개강일 지남
[AI 기초체력(파트2)] 식단추천 서비스 프로젝트로 배우는 머신러닝, 딥러닝
코드잇 · 3회차 · 서울 강남구
Python딥러닝머신러닝네트워크K-디지털기초
프로그램 요약
- 수업일정
- 2026.08.04 ~ 2026.09.01약 1개월
- 모집정원
- 50명
- 총 시간
- 미표기
- 학습장소
- 서울서울특별시 강남구 역삼로 552 (대치동 KM 빌딩)온라인
- 강의장
- 7층 703호 중 일부(대치동)
- 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
- ✓▶ AI 시대에 요구되는 ‘AI 기초 체력’을 갖추고자 하는 구직자 및 재직자를 주요 훈련대상으로 함. 본 과정은 머신러닝·딥러닝 모델의 구조와 학습 과정을 이해하고 직접 구현해 보는 역량을 AI 기초 체력으로 설정하고, 특히 다음과 같은 특성을 지닌 학습자를 훈련대상자로 설정함 1. 파이썬 프로그래밍과 데이터 분석 기초 역량을 이미 갖추고, 모델링 단계로 확장하고자 하는 학습자 : 파이썬을 활용한 데이터 처리와 분석 흐름을 이해하고 있으며, 이를 바탕으로 머신러닝·딥러닝 모델을 설계하고 학습하는 단계로 역량을 확장하고자 하는 학습자 2.머신러닝·딥러닝의 기본 이론과 구현 원리를 이해하고 싶은 학습자 : AI 모델의 기본 구조와 학습 원리를 이해하고, 수식과 코드 흐름을 통해 모델이 어떻게 동작하는지를 체계적으로 익히고자 하는 학습자 3. AI 모델을 단순 실행이 아닌 문제 해결 관점에서 이해하고 싶은 학습자 : 알고리즘을 그대로 적용하는 데 그치지 않고, 해결하고자 하는 문제에 맞게 입력 데이터와 타깃을 정의하고, 모델 구조와 학습 방식을 설계하는 사고 과정을 기르고자 하는 학습자 4. 객체지향 프로그래밍과 PyTorch를 활용해 확장 가능한 모델링 역량을 갖추고자 하는 학습자 : 모델과 데이터 처리 과정을 코드 구조로 설계하고, PyTorch 기반 딥러닝 구현에 필요한 객체지향적 사고 방식을 익혀 보다 복잡한 모델링과 실무 환경으로 확장하고자 하는 학습자 ※ 위 구직자 외에도, 머신러닝·딥러닝 기반 모델링 역량을 강화하여 현업에 적용하거나 AI 관련 직무로의 경력 개발 및 전환을 희망하는 재직자와 중장년층도 훈련 대상에 포함될 수 있음 ※ 본 과정은 파이썬 프로그래밍 및 데이터 분석 기초 역량을 전제로 한 심화 과정으로, 과정 1 수준의 학습 내용을 이해하고 활용할 수 있는 학습자를 대상으로 설계됨
출처 · 기관 랜딩페이지 · 제도 요건
커리큘럼
고용24 등록 교과목 32개 보기
- 교과목단원명
- 머신러닝이란?1-1. AI로 어떤 문제를 해결할 수 있을까? 1-2. 머신러닝이란? 1-3. 수강 가이드 1-4. 머신 러닝이 핫해진 이유 1-5. 인공 지능? 빅 데이터? 머신 러닝? 1-6. 학습의 유형 1-7. k-NN 알고리즘 1-8. 머신러닝의 수학
- 선형대수학 필요한 만큼만 배우기2-1. 일차식과 일차 함수 2-2. 일차 함수 표기법 2-3. 행렬과 벡터 2-4. 행렬과 벡터 노트 2-5. numpy로 행렬 사용하기 2-6. numpy 행렬 연습 2-7. 행렬 연산 I (덧셈, 스칼라곱) 2-8. 행렬 연산 I (덧셈, 스칼라곱) 노트 2-9. 행렬 연산 II (두 행렬의 곱) 2-10. 행렬 연산 II (두 행렬의 곱) 노트 2-11. 요소별 곱하기 2-12. 행렬 연산 퀴즈 2-13. numpy로 행렬 연산하기 2-14. numpy로 행렬 연산 연습하기 2-15. 전치 행렬, 단위 행렬, 역행렬 2-16. 전치 행렬, 단위 행렬, 역행렬 노트 2-17. numpy로 전치, 단위, 역행렬 사용하기 2-18. numpy로 전치, 단위, 역행렬 연습 2-19. 선형대수학과 행렬/벡터 2-20. 선형대수학이 머신 러닝에 필요한 이유 2-21. 선형대수학 퀴즈
