연락처 정보

코스 개요

1. AI 엔지니어링 개론

  • AI 엔지니어링이란 무엇인가?
  • AI, 머신러닝, 딥러닝의 차이점
  • AI 엔지니어링의 수명주기
  • 다양한 산업 분야에서의 AI 활용 사례
  • AI 엔지니어가 맡는 역할과 책임

2. 인공지능의 기초 개념

  • AI 관련 핵심 개념 및 용어 정리
  • 지도학습, 비지도학습, 강화학습에 대해 알아봅니다.
  • 신경망과 딥러닝의 기본 원리
  • 생성형 AI와 기초 모델의 개요
  • AI 개발 생태계 및 주요 프레임워크

3. AI 엔지니어링을 위한 Python 활용법

  • AI 개발에 필수적인 Python 라이브러리 소개
  • NumPy, Pandas, Matplotlib의 사용법
  • 데이터 조작 및 시각화 방법
  • Jupyter Notebook을 활용한 작업 환경
  • 재사용 가능한 AI 코드를 작성하는 기술

4. AI를 위한 데이터 준비 과정

  • 데이터셋 수집 및 이해 방법
  • 데이터 정리와 전처리 절차
  • 특성 추출 기술
  • 특성 스케일링과 정규화 기법
  • 훈련용, 검증용, 테스트용 데이터 분할 방법
  • 누락된 값 및 이상치 처리 방안

5. 머신러닝의 기초 이론

  • 회귀 분석 알고리즘 소개
  • 분류 모델의 종류와 활용법
  • 군집화 기법에 대해 배웁니다.
  • 모델 학습 과정의 절차적 접근법
  • 모델 평가 지표의 개념과 활용
  • 과적합 및 과소적합 현상을 방지하는 방법

6. TensorFlow와 PyTorch를 이용한 AI 모델 구축

  • TensorFlow의 기본 개념과 특징
  • PyTorch에 대한 이해 및 설명
  • 신경망 네트워크 설계 방법
  • 모델 학습과 검증 절차
  • 훈련된 모델의 저장 및 불러오기 기법
  • 두 프레임워크 간의 비교 분석

7. 자연어 처리(NLP) 기초

  • 텍스트 전처리 방법론
  • 단어 임베딩 기술의 원리
  • 텍스트 분류 모델을 구현해봅니다.
  • 감성 분석 기법에 대해 배웁니다.
  • 트랜스포머 모델 소개와 활용 방안
  • NLP를 활용한 실무적 사례들

8. 소프트웨어 개발 분야에서의 AI 활용

  • 기존 애플리케이션에 AI 기능을 통합하는 방법
  • API를 통해 외부 AI 서비스를 호출하기
  • AI 기능이 탑재된 소프트웨어 개발 전략
  • AI 기반 소프트웨어 개발 도구들의 활용
  • AI가 적용된 애플리케이션의 테스트 방법

9. AI 엔지니어링을 위한 우수 사례

  • 효과적인 프로젝트 구성 방안
  • Git을 활용한 버전 관리 기법
  • 실험 과정 및 결과를 추적하는 방법
  • 모델 버전 관리를 위한 절차
  • 문서 작성 시 준수해야 할 표준들
  • AI 프로젝트의 재현 가능성을 확보하기

10. AI 모델 배포 방법론

  • 모델 직렬화 기술을 소개합니다.
  • 추론 서비스 구축 절차
  • AI 모델 운영을 위한 REST API 활용법
  • Docker를 이용한 AI 시스템 배포 개요
  • 운영 중인 모델의 성능 및 상태 모니터링
  • 모델 유지보수와 업데이트 전략

11. AI 데이터 엔지니어링

  • 데이터 파이프라인 설계 방법
  • ETL 프로세스의 개념과 활용
  • 구조화된 데이터와 비정형 데이터 관리
  • 데이터 저장소 선택 기준
  • 데이터 품질을 유지하는 방안
  • 실제 운영 환경에서 활용 가능한 데이터 준비법

12. 책임감 있는 윤리적 AI 개발

  • AI 시스템의 편향성과 공정성 문제
  • 설명 가능한 인공지능(XAI) 소개
  • 개인정보 보호와 데이터 보안 방안
  • AI 보안 위협에 대한 대응 전략
  • 윤리적 기준을 준수하는 AI 개발 사례들
  • 법규 및 기업 거버넌스 관련 요건 이해

13. AI 프로젝트 관리 체계

  • AI 프로젝트의 단계별 진행 과정
  • 애자일 방법론을 활용한 AI 개발 방식
  • 기술진과 비즈니스팀 간 협업 모델
  • 실현 가능한 일정 산출 기법
  • 잠재적 리스크 관리 방법론
  • 프로젝트 성공 여부를 평가하는 지표들

14. 실습 중심의 AI 엔지니어링 워크숍 및 향후 발전 방향

  • 완전한 AI 개발 파이프라인 구성해보기
  • 끝단부터 끝단까지 머신러닝 프로젝트 구현하기
  • TensorFlow 또는 PyTorch로 모델 훈련 및 평가 실습
  • 간단한 AI 애플리케이션을 직접 배포해봅니다.
  • AI 엔지니어링 분야의 최신 트렌드 파악하기
  • 생성형 AI와 대규모 언어 모델(LLM) 활용 방안
  • MLOps와 자동화된 AI 개발 프로세스 개요
  • AI 엔지니어의 직업적 성장 경로 및 지속 학습 방향
  • 핵심 내용 정리, 질문응답, 그리고 다음 단계 안내

요건

  • 기본적인 프로그래밍 개념에 대한 이해
  • Python 프로그래밍 경험
  • 기초 통계학 및 선형대수에 대한 지식

대상자

  • AI 엔지니어
  • 소프트웨어 개발자
  • 데이터 분석가
 14 시간

참가자 수


참가자별 가격

회원 평가 (2)

예정된 코스

관련 카테고리