지원서는 내배픽이 기관에 전달해요. 보통 하루 안에 전달하고, 연락 시점은 기관마다 달라요.
내배픽이 정리했어요
이 과정에서는 이 네 가지를 배웁니다
딥러닝
AI
AWS
클라우드
AI 모델 개발자를 양성하는 과정입니다.
고민되면 담아두세요
담아두면 자부담, 훈련시간, 교육장을 다른 과정과 나란히 놓고 볼 수 있어요. 한 번에 3곳까지 지원할 수 있습니다.
프로그램 요약
일정모집마감
수업일정
2026.08.11 ~ 2027.01.19약 5개월
모집정원
30명
시간과 장소오프라인
훈련시간
총 800시간, 주 평균 37시간평일 주 5일평일 낮 시간대 과정으로 직장이나 학업과 병행하기 어렵습니다
학습장소
경기경기도 수원시 장안구 서부로 2066
비용국민내일배움카드 지원
자부담금
0원 전액 국비지원
확인 항목 더보기수업안내 / 강의장
수업안내
주중 주간
강의장
성균관대학교
커리큘럼
내배픽 요약
프로젝트가 248시간, 전체의 31%입니다. 다른 AI/머신러닝 과정은 보통 39%입니다.
프로젝트 248시간
그 밖의 학습 552시간
1클라우드 AI 기초16시간–AWS 클라우드 기본 개념 이해–S3, IAM, SageMaker 핵심 서비스 이해–AWS Health 포트폴리오 / SageMaker Studio, MIMIC-IV 오픈데이터 기반 실습 환경 구성
2헬스케어 AI 파이프라인 설계48시간–S3, Athena, Glue 기반 데이터 엔지니어링 개념 학습–MIMIC-IV 데이터 활용 재입원 예측 문제 정의–SQL 분석 및 데이터 처리 흐름 실습
3생성형 AI 애플리케이션 개발40시간–Amazon Bedrock과 프롬프트 기초 학습–Claude Vision 기반 CXR 해석 학습–멀티모달 프롬프팅과 RAG 개념 활용한 생성형 AI 애플리케이션 구조 실습
4AI 서비스 운영 배포40시간–SageMaker Training Job 활용 모델 학습 인프라 이해–CXR 이상 탐지 모델 구축 GPU 학습, Spot Instance 활용 등 운영 / 배포 방안 실습
5의료 AI 보안 규제8시간–HIPAA on AWS, KMS, Security Engineering 등 의료 AI 보안 기본 개념 학습–의료 데이터와 AI 서비스 운영 시 필요한 보안 / 규제 대응 방안 PBL
6데이터 파이프라인 구축8시간–AWS Glue, DynamoDB, Lambda 기반 데이터 파이프라인 구성 개념 학습–Data Engineering on AWS 기반 데이터 카탈로그 및 운영 자동화 흐름 실습
7클라우드 아키텍처 설계8시간–AWS Cost Explorer, Spot Instance 등 활용 비용 최적화 개념 학습–Architecting on AWS 기반 프로덕션 운영 전략과 클라우드 아키텍처 설계
8AWS 커리어 런치패드40시간–헬스바이오 AI 직무 포트폴리오 전략 수립–AWS PBL 미니 프로젝트 포트폴리오화 방법과 현직자 멘토링
9M1. 바이오 / 헬스케어 AI 직무 이해24시간
–헬스케어 AI 산업 동향 및 글로벌 시장 흐름 의료 도메인의 데이터 특수성 이해–환자 프라이버시와 의료 데이터 비식별화–헬스케어 AI 엔지니어의 역할과 임상의 / 연구자와의 협업 구조–의료 AI 시스템의 책임성과 윤리–AI 모델 개발자와 임상 적용 검증자의 역할 차이–헬스케어 AI의 대표 활용 사례 분석