- 미분 필요한 만큼만 배우기3-1. 함수 3-2. 그래프 3-3. 평균 변화율 3-4. 순간 변화율 3-5. 미분 3-6. 미분 노트 3-7. 가장 가파른 방향 (2차원) 3-8. 가장 가파른 방향 (2차원) 노트 3-9. 극소점, 극대점 3-10. 극소점, 극대점 노트 3-11. 고차원에서 미분 3-12. 고차원에서 미분 (노트) 3-13. 가장 가파른 방향 (고차원) 3-14. 가장 가파른 방향 (고차원) 노트 3-15. 머신 러닝에 미분이 필요한 이유 3-16. 미분 챕터 퀴즈
- 선형 회귀 (Linear Regression)4-1. 선형 회귀 4-2. 선형 회귀 용어 4-3. 선형 회귀 & 용어 노트 4-4. 가설 함수 4-5. 가설 함수 노트 4-6. 평균 제곱 오차 (MSE) 4-7. 평균 제곱 오차 일반화 4-8. 평균 제곱 오차 (MSE) 노트 4-9. 손실 함수 4-10. 손실 함수 노트 4-11. 경사 하강법 개념 4-12. 경사 하강법 테크닉 4-13. 경사 하강법 계산 4-14. 선형 회귀 구현하기 쉽게 표현하기 4-15. 선형 회귀 가설 함수 구현하기 4-16. 선형 회귀 예측 오차 구현하기 4-17. 선형 회귀 경사 하강법 구현하기 4-18. 경사 하강법 구현 시각화 4-19. 학습률 알파 4-20. 모델 평가하기 4-21. 모델 평가하기 노트 4-22. scikit-learn 소개 및 데이터 준비 4-23. scikit-learn 데이터 셋 나누기 4-24. scikit-learn으로 선형 회귀 쉽게 하기 4-25. 범죄율로 집 값 예측하기
- 다중 선형 회귀 (Multiple Linear Regression)5-1. 다중 선형 회귀 5-2. 다중 선형 회귀 표현법 5-3. 다중 선형 회귀 & 용어 노트 5-4. 다중 선형 회귀 가설 함수 5-5. 다중 선형 회귀 가설 함수 노트 5-6. 다중 선형 회귀 경사 하강법 5-7. 다중 선형 회귀 경사 하강법 노트 5-8. 다중 선형 회귀 구현하기 쉽게 표현하기 5-9. 다중 선형 회귀 가설 함수 구현하기 5-10. 다중 선형 회귀 경사 하강법 구현하기 5-11. 정규 방정식 5-12. (선택) 정규 방정식 도출하기 5-13. 다중 선형 회귀 정규 방정식 구현하기 5-14. 경사 하강법 vs 정규 방정식 5-15. Convex 함수 5-16. scikit-learn 데이터 준비 5-17. scikit-learn으로 다중 선형 회귀 쉽게 하기 5-18. scikit-learn으로 당뇨 수치 예측하기
- 다항 회귀 (Polynomial Regression)6-1. 다항 회귀 6-2. 다항 회귀 노트 6-3. 단일 속성 다항 회귀 6-4. 단일 속성 다항 회귀 노트 6-5. 다중 다항 회귀 6-6. 다중 다항 회귀 노트 6-7. 다항 회귀의 힘 6-8. scikit-learn으로 다항 회귀 문제 만들기 6-9. scikit-learn으로 다항 회귀 하기 6-10. 다항 회귀로 당뇨병 예측하기 I: 문제 만들기 6-11. 다항 회귀로 당뇨병 예측하기 II: 모델 학습하기
- 로지스틱 회귀 (Logistic Regression)7-1. 분류 문제 7-2. 분류 문제 노트 7-3. 로지스틱 회귀 7-4. 로지스틱 회귀 노트 7-5. 로지스틱 회귀 가설 함수 7-6. 로지스틱 회귀 가설 함수 노트 7-7. 로지스틱 회귀에서 하려는 것 7-8. 결정 경계 7-9. 로그 손실 7-10. 로그 손실 노트 7-11. 로지스틱 회귀 손실 함수 7-12. 로지스틱 회귀 손실 함수 노트 7-13. 로지스틱 회귀 경사 하강법 7-14. 로지스틱 회귀 경사 하강법 노트 7-15. 로지스틱 회귀 구현하기 쉽게 표현하기 7-16. 로지스틱 회귀 가정 함수 구현하기 7-17. 로지스틱 회귀 경사 하강법 구현하기 7-18. 분류가 3개 이상일 때 7-19. 분류가 3개 이상일 때 노트 7-20. 로지스틱 회귀와 정규 방정식 7-21. scikit-learn 로지스틱 회귀 데이터 준비 7-22. scikit-learn으로 로지스틱 회귀 쉽게 하기 7-23. 로지스틱 회귀로 와인 종류 분류하기 7-24. 분류 모델 평가 지표
