인공지능 엔지니어 전문가 과정: 고급 인공지능 및 머신러닝 모델 구축, 배포, 운영

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