10M2-1. 헬스케어 정형 데이터 (EHR / MIMIC-IV)24시간-MIMIC-IV 데이터셋 구조 분석 -환자 단위 시퀀스 데이터 구성 실습 -의료 코드 처리 임베딩 변환 -검사 수치 정규화 및 단위 통일, 정상 범위 기반 이상값 처리 -결측치 처리 전략 -코호트 정의 실습 (예: 패혈증 환자, 사망 예측 대상군)
11M2-2. 헬스케어 데이터 라벨링 / 품질 관리24시간-의료 데이터 라벨링 기준 수립 -클래스 불균형 처리 -라벨 노이즈 탐지 및 수정 워크플로우 -데이터셋 분할 시 환자 단위 분할의 중요성 -데이터 품질 개선 전 / 후 모델 성능 비교 분석
12M3-1. 의료영상 데이터 기초 (DICOM)16시간-DICOM 포맷 구조 분석 및 메타데이터 추출 -의료영상 모달리티별 특성 -윈도잉(Windowing), HU값, 정규화 등 의료영상 전처리 기법 -NIfTI 포맷과 3D 의료영상 처리 -데이터 증강(Augmentation) 기법
13M3-2. 의료영상 분류 모델 구현24시간-CXR(흉부 X-ray) 데이터 기반 다중 라벨 질환 분류 모델 구현 -ResNet, DenseNet, EfficientNet, ViT 기반 비교 실습 -Transfer Learning 전략 (ImageNet → 의료영상 도메인 적응) -Grad-CAM, Saliency Map을 활용한 모델 해석 시각화 -AUC, Sensitivity, Specificity 등 의료 평가지표 활용ㄷ -알약 이미지 분류 미니 실습 (의약품 식별 AI)
14M3-3. 의료영상 세그멘테이션 / 디텍션32시간-U-Net, U-Net++, nnU-Net 기반 의료영상 세그멘테이션 -뇌 MRI 영역 분할 실습 (병변 / 해부학적 구조) -CT 간암 종양 영역 세그멘테이션 실습 (Dice / IoU 평가) -Detection 모델 (YOLO, RetinaNet)을 활용한 결절 / 병변 탐지 -후처리: 연결성분 분석, 형태학적 연산, 임계값 최적화
15M4-1. 임상 시계열 / 바이오시그널16시간-ICU 모니터링 데이터(혈압 / 심박 / 산소포화도) 시계열 처리 -ECG / EEG 신호 처리 기초 (필터링, 주파수 영역 분석, FFT) -MIMIC-IV ECG 데이터 활용 부정맥 분류 실습 -시계열 결측 대응 -시계열 윈도우 구성 및 라벨링 전략
16M4-2. 시계열 딥러닝 모델 구현24시간-LSTM, GRU, Temporal CNN 기반 임상 예측 모델 -Transformer 기반 시계열 모델 (Time-Series Transformer) -패혈증 조기 경보, 사망률 예측 등 임상 위험 예측 실습 -모델 해석 (Attention 시각화, SHAP for time-series) -Early warning 시스템의 운영 관점 평가 (False alarm rate)
17[P1] CXR 흉부 질환 다중 분류 프로젝트56시간[활용 데이터] -MIMIC-CXR-JPG 또는 NIH ChestX-ray14 공개 데이터셋 [세부내용] -CXR 영상 데이터 구조 분석 (DICOM 메타데이터, 영상 품질) -14개 흉부 질환 다중 라벨 정의 및 라벨 품질 검토 -데이터 전처리 파이프라인 구축 (윈도잉, 정규화, 증강) -DenseNet / EfficientNet / ViT 모델 비교 실험 -환자 단위 분할 적용한 학습 / 검증 / 테스트 셋 구성 -AUC, Sensitivity@Specificity, F1 등 의료 지표 기반 평가 -Grad-CAM 기반 모델 판단 근거 시각화 -임상 적용 시나리오 가정한 운영 검토 [프로젝트 산출물] -CXR 다중 질환 분류 AI 모델 (학습 코드 + 가중치) -학습 / 검증 리포트 (지표 기반 모델 비교) -Grad-CAM 시각화 결과 보고서 -임상 적용 시나리오 분석 문서