- 머신러닝을 위한 데이터 전처리8-1. 머신러닝 더 빠르고 정확하게 토픽 8-2. Feature Scaling: Normalization 8-3. Feature Scaling: Normalization 노트 8-4. scikit-learn으로 Normalization 해보기 8-5. Feature Scaling과 경사 하강법 8-6. Feature Scaling과 경사 하강법 노트 8-7. Feature Scaling: 표준화(Standardization) 노트 8-8. Feature Scaling 퀴즈 8-9. Normalization 직접 해보기 8-10. One-hot Encoding 8-11. One-hot Encoding 노트 8-12. One-hot Encoding 퀴즈 8-13. pandas로 One-hot Encoding 해보기 8-14. One-hot Encoding 직접 해보기
- 정규화(Regularization)9-1. 편향(Bias)과 분산(Variance) 9-2. 편향(Bias)과 분산(Variance) 노트 9-3. 편향-분산 트레이드오프 (Bias-Variance Tradeoff) 9-4. 편향-분산 트레이드오프 (Bias-Variance Tradeoff) 노트 9-5. 정규화(Regularization) 개념 9-6. 정규화(Regularization) 개념 노트 9-7. L1, L2 정규화 9-8. L1, L2 정규화 노트 9-9. L1, L2 정규화 일반화 9-10. L1, L2 정규화 차이점 9-11. scikit-learn으로 정규화 문제 해결하기
- 모델 평가와 하이퍼파라미터 고르기10-1. k겹 교차 검증 10-2. k겹 교차 검증 노트 10-3. scikit-learn으로 k겹 교차 검증 해보기 10-4. k겹 교차 검증 직접 해보기 10-5. 그리드 서치 10-6. 그리드 서치 노트 10-7. scikit-learn으로 그리드 서치 해보기 10-8. 그리드 서치 직접 해보기
- 결정 트리 (Decision Tree)11-1. 결정 트리란? 11-2. 결정 트리란? 노트 11-3. if-else문으로 간단한 결정 트리 구현하기 11-4. 지니 불순도 (Gini Impurity) 11-5. 지니 불순도 노트 11-6. 지니 불순도 직접 계산해보기 11-7. 분류 노드 평가하기 11-8. 분류 노드 평가하기 노트 11-9. 질문 노드 평가하기 11-10. 질문 노드 평가하기 노트 11-11. 노드 고르기 11-12. 노드 고르기 노트 11-13. 질문 노드 평가해보기 11-14. 모든 노드 만들기 11-15. 모든 노드 만들기 노트 11-16. 속성이 숫자일 때 질문 노드 11-17. 속성 중요도 (Feature Importance) 11-18. 속성 중요도 노트 11-19. scikit-learn 데이터 준비하기 11-20. scikit-learn으로 결정 트리 쉽게 사용하기 11-21. scikit-learn으로 속성 중요도 확인하기 11-22. scikit-learn 유방암 데이터 준비하기 11-23. 결정 트리로 악성/양성 유방암 분류하기
- 랜덤 포레스트 (Random Forest)12-1. 결정 트리와 앙상블 12-2. 랜덤 포레스트 I: Bagging 12-3. Bagging 노트 12-4. 랜덤 포레스트 II: 임의로 결정 트리 만들기 12-5. 임의로 결정 트리 만들기 노트 12-6. scikit-learn으로 랜덤 포레스트 쉽게 사용하기 12-7. 랜덤 포레스트로 악성/양성 유방암 분류하기
- 에다 부스트 (Adaboost)13-1. Boosting 13-2. 에다 부스트 (AdaBoost) 개요 13-3. 에다 부스트 개요 노트 13-4. 스텀프 성능 계산하기 13-5. 스텀프 성능 계산하기 노트 13-6. 데이터 중요도 바꾸기 13-7. 데이터 중요도 바꾸기 노트 13-8. 스텀프 추가하기 13-9. 스텀프 추가하기 노트 13-10. 예측하기 13-11. scikit-learn으로 에다 부스트 쉽게 사용하기 13-12. 에다 부스트로 악성/양성 유방암 분류하기
