AGI와 인류의 미래
인공지능의 최종 목표인 AGI의 개념과 그것이 인류에 미치는 잠재적 영향
인공지능의 최종 목표인 AGI의 개념과 그것이 인류에 미치는 잠재적 영향
AI 모델이 데이터를 학습하고, 예측을 수행하며, 성능을 평가하는 과정
TensorFlow.js를 활용한 실시간 사물 인식 체험
AI와 함께 실시간으로 얼굴의 위치를 추적하고, AR(Augmented Reality, 증강현실)을 활용한 가상 의상 착용을 체험
인공지능의 정의와 기계 학습, 지도 학습, 비지도 학습, 강화 학습 개념
가중치와 편향이 행렬로 표현되는 방식과 파일로 저장되는 과정
데이터 수집, 전처리, 패턴 분석, 학습된 정보 저장, 모델 활용 과정을 통해 이해하는 인공지능 학습 과정
AI의 개념과 활용 분야
AI 모델, 데이터셋, 전처리, 학습, 추론 등 AI 학습에 필수적인 용어 정리
데이터셋에 담는 데이터의 종류와 일반적인 구조
AI 학습의 정의와 함수와의 유사성
AI 모델을 학습시키기 위해 사용되는 주요 데이터 형식인 CSV, JSON, XML
AI 모델을 학습시키기 위해 사용되는 주요 데이터 형식인 CSV, JSON, XML
음성 인식의 개념과 AI가 음성을 인식하는 과정
음성 합성(TTS)의 개념과 AI가 음성을 합성하는 과정
인공지능 시대에 인간의 경쟁력을 유지하기 위한 전략과 준비 방법을 다룬 학습 자료
주요 AI 유형과 활용 사례
CNN을 사용하여 간단한 이미지 분류를 수행하는 방법을 코드 예제
CNN(합성곱 신경망)의 핵심 구성 요소와 각 요소의 역할을 쉽게 설명
OpenAI의 대표적인 GPT 모델인 3.5, 4 mini, 4o를 비교하여 구조, 성능, 특징을 이해하는 학습 자료
대표적인 AI 언어 모델인 GPT, Claude, DeepSeek의 특징과 장단점을 비교하여 설명하는 학습 자료
GPT의 의미, 등장 배경, 구성 요소
GPT 모델과 기존 머신러닝 모델의 학습 방식, 활용 방식 차이점
GPT와 순환 신경망(RNN)의 구조, 학습 방식, 성능 차이
토큰화(Tokenization)의 개념과 GPT에서 토큰이 어떤 방식으로 사용되는지를 설명하는 학습 자료
Keras에서 신경망 모델을 학습하고 평가하는 방법
각기 다른 MBTI 유형에 따른 응답 차이 확인하기
파이썬 코드로 텐서플로우를 사용하여 간단한 선형 회귀 모델을 만드는 방법
신경망에서 학습 속도를 높이고 최적값에 안정적으로 수렴하는 모멘텀(Momentum) 최적화 기법의 개념과 동작 방식
머신러닝에서 주변 데이터와의 거리를 이용해 분류하는 K-최근접 이웃(K-Nearest Neighbors, KNN)의 개념과 활용 방법
머신러닝에서 데이터를 가장 잘 구분하는 경계를 찾는 서포트 벡터 머신(Support Vector Machine, SVM)의 개념과 활용 방법
간단한 파이썬 코드로 AI 모델을 만들어보는 실습
머신러닝에서 숫자 값을 0과 1 사이의 확률로 변환하는 시그모이드(Sigmoid) 함수의 개념과 활용 방법
머신러닝 회귀 모델의 성능을 평가하는 결정 계수(R², R-squared)의 개념과 활용 방법
신경망에서 과적합을 방지하는 드롭아웃 기법의 개념과 동작 방식
머신러닝에서 편향의 역할과 가중치와의 차이
RNN의 한계를 보완하여 긴 거리의 정보를 기억할 수 있는 LSTM의 개념과 동작 방식 설명
뉴런의 개념과 역할
Self-Attention을 확장한 멀티헤드 어텐션(Multi-Head Attention)의 개념과 동작 방식
TensorFlow와 Keras를 활용해 다음 문자를 예측하는 간단한 LSTM 모델을 만들기
XOR 문제로 알아보는 단층 퍼셉트론의 한계와 다 층 퍼셉트론의 역할
LSTM의 복잡한 구조를 간단하게 만든 GRU(Gated Recurrent Unit)의 개념과 동작 방식
데이터 값의 평균과 표준편차를 활용해 스케일을 맞추는 표준화 방법
데이터 크기의 개념과 최소-최대 스케일링을 활용한 정규화 방법
머신러닝에서 데이터를 특정 카테고리로 분류하는 분류(Classification) 모델의 개념과 예제
전처리의 필요성과 JSONL 데이터 전처리 예시
레이블(Label)의 개념과 역할
신경망의 층이 깊어질 때 발생하는 문제와 이를 해결하는 방법
