개강 D-6
AI 딥러닝 백과사전
현대엔지비(주) 원격평생교육시설 · 2회차 · 서울 관악구
LLM딥러닝K-디지털기초
프로그램 요약
- 모집마감
- 개강 전까지
- 수업일정
- 2026.08.20 ~ 2026.10.19약 2개월
- 모집정원
- 42명
- 총 시간
- 미표기
- 학습장소
- 서울서울특별시 관악구 관악로 1(신림동, 서울대학교)온라인
- 강의장
- 서울대학교 314동 4층 일부
- 수강료
- 미공개 상담 시 확인
출처 · 고용24 등록값 · 기관 표기분은 별도 표시
어떤 분이 수강하면 좋을지
- ✓전공·학력 무관 — K-디지털 기초역량은 제도상 전공을 보지 않습니다
- ✓학습 동기 및 목표가 딥러닝 분야로의 진입 또는 전환과 관련이 있는 자
- ✓대학 학부 수준의 수학적 기초 개념이 있는 자 (대학수학 또는 유사 과정 수강 경험이 있는 자)
- ✓파이썬 프로그래밍에 대한 최소한의 이해가 있거나 학습 의지가 높은 자
출처 · 기관 랜딩페이지 · 제도 요건
커리큘럼
고용24 등록 교과목 40개 보기
- 교과목단원명
- [수학으로 다지는 기초] 단변수·다변수 함수의 미분과 근사 이해단변수 함수의 극한, 연속, 미분 다양한 미분 규칙의 유도 선형 근사 및 Taylor Series의 개념
- [수학으로 다지는 기초]확률 변수와 확률 분포의 기초다변수 함수에서의 미분 정의 및 이해 편미분의 기하학적 해석 Gradient 개념의 이해 및 활용법
- [수학으로 다지는 기초] 확률변수와 Entropy확률 변수의 개념 이해 및 이산/연속 확률 변수 구분 PMF, PDF, CDF의 개념 및 정의 임의의 확률변수에 대한 기대값과 분산
- [딥러닝 기반 메커니즘] 딥러닝 기초: 퍼셉트론과 기본 개념 이해다양한 이산 확률 분포 이해 다양한 연속 확률 분포 이해
- [딥러닝 기반 메커니즘] Multi-layer Perceptron과 Neural NetworkJoint distribution의 개념 Marginal distribution과 Conditional distribution의 정의와 예제 Baye's Rule의 유도 및 활용
- [딥러닝 기반 메커니즘]딥러닝 기반 Forward Propagation 이해 및 MNIST 분류 예제정보의 개념과 확률적 사건에 대한 정보량 정의 Entropy의 개념 및 관련한 3가지 특성의 증명 및 이해 다양한 확률 변수의 Entropy 계산
- [딥러닝 기반 메커니즘]Softmax Classifier와 Logistic Regression두 개 이상의 확률 변수에 대한 Entropy 정의 Joint entropy의 성질과 이에 대한 증명 Conditional entropy의 개념과 특성
- [딥러닝 기반 메커니즘]Backpropagation 수학적 원리와 단계별 이해Mutual Information의 이해 Entropy, Joint entropy, Conditional entropy, Mutual information의 관계 Cross-entropy와 KL divergence의 개념
- [딥러닝 기반 메커니즘] Linear Layer 및 Softmax/Logistic Regression 역전파 이해인공지능, 기계학습, 심층학습의 차이 Deep learning과 인공 신경망의 개념 Deep learning의 성공 원인 및 현황, 적용 분야
- [파이토치로 이해하는 딥러닝 모델과 연산]PyTorch 기초 및 텐서 연산 이해Perceptron의 개념 Perceptron의 구성 요소 Perceptron을 활용한 선형 문제 풀이
- [파이토치로 이해하는 딥러닝 모델과 연산]Pytorch Tensor OperationPerceptron의 문제점 Multi-layer Perceptron의 개념 Multi-layer Perceptron을 이용한 XOR 문제 풀이
- [파이토치로 이해하는 딥러닝 모델과 연산]Forward, Backward Propagation, AutogradForward Perceptron의 개념 Neural Network에서의 Forward Propagation 행렬을 이용한 Forword Propagation 계산
