion MNIST 이미지 분류
16
4-01차시 1일차 시퀀스 모델링과 RNN(순환 신경망) 소개
17
4-02차시 2일차 RNN 구조와 역전파 이해하기
18
4-03차시 3일차 장기·단기 메모리(LSTM) 네트워크
19
4-04차시 4일차 게이트 순환 유닛(GRU)
20
4-05차시 5일차 RNN을 위한 텍스트 전처리와 워드 임베딩
21
4-06차시 6일차 시퀀스 투 시퀀스(Sequence to Sequence) 모델과 응용
22
4-07차시 7일차 RNN 프로젝트 – 텍스트 생성 또는 감정 분석
23
5-01차시 1일차 어텐션 메커니즘 소개
24
5-02차시 2일차 트랜스포머(Transformers) 아키텍처 소개
25
5-03차시 3일차 트랜스포머의 셀프 어텐션(Self-Attention)과 멀티 헤드 어텐션(Multi-Head Attention)
26
5-04차시 4일차 포지셔널 인코딩(Positional Encoding)과 피드포워드 네트워크(Feed Forward Networks)
27
5-05차시 5일차 사전학습 트랜스포머 모델 실습 – BERT와 GPT
28
5-06차시 6일차 고급 트랜스포머(BERT 변형 및 GPT-3)
29
5-07차시 7일차 트랜스포머 프로젝트 – 텍스트 요약 또는 번역
30
6-01차시 1일차 전이학습(Transfer Learning) 소개
31
6-02차시 2일차 컴퓨터 비전에서의 전이 학습(Transfer Learning)
32
6-03차시 3일차 컴퓨터 비전에서의 파인튜닝 기법
33
6-04차시 4일차 NLP에서의 전이 학습(Transfer Learning)
34
6-05차시 5일차 NLP 미세조정(Fine-Tuning) 기법
35
6-06차시 6일차 도메인 적응(Domain Adaptation)과 전이 학습(Transfer Learning)의 도전 과제
36
6-07차시 7일차 전이학습 프로젝트 – 커스텀 T를 위한 파인튜닝(Fine Tuning)
37
7-01차시 실습: AutoGen IBM Bee LangGraph CrewAI AutoGPT
38
7-02차시 실습: AutoGen
39
7-03차시 실습: IBM Bee 프레임워크
40
7-04차시 실습: LangGraph
41
7-05차시 실습: CrewAI
42
7-06차시 실습: AutoGPT
43
8-01차시 MLOps 소개
44
8-02차시 MLOps 개요 및 중요성
45
8-03차시 머신러닝 운영(MLOps)의 발전
46
8-04차시 MLOps의 핵심 개념: 버저닝, 자동화, 모니터링
47
8-05차시 MLOps와 DevOps의 공통점과 차이점
48
8-06차시 실습 기본 MLOps 프로젝트 구조 설정 Git, Docker
49
8-07차시 데이터 사이언스에서 프로덕션 파이프라인 섹션 소개
50
8-08차시 머신러닝 워크플로우 개요: 데이터 준비부터 배포까지
51
8-09차시 실험(Experimentation)과 운영(Production) 비교
52
8-10차시 머신러닝(ML) 모델 배포 시 직면하는 과제
53
8-11차시 실습 ML 모델을 위한 엔드투엔드 파이프라인 구축
54
8-12차시 MLOps를 위한 인프라 소개
55
8-13차시 클라우드 플랫폼 소개(AWS, GCP, Azure)
56
8-14차시 Docker를 이용한 컨테이너화
57
8-15차시 ML 워크로드 오케스트레이션을 위한 쿠버네티스(Kubernetes)
58
8-16차시 로컬 MLOps 환경 설정하기
59
8-17차시 직접 실습 간단한 머신러닝 모델 컨테이너화 및 로컬 배포
60
9-01차시 AI 엔지니어 전문가 자격증 과정에서 배우게 될 내용
수강 후기
첫번째 리뷰어가 되어주세요.
소중한 후기가 다른 분들께 도움이 될 거에요.
정가
185,000원
총 결제 금액
185,000원
적립 예정
5,550P
185,000원
185,000원