뉴런, 층, 학습 등 딥러닝의 주요 개념과 예시
레이블 인코딩과 원-핫 인코딩의 개념과 차이점
AI 시대에 인간이 무엇을 지켜야 하고, 어떤 태도로 살아가야 하는지에 대한 제안
AI의 의미와 파인튜닝의 개념 및 사용 사례
머신러닝과 딥러닝 개념 정리 및 활용 분야
머신러닝 모델이 해결하는 문제 유형인 분류(Classification)와 회귀(Regression)의 개념과 차이점
머신러닝에서 최적화(Optimization)의 개념과 경사 하강법을 통한 가중치 조정 방법
머신러닝과 딥러닝의 주요 차이점 비교
TensorFlow를 활용한 AI 모델 구축 기초
머신러닝에서 알고리즘이 필요한 이유와 적용 방식을 쉽게 설명
데이터셋에서 특징의 개념과, 머신러닝에 활용되는 예시
딥러닝의 개념과 심층 신경망의 구조
머신러닝 모델의 학습 속도를 조절하는 학습률(Learning Rate)의 개념과 중요성
신경망과 머신러닝 모델의 일반화 성능을 높이는 L1 및 L2 정규화 기법
머신러닝 모델의 성능을 최적화하기 위해 조정하는 하이퍼파라미터의 개념과 중요성
머신러닝 모델의 성능을 측정하는 F1-Score의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 재현율(Recall)의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 정밀도(Precision)의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 정확도(Accuracy)의 개념과 활용 방법
신경망에서 각 뉴런이 모든 뉴런과 연결된 완전 연결층(Fully Connected Layer)의 개념과 활용 방법
머신러닝에서 비용 함수의 개념과 손실 함수와의 차이
Self-Attention 메커니즘의 개념과 작동 방식
트랜스포머 모델의 개념, 구조, 장점
순서를 따라가며 처리하는 RNN과 달리 전체 문장을 동시에 처리하는 트랜스포머(Transformer)의 개념과 구조 설명
머신러닝 모델의 학습 과정에서 데이터를 몇 번 반복할지를 결정하는 에폭(Epoch)의 개념과 중요성
범주형 데이터의 개념과 이를 숫자로 변환하는 방법
AI를 학습시키는 방법 중 하나인 강화 학습이 진행되는 방식과 활용 사례
머신러닝에서 데이터를 자동으로 그룹화하는 K-평균 군집화(K-Means Clustering)의 개념과 활용 방법
신경망에서 학습 속도를 높이고 안정적으로 수렴하는 Adam 옵티마이저의 개념과 동작 방식
시간에 따라 변하는 데이터를 처리하는 순환 신경망(RNN)의 개념과 동작 방식
RNN의 내부 구조와 시간 순서에 따라 정보를 처리하는 방식
Keras를 활용하여 딥러닝 모델을 쉽게 구축하는 방법
간단한 텍스트 데이터를 활용해 스팸 이메일을 분류하는 머신러닝 모델을 만들기
신경망이 효율적으로 학습할 수 있도록 도와주는 가중치 초기화 기법
신경망에서 학습 속도를 높이고 안정성을 향상시키는 배치 정규화의 개념과 동작 방식
신경망의 개념과 구성 요소
신경망에서 입력 데이터를 전달하여 출력을 계산하는 순전파(Forward Propagation)의 개념과 동작 방식
신경망의 주요 구성 요소인 층(Layer)과 뉴런(Neuron)
신경망이 예측 오차를 줄이기 위해 가중치를 조정하는 역전파(Backpropagation) 알고리즘의 개념과 동작 방식
신경망에서 손실을 최소화하기 위해 가중치를 조정하는 경사 하강법의 개념과 동작 방식
머신러닝에서 전체 데이터를 사용하여 가중치를 조정하는 배치 경사 하강법(Batch Gradient Descent)의 개념과 동작 방식
머신러닝에서 여러 개의 결정 트리를 결합하여 예측하는 랜덤 포레스트(Random Forest)의 개념과 활용 방법
머신러닝에서 다중 클래스 분류에 사용되는 소프트맥스(Softmax) 함수의 개념과 활용 방법
머신러닝에서 연속적인 수치를 예측하는 회귀(Regression) 모델의 개념과 예제
머신러닝에서 손실 함수(Loss Function)의 개념과 역할
AI의 개념과 활용 분야
AI의 의미와 파인튜닝의 개념 및 사용 사례
은닉층의 정의와 예제
신경망에서 은닉층(Hidden Layer)의 개수가 모델 성능에 미치는 영향을 설명