18M5-1. 멀티모달 데이터 융합 설계24시간-멀티모달 데이터 정합 (영상-텍스트-수치 데이터 시간 / 환자 단위 정렬) -MIMIC-CXR + MIMIC-IV 연계 데이터 구성 실습 -Late fusion / Early fusion / Cross-attention 융합 전략 비교 -텍스트 데이터 처리 (방사선 판독문, 임상 노트 BERT 임베딩) -의료 도메인 특화 LLM (BioBERT, ClinicalBERT, Med-PaLM 개념)
19M5-2. 멀티모달 모델 구현24시간-CLIP 기반 영상-텍스트 정합 모델 -CXR 영상 + 판독문 텍스트 결합 진단 분류 모델 구현 -영상 + EHR 수치 결합 임상 결과 예측 모델 구현 -Vision-Language Model 활용한 의료영상 자동 캡셔닝 실습 -멀티모달 vs 단일모달 성능 비교 분석 -Bedrock의 Claude 모델을 활용한 의료 텍스트 요약 / 임베딩 추출 실습
20M6-1. 신약개발 AI 기초24시간-신약개발 파이프라인 이해 (타겟 발굴 → 후보물질 → 전임상 → 임상) -분자 데이터 표현 (SMILES, Molecular Fingerprint, Graph) -RDKit 활용 분자 데이터 처리 실습 -QSAR 모델링 -Graph Neural Network(GNN) 기반 분자 속성 예측 실습
21M6-2. 임상시험 데이터 AI24시간-임상시험 데이터 구조 -환자 코호트 매칭 및 성향점수 매칭 -생존분석 기초 -약물 반응 예측 모델 구현 -부작용 시그널 탐지
22[P2] 뇌 MRI 세그멘테이션 프로젝트64시간[활용 데이터] -BraTS 데이터셋(뇌종양) 또는 OASIS 데이터셋(뇌 MRI 공개 데이터) [세부내용] -3D 뇌 MRI 데이터 구조 분석 (T1, T2, FLAIR 시퀀스) -NIfTI 포맷 처리 및 3D 볼륨 데이터 전처리 -U-Net / nnU-Net 기반 세그멘테이션 모델 구현 -2D Slice vs 3D Volume 모델링 비교 실험 -Dice Loss, Focal Loss 적용 및 클래스 불균형 대응 -Dice Coefficient, IoU, Hausdorff Distance 평가 -후처리(연결성분 분석, 형태학적 연산) 적용 결과 비교 -결과 시각화 및 임상 의의 분석 [프로젝트 산출물] -뇌 MRI 세그멘테이션 AI 모델 -모델 비교 실험 리포트 -시각화 결과물 (3D 볼륨 렌더링 포함) -임상 적용 검토 문서
23M7-1. 의료 AI 모델 검증 및 해석24시간-의료 AI 평가 프레임워크 (TRIPOD-AI, CONSORT-AI, STARD-AI 가이드라인) -외부 검증(External validation)과 일반화 성능 평가 -모델 해석 기법 (SHAP, LIME, Grad-CAM)을 의료영상 / EHR에 적용 -신뢰도 추정(Calibration) 및 Reliability Diagram 분석 -임상의 관점 모델 검토 워크플로우 시뮬레이션
24M7-2. 의료 AI 규제 및 운영 이해24시간-의료기기 SW(SaMD) 인허가 절차 개요 (식약처 / FDA) -데이터 거버넌스와 IRB 승인, 의료 데이터 활용 윤리 -AI 모델의 임상 적용 시 위험관리 (ISO 14971 개념) -모델 모니터링과 데이터 드리프트 대응 전략 -재학습 트리거 설계와 모델 라이프사이클 관리 -[AWS 활용] CloudWatch + SageMaker Model Monitor를 활용한 운영 환경 모델 성능 / 드리프트 감지 개념 실습
