130 딥러닝 기초
딥러닝 기초는 인공신경망의 구조와 학습 원리를 이해하고, PyTorch·TensorFlow로 이미지·텍스트·표 데이터 모델을 제작하는 실무형 과정이다.
0. 교육을 하는 이유와 궁극적인 목표
딥러닝 기초 교육의 궁극적인 목표는 학습자가 뉴런, 층, 활성화함수, 손실함수, 역전파, 옵티마이저를 이해하고, PyTorch 또는 TensorFlow/Keras로 기본 신경망·CNN·전이학습 모델을 구현할 수 있게 하는 것이다. 민간 딥러닝 엔지니어 과정과 AI 부트캠프의 실습 흐름을 참고해 코드 구현, GPU 학습, 성능 개선, 모델 활용 산출물을 중심으로 구성한다.
참고한 유료형 교육 흐름
- TensorFlow/Keras와 PyTorch를 모두 다루며 신경망 설계·학습·최적화를 강조하는 유료 과정
- CNN, RNN/Transformer 기초, 전이학습을 프로젝트로 연결하는 딥러닝 부트캠프 흐름
- GPU 환경, batch size, learning rate, overfitting 대응을 실험으로 익히는 실무형 방식
- 이미지 분류, 텍스트 분류, 간단한 모델 배포를 포트폴리오로 요구하는 전문 트랙
입문 · 1일
입문 딥러닝 기초 교육과정
신경망의 기본 구조와 학습 과정을 시각적으로 이해한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 신경망 구성요소를 설명한다. | 입력층, 은닉층, 출력층, 가중치, 편향, 활성화함수를 그림 카드로 조립한다. 간단한 숫자 예제로 예측값, 손실, 가중치 업데이트 흐름을 손계산으로 따라간다. |
| 목표 2 | 첫 신경망을 실행한다. | Keras Sequential 모델로 MNIST 또는 간단한 표 데이터 분류 모델을 학습한다. epoch, batch size, loss, accuracy 그래프를 확인하고 학습이 진행되는 모습을 해석한다. |
| 목표 3 | 과적합을 관찰한다. | 훈련 정확도와 검증 정확도 차이를 그래프로 비교한다. dropout 또는 validation split을 적용해 개선 전후를 비교한다. |
| 사용 플랫폼 | Python, Google Colab, TensorFlow/Keras, NumPy, Matplotlib |
|---|---|
| 강사 스펙 | 신경망 기초, Keras 입문 실습, 학습곡선 해석 지도 경험 3년 이상 |
| 수업대상 | AI 입문자, ML 기초 수료자, 청소년 심화반, 교사 연수생 |
| 소요시간 | 4-6시간 |
| 준비물 | 노트북, Google 계정, Colab GPU 설정, MNIST 예제 노트북 |
| 산출물 | 신경망 구조도, 첫 딥러닝 모델, 학습곡선 해석표 |
| 평가방법 | 개념이해 25%, 모델실행 30%, 곡선해석 25%, 개선실습 10%, 참여도 10% |
초급 · 3일
초급 딥러닝 기초 교육과정
PyTorch와 Keras로 기본 신경망을 직접 구성하고 비교한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 텐서 연산을 이해한다. | NumPy 배열과 PyTorch Tensor의 shape, dtype, device 차이를 실습한다. CPU와 GPU 학습 시간 차이를 작은 모델로 비교한다. |
| 목표 2 | 신경망 학습 루프를 구현한다. | PyTorch로 Dataset, DataLoader, model, loss, optimizer, train loop를 직접 작성한다. Keras의 fit 방식과 PyTorch 수동 루프를 비교해 자동화 수준 차이를 정리한다. |
| 목표 3 | 하이퍼파라미터를 조정한다. | learning rate, batch size, hidden units를 바꿔 학습 안정성과 성능 변화를 기록한다. early stopping과 dropout을 적용해 과적합 대응 실험을 수행한다. |
| 사용 플랫폼 | Python, PyTorch, TensorFlow/Keras, Google Colab, NumPy, Matplotlib |
|---|---|
| 강사 스펙 | PyTorch 학습 루프, Keras 모델링, GPU 기초 지도 경험 3년 이상 |
| 수업대상 | Python 가능 학습자, ML 기초 수료자, AI 개발 입문자 |
| 소요시간 | 12-18시간 |
| 준비물 | 노트북, Colab GPU, PyTorch·TensorFlow 설치 환경, 실험 기록표 |
| 산출물 | PyTorch 학습 루프 노트북, Keras 비교 모델, 하이퍼파라미터 실험표 |
| 평가방법 | 텐서이해 20%, 학습루프 30%, 비교분석 20%, 튜닝 20%, 참여도 10% |
초급 · 1주
초급 1주 딥러닝 기초 교육과정
CNN과 전이학습으로 이미지 분류 프로젝트를 완성한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | CNN 구조를 구현한다. | convolution, pooling, flatten, dense 층을 조합해 작은 이미지 분류 모델을 만든다. 필터 수, kernel size, pooling 유무를 바꾸며 성능과 학습시간을 비교한다. |