- [딥러닝 모델의 성능 개선과 평가] Gradient Descent와 최적화 기법 심화 (Momentum, AdaGrad, RMSProp, Adam)MNIST Dataset 구성 Neural Network 기반 MNIST Classification 모델 Forward Propagation 코드 작성
- [딥러닝 모델의 성능 개선과 평가] 활성화 함수와 배치 정규화(Activation & Batch Normalization) 이해Mean squared error (MSE)와 Sigmoid를 통한 classifier의 문제점 Softmax layer의 개념과 Softmax loss 계산 Softmax loss와 Cross entropy, 그리고 KL divergence의 관계
- [딥러닝 모델의 성능 개선과 평가] Dropout과 데이터 증강(Data Augmentation) 기법 이해편미분의 개념 Gradient descent를 통한 딥러닝 모델의 학습 합성 함수 미분을 위한 Chain rule 이해
- [딥러닝 모델의 성능 개선과 평가]딥러닝 모델 성능 평가: 이진 및 다중 클래스 분류Computational graph의 개념 Backpropagation 적용 예시 여러가지 Gradient flow pattern 확인
- [딥러닝 주요 모델 원리] Convolution 연산복잡한 Computational graph의 Backpropagation Local gradient 계산을 통한 Backpropagation path 단순화
- [딥러닝 주요 모델 원리] Stacking Convolution Layers백터 및 행렬을 통한 편미분 Linear layer의 Backpropagation
- [딥러닝 주요 모델 원리] CNN과 RNN 이해Softmax classifier의 Backpropagation Logistic regression의 Backpropagation Backpropagation을 통한 Neural network 학습
- [딥러닝 주요 모델 원리] 딥러닝 시퀀스 모델: Language Modeling 및 Seq2Seq with AttentionAI분야의 모델 개발에 있어 딥러닝 프레임워크의 필요성 이해 대표적인 딥러닝 프레임워크인 PyTorch의 장점 이해
- [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 1딥러닝 모델의 기본적인 연산 단위인 텐서 생성 방법의 이해
- [딥러닝 주요 모델 원리] Transformer 모델 (1) Self-Attention 2주요 텐서 연산 및 텐서 행렬곱, 텐서 변환에 대한 이해
- [딥러닝 주요 모델 원리] Transformer 모델 (2) 기타 구성 요소PyTorch를 이용한 forward propagation, backward propagation의 과정과 PyTorch autograd의 여러가지 기능 이해
- [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 1Stochastic gradient descent와 Mini-batch gradient descent의 개념 Learning rate 선택 방법에 대한 이해 Learning rate scheduling의 개념 및 적용
- [이미지 처리를 위한 딥러닝 모델] CNN 모델 구조 2다양한 Gradient descent 방법론 Momentum의 적용 및 장점 Nesterov momentum의 개념 및 계산
- [이미지 처리를 위한 딥러닝 모델] Two-stage Object DetectionAdaptive learning rate의 필요성 및 AdaGrad 설명 AdaGrad의 문제점 및 RMSProp의 이해 Adam optimizer 소개 및 설명
- [이미지 처리를 위한 딥러닝 모델]딥러닝 기반 이미지 객체 탐지(Object Detection) 및 평가 방법Sigmoid, Tanh, ReLU activation의 이해와 장단점 비음수 Activation 값의 문제점 Dead ReLU의 개념과 발생 원인