머신러닝에서 뉴런을 활성화할 때 사용되는 ReLU(Rectified Linear Unit) 함수의 개념과 특징
이미지 데이터에서 특징을 추출하여 학습하는 합성곱 신경망(Convolutional Neural Network, CNN)의 개념과 동작 방식
CNN에서 합성곱 연산 시 입력 크기를 유지하거나 조정하는 패딩(Padding)의 개념과 역할
CNN에서 연산량을 줄이고 중요한 특징을 유지하는 풀링(Pooling)의 개념과 역할
CNN에서 이미지 특징을 추출하는 합성곱 연산(Convolution Operation)의 개념과 동작 방식
CNN에서 다양한 패턴을 감지하는 필터(Filter)의 개념과 역할
퍼셉트론의 개념과 구성 요소, 활성화 함수
입력층의 정의와 예제
머신러닝과 신경망에서 입력 데이터를 분석하고 특징을 추출하는 과정에 대한 개념과 활용 방법
자연어 처리(NLP)의 개념과 주요 활용 사례
nn.relu(), reduce_mean(), GradientTape(), one_hot(), tf.data.Dataset 소개
머신러닝 모델의 성능을 조정하는 데 사용되는 검증 데이터셋의 개념과 중요성
RNN에서 과거 정보를 오래 기억하지 못하는 장기 의존성 문제의 개념과 그 영향
정규화와 표준화의 차이점과 각각의 적절한 활용 사례
AI를 학습시키는 방법 중 하나인 비지도 학습이 진행되는 방식과 활용 사례
AI를 학습시키는 방법 중 하나인 지도 학습이 진행되는 방식과 한계점
머신러닝과 신경망에서 입력 데이터를 분석하고 특징을 추출하는 과정에 대한 개념과 활용 방법
머신러닝에서 숫자 값을 예측하는 선형 회귀(Linear Regression)의 개념과 활용 방법
머신러닝에서 데이터를 분류하고 예측하는 결정 트리(Decision Tree)의 개념과 활용 방법
머신러닝 모델의 최종 성능을 평가하는 테스트 데이터셋의 개념과 중요성
출력층의 정의와 예제
신경망에서 층의 개수가 성능에 미치는 영향을 알아보고, 최적의 층 개수를 설정하는 방법을 배웁니다.
컴퓨터 비전의 개념과 주요 활용 사례
TensorFlow에서 텐서의 기본 연산을 수행하는 방법과 실용적인 예제들을 소개합니다.
텐서의 차원의 의미 차원별 텐서의 예시
TensorFlow에서 데이터를 표현하는 핵심 개념인 텐서
특성 선택과 차원 축소의 개념과 중요성
머신러닝에서 가중치의 역할과 중요성
데이터 전처리 과정에서 결측치를 처리하는 방법과 중요성
파인튜닝과 프롬프트 엔지니어링의 차이점과 각각의 특징 비교
파인튜닝과 프롬프트 엔지니어링의 차이점과 각각의 특징 비교
학습 데이터 선택 및 하이퍼파라미터 설정 후 파인튜닝 실행하기
파인튜닝이 무엇이며, 일반적인 학습과 어떤 점이 다른지 기술적인 요소를 쉽게 설명한 수업 자료
파인튜닝이 AI 모델에 영향을 미치는 과정
파인튜닝을 통해 얻을 수 있는 주요 이점
파인튜닝을 통해 얻을 수 있는 주요 이점
머신러닝 모델 학습에 사용되는 훈련 데이터셋의 개념과 중요성
신경망의 기본 단위인 퍼셉트론의 개념과 동작 방식을 배웁니다.
퍼셉트론이 입력값을 받아 가중치와 편향을 조합하여 판단을 내리는 방식
머신러닝 회귀 모델의 성능을 평가하는 평균 절대 오차(Mean Absolute Error, MAE)의 개념과 활용 방법
머신러닝 회귀 모델의 성능을 평가하는 평균 제곱 오차(Mean Squared Error, MSE)의 개념과 활용 방법
일반적인 AI 모델과 표 형식 데이터 정리에 특화된 파인튜닝 모델을 비교하며, 응답 결과의 차이
기존에 학습된 모델을 활용하여 새로운 문제를 해결하는 전이 학습의 개념과 동작 방식
머신러닝 모델의 학습 방식에 영향을 미치는 배치 크기의 개념과 중요성
CNN에서 합성곱 연산을 수행할 때 필터의 이동 간격을 결정하는 스트라이드(Strides)의 개념과 역할
머신러닝의 정의, 역사, 그리고 활용 분야에 대해 알아봅니다.
머신러닝에서 데이터를 특정 범주로 분류하는 로지스틱 회귀(Logistic Regression)의 개념과 활용 방법
머신러닝에서 가중치를 조정하는 확률적 경사 하강법(Stochastic Gradient Descent, SGD)의 개념과 동작 방식
시그모이드, ReLU, 소프트맥스 함수의 차이점과 활용 방법 비교
신경망에서 활성화 함수가 하는 역할과 중요한 이유