- 파이썬으로 벡터와 행렬 다루기14-1. 토픽 소개 14-2. 벡터와 행렬 다루기 14-3. 벡터와 행렬 다루기 퀴즈 14-4. 행렬 연산 기본기 I 14-5. 행렬 연산 기본기 II 14-6. 행렬 연산 기본기 퀴즈
- 파이썬으로 머신러닝 회귀 모델 만들기15-1. 데이터 이해 및 전처리 15-2. 데이터 이해 및 전처리 실습 15-3. 모델 학습 및 성능 평가 15-4. 모델 학습 및 성능 평가 실습 15-5. 모델 성능 개선하기 15-6. 모델 성능 개선하기 실습
- 파이썬으로 머신러닝 분류 모델 만들기16-1. 데이터 이해 및 전처리 16-2. 데이터 이해 및 전처리 실습 16-3. 모델 학습 및 성능 평가 16-4. 모델 학습 및 성능 평가 실습 16-5. 모델 성능 개선하기 16-6. 모델 성능 개선하기 실습
- 머신러닝 프로젝트: 건강 데이터 기반 식단 추천 분류 모델 만들기17-1. 프로젝트 소개 17-2. 수강 가이드 17-3. 프로젝트 실습
- 딥러닝 기초 이론18-1. 토픽 소개 18-2. 딥러닝이란? 18-3. 딥러닝의 다양한 활용 분야 18-4. 딥러닝 프레임워크 소개 18-5. 퍼셉트론 18-6. 은닉층과 순전파 18-7. 역전파 18-8. 딥러닝 기초 이론 퀴즈 18-9. 순전파와 역전파 좀 더 깊게 이해하기 18-10. 출력 함수 18-11. 손실 함수 18-12. 딥러닝 기초 이론 정리
- 딥러닝 모델의 성능을 높이는 다양한 방법19-1. 딥러닝 모델의 최적화가 어려운 이유 19-2. 딥러닝 모델링 시 고려할 사항 19-3. 다양한 활성화 함수 알아보기 19-4. 다양한 경사 하강법 알아보기 19-5. 다양한 Optimizer 알아보기 19-6. Normalization 기법 알아보기 19-7. Regularization 기법 알아보기 19-8. 데이터 증강 기법 알아보기 19-9. 딥러닝 모델의 성능을 높이는 다양한 방법 퀴즈
- 대표적인 딥러닝 네트워크 이해하기20-1. 토픽 소개 20-2. CNN이란? 20-3. Convolutional Layer 20-4. Pooling Layer 20-5. 대표적인 CNN 모델 구조 알아보기 20-6. CNN 모델의 발전된 기법들 20-7. CNN 이해하기 퀴즈 20-8. RNN이란? 20-9. RNN의 구조와 활용 방식 알아보기 20-10. RNN의 한계와 LSTM 20-11. GRU(Gated Recurrent Unit) 20-12. RNN 활용 예시: 시계열 데이터 예측 20-13. RNN 이해하기 퀴즈 20-14. Encoder와 Decoder 20-15. Autoencoder 20-16. 다양한 Autoencoder 구조 알아보기 20-17. Encoder와 Decoder의 활용 분야 20-18. Autoencoder 이해하기 퀴즈
- AI를 위한 객체 지향 프로그래밍: 객체와 클래스21-1. 객체란? 21-2. 수강 가이드 21-3. 클래스와 인스턴스 21-4. 인스턴스 변수 21-5. 인스턴스 메소드 21-6. 인스턴스 메소드 활용 21-7. 인스턴스 변수 변수 초기화 21-8. __str__() 메소드 21-9. #맞팔해요 21-10. 메뉴 만들기 21-11. 게임 캐릭터 만들기 21-12. 블로그 유저 만들기 21-13. 클래스 변수 21-14. 클래스 변수 접근 21-15. 클래스 메소드 21-16. 다양한 데이터로 인스턴스 만들기 21-17. 인스턴스 메소드 vs 클래스 메소드 21-18. 정적 메소드 21-19. 속성이 없는 계산기 21-20. 순수 객체 지향 언어 파이썬 21-21. 다양한 스페셜 메소드들 21-22. 플레이리스트 합치기 21-23. 클래스와 모듈
