AI 엔지니어링
본 영역은 Deep Learning, NLP, LLM, Decision Tree, Naive Bayes, KNN, Support Vector Machines, K-Means, Reinforcement Learning, Regression 등 다양한 AI 모델의 기본 원리와 구현 / 활용 방법, AI 모델 관련 수학 / 통계학의 이론과 Python 코딩, AI의 사용사례 들, 유용한 AI 애플리케이션들, AI-Powered 애플리케이션의 개발 프로세스, AI 코딩 지원 툴과 AI 코딩 에이전트을 이용환 SW 개발 방법/패턴 등을 다룬다.
아래의 5개 영역 별로 제목 또는 이미지를 클릭하면, 관련된 다양한 주제에 대한 교육 과정들과 블로그들이 게시된 페이지로 연결된다. (밑줄이 없는 영역은 아직 게시물이 안 올라간 영역임.)
AI를 위한 수학, 통계학 및 Python 코딩
AI 모델을 이해하고 구현하는 데 필요한 선형대수(Linear Algebra), 확률, 통계학, 가설 검증, 최적화(Optimization)의 기본 원리와 그 적용을 위한 파이썬 프로그래밍 학습.
Rule-based AI, Decision Tree, Neural Network, Backpropagation, Deep Learning, Convolutionary Neural Network, Recurrent Neural Networks, Natural Language Processing, Large Language Model, Multimodal AI, Genetic Algorithm, Naïve Bayes, Hidden Markov Model, Markov Chain Monte Carlo, K-Nearest-Neighbor Algorithm, Support Vector Machines, K-Means for Clustering, Principal-Component Analysis and Isomap for Dimensionality Reduction, Reinforcement Learning, Relational Learning, Linear Regression, Multiple Regression, Logistic Regression 등 다양한 AI 모델의 이해와 구현 방법 학습
AI-Powered Application의 개발 프로세스는 AI를 적용할 문제의 정의, 문제 해결을 위한 AI 모델의 선택, AI 모델에 필요한 데이터 엔지니어링(즉 원천 데이터 확보 / 데이터 스토리지의 구성 및 인제스천 / 데이터 변환 및 서빙), AI 모델의 훈련 및 테스팅, AI를 통합할 애플리케이션의 개발 및 배포, AI 애플리케이션의 성과 모니터링과 AI 모델 및 데이터의 지속적 개선을 포함한다.