25[P3] 간암 CT + 신약 연계 프로젝트64시간[활용 데이터] -LiTS(Liver Tumor Segmentation) 공개 데이터셋 + 분자 데이터(공개) [세부내용] -복부 CT 영상에서 간 영역 및 종양 영역 세그멘테이션 모델 구현 -Coarse-to-Fine 2단계 세그멘테이션 전략 적용 -HU 윈도잉, 슬라이스 두께 정규화 등 의료영상 전처리 -종양 크기 / 위치 등 정량 지표 자동 추출 -신약개발 연계: 항암제 후보물질 SMILES 데이터 + GNN 활성 예측 -영상 기반 종양 특성과 약물 반응 예측 결과 통합 분석 -임상 의사결정 지원 시나리오 가상 설계 [프로젝트 산출물] -간 CT 종양 세그멘테이션 모델 -항암제 분자 활성 예측 GNN 모델 -통합 분석 리포트 (영상 정량 지표 + 약물 반응 예측) -임상 의사결정 지원 시나리오 문서
26[P4] 멀티모달 임상 예측 프로젝트64시간[활용 데이터] -MIMIC-IV (EHR) + MIMIC-CXR (영상+판독문) 연계 데이터 [세부내용] -환자 단위 EHR-영상 데이터 정합 파이프라인 구축 (subject_id, study_id 매핑) -EHR 정형 피처 엔지니어링 (활력징후, 검사수치, 약물, 진단코드) -CXR 영상 임베딩 + 판독문 텍스트 BERT 임베딩 추출 -멀티모달 융합 아키텍처 설계 (Late fusion, Cross-attention 비교) -예측 태스크: ICU 입실 후 사망률 / 재입원 / 패혈증 발생 중 1개 선택 -단일모달 vs 멀티모달 성능 비교 및 모달리티별 기여도 분석 -SHAP / Attention 시각화로 모델 해석성 확보 -임상 적용 가능성 및 한계 분석 (외부검증 한계 포함) [프로젝트 산출물] -멀티모달 임상 예측 AI 모델 -EHR-영상 연계 전처리 파이프라인 코드 -모달리티 비교 분석 리포트 -모델 해석 보고서 + 임상 적용 검토 문서
27커리어 코칭 + 최종 발표16시간-헬스케어 AI 직무 취업 컨설팅 특강 -AI 포트폴리오 구성 멘토링 (프로젝트 산출물 정리) -의료 AI 분야 실전 면접 특강
비교값은 커리큘럼에 시수가 적힌 AI/머신러닝 과정 87개의 중앙값입니다.
지원 자격
내배픽 요약
K-디지털 트레이닝은 제도상 전공과 학력을 보지 않습니다. 아래는 기관이 덧붙인 조건입니다.
이공계 전공(바이오공학, 의학, 약학, 생물학, 화학)
제약바이오 관련 기초 전공 지식 보유자
파이썬 관련 기초 지식 보유자
지원 혜택1개
장비와 학습환경
훈련교재 8종 무상 지급
교육장
사진 5장
강의실
자습실
휴게공간
건물외관
건물외관
강의실
자습실
휴게공간
건물외관
건물외관
주소
경기도 수원시 장안구 서부로 2066 성균관대학교
수업
오프라인
지원 절차
1
내배픽에서 지원 접수내배픽
여러 과정에 동시에 넣을 수 있어요
2
기관 확인과 선발기관
확인했는지를 내 지원 현황에 표시합니다. 방법과 시점은 기관이 정합니다
3
내일배움카드 발급본인
본인이 고용24에서 직접 신청합니다. 며칠 걸리니 미리 해두세요
4
수강신청 완료본인
최종으로 고른 한 곳에 신청을 마치면 지원 현황이 완료로 넘어갑니다
1내배픽에서 지원 접수내배픽여러 과정에 동시에 넣을 수 있어요
2기관 확인과 선발기관확인했는지를 내 지원 현황에 표시합니다. 방법과 시점은 기관이 정합니다