- [딥러닝 모델로 자연어 다루기] 자연어 처리(NLP) 기초: Tokenization과 Word EmbeddingBatch Normalization의 필요성 Batch Normalization의 동작 원리 추론과정에서의 Batch Normalization
- [딥러닝 모델로 자연어 다루기] Self-Supervised 사전학습 모델 이해: BERT와 GPTDropout의 개념 Dropout의 작동 원리 및 적용 Inverted dropout의 개념
- [딥러닝 모델로 자연어 다루기] Decoding을 통한 자연어 생성Data augmentation의 필요성과 기본 개념 기본적인 Data augmentation 이해 심화 Data augmention 방법론 습득
- [딥러닝 모델로 자연어 다루기] Evaluation for Text Generation평가 지표 선택의 중요성 Precision, Recall, F1 점수의 개념 임계값 설정에 따른 평가 지표의 변화 이해
- [시계열 데이터의 예측부터 이상탐지까지]시계열 데이터 특성 및 처리 방법다중 Class에서 Confusion matrix 이해와 이를 통한 평가 지표 계산 Macro-average와 Micro-average의 개념과 그 차이점 이해
- [시계열 데이터의 예측부터 이상탐지까지] 시계열 데이터 분석: 분해와 예측 모델 이해Convolution 연산의 개념과 계산 이해 Multi-channel 입력에 대한 Convolution 연산 방법 습득 Convolution layer의 bias 적용 방법 습득
- [시계열 데이터의 예측부터 이상탐지까지]시계열 이상 탐지 기법 심화Convolution layer 중첩의 필요성 이해 Padding의 필요성과 그 적용 이해 Pooling의 원리와 활용 습득
- [LLM의 원리부터 활용법까지]거대언어모델(LLM) 원리와 기본 활용 이해Flatten layer의 필요성과 동작 과정 이해 Convolution neural network의 개념과 예시 습득 Convolution neural network의 응용과 한계 이해
- [LLM의 원리부터 활용법까지] 거대언어모델(LLM) Alignment Tuning 기법 이해Recurrent Neural Network의 기본 개념 및 구조 이해 RNN의 동작 과정 및 계산 방법 습득
- [LLM의 원리부터 활용법까지] 거대언어모델(LLM) Prompt Engineering 기법 이해 (1)Language Modeling의 원리와 학습 과정의 이해 다양한 Language model의 예시 습득
- [LLM의 원리부터 활용법까지]거대언어모델(LLM) Prompt Engineering 기법 이해 (2)Seq2Seq 모델 소개와 그 한계점 Attention의 개념과 적용 방법
- 총 훈련시간40 시간
출처 · 고용24
지원 혜택
기관이 공개한 혜택 정보가 없습니다. 상담에서 확인하세요.
출처 · 기관 랜딩페이지 · 훈련장려금은 제도
지원 절차
기관이 공개한 절차 정보가 없습니다. 지원하면 상담에서 안내받습니다.
출처 · 기관 랜딩페이지 · 기관마다 다릅니다
자주 묻는 질문
비전공자도 지원할 수 있나요?
K-디지털 기초역량은 제도상 전공·학력을 보지 않습니다. 다만 기관이 밝힌 훈련 대상이 있어 위 「어떤 분이 수강하면 좋을지」를 함께 확인하세요.
내일배움카드가 꼭 있어야 하나요?
지원 시점에 없어도 됩니다. 상담 단계에서 발급을 진행합니다. 다만 수강신청은 카드가 있어야 마칠 수 있습니다.
선발 절차가 있나요?
기관이 공개한 절차에서 별도 시험·전형은 확인되지 않았습니다. 상담 후 수강신청으로 이어집니다.
예전에 국비 교육을 들었는데 또 되나요?
중복수강 제한이 있을 수 있습니다. 최근 수료 이력이 있으면 상담 단계에서 먼저 확인해야 합니다.
출처 · 제도 요건 · 과정 데이터로 답이 채워지는 질문만
기관 랜딩페이지가 확인되지 않았습니다. 아래 정보는 고용24 등록값입니다.
고용24 2026-08-14 기준 · 매일 갱신