| 목표 2 | 전이학습을 적용한다. | MobileNetV2, ResNet50, EfficientNet 중 하나를 불러와 feature extractor로 사용한다. freeze와 fine-tuning 전략을 비교하고 적은 데이터에서 성능 차이를 분석한다. |
| 목표 3 | 이미지 모델 리포트를 만든다. | confusion matrix와 오분류 이미지를 시각화해 모델이 어려워한 패턴을 설명한다. 데이터 증강 전후 성능을 비교하고 실제 서비스 적용 시 한계를 작성한다. |
| 사용 플랫폼 | Python, TensorFlow/Keras, PyTorch, torchvision, Google Colab, Roboflow |
|---|---|
| 강사 스펙 | CNN, 전이학습, 이미지 데이터셋 구축·평가 지도 경험 4년 이상 |
| 수업대상 | AI 프로젝트반, 이미지 인식 입문자, 직업훈련생 |
| 소요시간 | 20-30시간 |
| 준비물 | GPU 가능 Colab, 이미지 데이터셋, Roboflow 계정, 라벨링 가이드 |
| 산출물 | CNN 모델, 전이학습 모델, 오분류 분석 리포트 |
| 평가방법 | CNN구현 25%, 전이학습 30%, 오류분석 20%, 리포트 15%, 발표 10% |
중급 · 4주
중급 딥러닝 기초 교육과정
이미지·텍스트 모델과 학습 최적화 전략을 실습한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 텍스트 분류 모델을 만든다. | tokenization, padding, embedding을 적용해 뉴스 또는 리뷰 텍스트 분류 모델을 만든다. Hugging Face Transformers의 사전학습 모델을 활용해 baseline과 비교한다. |
| 목표 2 | 학습 최적화를 수행한다. | optimizer, scheduler, weight decay, gradient clipping을 적용해 학습 안정성을 비교한다. TensorBoard 또는 Weights & Biases로 loss, accuracy, learning rate를 추적한다. |
| 목표 3 | 모델 활용 앱을 제작한다. | Gradio 또는 Streamlit으로 이미지 또는 텍스트 입력 후 예측 결과를 보여주는 데모를 만든다. requirements.txt, 모델 파일, 사용법 README를 포함해 재현 가능한 저장소를 구성한다. |
| 사용 플랫폼 | Python, PyTorch, TensorFlow/Keras, Hugging Face Transformers, TensorBoard, Gradio, Streamlit |
|---|---|
| 강사 스펙 | 텍스트·이미지 딥러닝, 학습 최적화, 데모 앱 제작 경험 4년 이상 |
| 수업대상 | AI 개발 중급자, 딥러닝 프로젝트팀, 취업 포트폴리오 준비생 |
| 소요시간 | 40-60시간 |
| 준비물 | GPU PC 또는 Colab Pro급 환경, 텍스트·이미지 데이터셋, Hugging Face 계정 |
| 산출물 | 텍스트 분류 모델, 실험 추적 로그, Gradio/Streamlit 데모 앱 |
| 평가방법 | 텍스트모델 25%, 최적화 25%, 실험추적 20%, 앱구현 20%, 발표 10% |
심화 · 8주
심화 딥러닝 기초 교육과정
딥러닝 강사용 실습 패키지와 실전 AI 모델 제안서를 완성한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 딥러닝 강의 모듈을 설계한다. | 신경망 기초, CNN, 전이학습, 텍스트 모델, 실험관리, 데모 배포를 8주 과정으로 설계한다. 각 모듈별 실패 케이스와 디버깅 힌트를 포함한 강사용 노트를 제작한다. |
| 목표 2 | 모델 품질관리 기준을 만든다. | 데이터 편향, 과적합, 오분류 위험, GPU 비용, 개인정보 처리 기준을 체크리스트화한다. 학습 로그와 모델 카드를 작성해 모델 사용 범위와 제한을 문서화한다. |
| 목표 3 | 실전 딥러닝 서비스 제안서를 작성한다. | 이미지 검사, 문서 분류, 교육 보조, 고객 응대 중 하나를 선택해 모델 구조와 운영 방식을 제안한다. 최종 발표에서 정확도, 비용, 유지보수, 윤리 리스크, 확장 계획을 함께 설명한다. |
| 사용 플랫폼 | Python, PyTorch, TensorFlow/Keras, Hugging Face, MLflow, Gradio, GitHub Actions |
|---|---|
| 강사 스펙 | 딥러닝 강사양성, 모델 품질관리, AI 서비스 제안·멘토링 경험 5년 이상 |
| 수업대상 | AI 강사, 기업 AI 리더, 연구 프로젝트팀, 데이터 컨설턴트 |
| 소요시간 | 80-120시간 |
| 준비물 | GPU PC, 실습 데이터셋, 강사용 노트 템플릿, 모델 카드 양식, 발표 템플릿 |
| 산출물 | 강사용 지도안, 모델 품질관리 체크리스트, 모델 카드, 딥러닝 서비스 제안서 |
| 평가방법 | 강의설계 25%, 품질관리 25%, 제안서 25%, 모델카드 15%, 발표 10% |