- AI를 위한 객체 지향 프로그래밍: 상속22-1. 중복되는 코드 22-2. 상속 22-3. 오버라이드와 기능 추가 22-4. 배달도 해 주세요 22-5. 상속 관계 확인하기 22-6. 다중 상속 22-7. 계좌는 다 계좌 22-8. 상속 퀴즈
- PyTorch 텐서 살펴보기23-1. 토픽 소개 23-2. 수강 가이드 23-3. 텐서 만들기 23-4. 특수한 텐서 생성 함수 23-5. 텐서 만들기 실습 23-6. 텐서의 변환과 연산 23-7. 브로드캐스팅 23-8. 텐서 연산 실습 23-9. 텐서의 형태 바꾸기 23-10. view() 메소드와 contiguous 개념 23-11. 여러 텐서 합치기 23-12. 한 텐서를 여러 텐서로 나누기 23-13. 텐서의 형태 퀴즈 23-14. 텐서와 연산 장치
- PyTorch에서 데이터 다루기24-1. Dataset 살펴보기 I: 간단한 데이터 24-2. Dataset 살펴보기 II: csv 데이터 24-3. Dataset 살펴보기 III: 이미지 데이터 24-4. Dataset 만들기 실습 24-5. 데이터 전처리하기: 분할과 표준화 24-6. DataLoader 살펴보기 24-7. DataLoader 만들기 실습
- PyTorch 모델 만들기25-1. torch.nn 살펴보기 25-2. 텐서의 차원과 레이어의 입출력 차원 25-3. nn.Module로 모델 만들기 25-4. nn.Sequential 활용하기 25-5. 복잡한 모델 만들기 25-6. 모델 정보 확인하기 25-7. 회귀 모델 만들기 실습 25-8. 모델과 연산 장치
- PyTorch 모델 학습시키기26-1. Training Loop 이해하기 26-2. Loss 계산하기 26-3. 대표적인 손실 함수 살펴보기 26-4. Gradient 계산하기 26-5. Gradient 계산이 필요하지 않을 때 26-6. Optimizer로 모델 업데이트하기 26-7. 대표적인 최적화 알고리즘 살펴보기 26-8. 회귀 모델 학습시키기 실습 I 26-9. Training Loop 고도화하기 26-10. 회귀 모델 학습시키기 실습 II 26-11. 회귀 모델 학습시키기 실습 III 26-12. 테스트 데이터로 성능 확인하기 26-13. 모델 저장과 불러오기 26-14. torch.nn.functional 활용하기 26-15. 텐서의 in-place 메소드
- CNN으로 이미지 분류하기27-1. 데이터 소개: Fashion MNIST 27-2. 이미지 데이터 불러오기 실습 27-3. 이미지 데이터 전처리하기 27-4. 이미지 데이터 증강하기 27-5. 이미지 전처리 및 증강 실습 27-6. CNN 모델에 사용되는 레이어 27-7. CNN 모델 만들기 27-8. CNN 모델 만들기 실습 27-9. 이미지 분류 모델 학습시키기 27-10. 이미지 분류 실습 27-11. v2 이전의 전처리와 증강 살펴보기
- LSTM으로 시계열 예측하기28-1. 데이터 소개: Jena Climate 28-2. 시계열 데이터 불러오기 실습 28-3. LSTM 모델 만들기 28-4. LSTM 모델 만들기 실습 28-5. 시계열 데이터 준비하기 28-6. 시계열 데이터 준비하기 실습 28-7. 시계열 예측 모델 학습시키기 28-8. 시계열 예측 실습
- 딥러닝 프로젝트: 건강 데이터 기반 식단 추천 분류 모델 만들기29-1. 프로젝트 소개 29-2. 수강 가이드 29-3. 프로젝트 실습
- AI 안전하게 다루기30-1. 토픽 소개 30-2. 수강 가이드 30-3. AI 윤리 핵심 개념 30-4. AI 윤리 문제 사례와 책임 30-5. AI 윤리와 책임 퀴즈 30-6. AI 프로젝트와 저작권 30-7. 라이선스 이해와 적용 30-8 안전한 데이터 관리 30-9. AI 개발 과정별 위험 요소 30-10. 저작권·보안·리스크 관리 퀴즈
- 총 훈련시간92 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
