강의 자료 (Lecture Materials)

강의에 사용된 강의자료들을 Markdown 형식으로 제공합니다. 지속적으로 갱신/수정됩니다.

1. Python

1.1 파이썬 문법 / 기본 라이브러리

1.2 파이썬 응용

2. Data Science

  • 데이터 과학 개요
  • 데이터 분석 및 모델링
  • 데이터 분석 결과 해석
  • 데이터 분석 모델 평가
  • 데이터베이스 기초
  • 데이터베이스 활용
  • 벡터 데이터베이스

3. ArtificiaL Intelligence(AI)

3.1 AI 개요

3.2 머신러닝(ML)

3.3 딥러닝(DL)

3.4 강화학습(RL)

3.5 자연어 처리(NLP)

3.6 대형 언어 모델(LLM) + 생성형 AI(GenAI)

3.7 AI 윤리

4. Cloud Platform

  • 클라우드 시스템 개요
  • 클라우드 플랫폼
    • AWS / Azure / Google Cloud Platform

5. Single Board Computer(SBC)

6. Smart Factory

6.1 스마트팩토리 개요

6.2 스마트팩토리 구성 시스템

  • 제조 프로세스
  • MES(제조실행시스템)
  • MRP(자재소요계획)
  • PLM(제품 수명 주기 관리)
  • ERP(전사적 자원 관리)
  • SCM(공급망 관리)
  • 물류 시스템

6.3 품질경영시스템(ISO 9001)

7. Git & Github

  • Git & Github 개요
  • Git & Github 사용 기초
  • Git 고급 사용
  • Githbu Action 기반 CI/CD

8. Linux

  • 리눅스 개요
  • 리눅스 기초 이해
  • 리눅스 심화
  • 리눅스 기반 개발
  • 리눅스 명령어
    • 파일 및 디렉토리 관리
    • 사용자 및 권한 관리
    • 패키지 관리
    • 프로세스 관리
    • 네트워크 관리
    • 텍스트 처리 및 검색

9. Project 기획 및 관리

  • 프로젝트 기획 및 설계
  • 프로젝트 구현
  • 프로젝트 테스트 및 디버깅
  • 깃허브를 통한 코드 리뷰 및 최적화
  • 프로젝트 발표 준비 및 최종 업데이트

10. Project-based

10.1 인공지능 기반 자율주행 자동차

10.2 AI/LLM Agent 개발

  • AI 및 LLM 기초 이해 (10H)
    • AI, 머신러닝, 딥러닝 개념 이해 (3H)
      • 인공지능(AI)의 개요: 역사와 미래
      • 머신러닝과 딥러닝의 기본 원리 및 차이점
      • 데이터의 중요성: 양질의 데이터와 모델 성능
      • 파이썬 개발 환경 설정 (아나콘다, VS Code 등)
      • 실습: 파이썬 기초 문법 복습 및 개발 환경 확인 (간단한 코드 실행)
    • 자연어 처리(NLP)와 LLM (3H)
      • 자연어 처리(NLP)란 무엇인가? 기본 개념 소개
      • 텍스트 데이터의 처리: 토큰화, 임베딩 등
      • 순환 신경망(RNN), 트랜스포머(Transformer) 아키텍처 개요 (개념 위주 설명)
      • 거대 언어 모델(LLM)의 등장 배경 및 파급 효과
      • 실습: Hugging Face transformers 라이브러리 설치 및 간단한 텍스트 처리 예제
    • 주요 LLM 소개 및 활용 맛보기 (4H)
      • ChatGPT, GPT-4, Llama, Gemini 등 주요 LLM 특징 비교
      • LLM의 응용 분야 (챗봇, 요약, 번역, 코드 생성 등)
      • API를 통한 LLM과의 상호작용 (OpenAI API 키 발급 및 기본 사용법)
      • 실습: OpenAI Playground(또는 유사 환경)에서 다양한 프롬프트로 LLM 체험, 간단한 API 호출 예제 실습
  • LLM 에이전트의 핵심 구성 요소 (10H)
    • 프롬프트 엔지니어링의 기본 (4H)
      • 프롬프트 엔지니어링이란? 왜 중요한가?
      • 좋은 프롬프트 작성 원칙 (명확성, 구체성, 제약 조건 등)
      • In-context Learning (few-shot, one-shot) 기법
      • -of-Thought (CoT) 및 Tree-of-Thought (ToT) (개념 소개)
      • 실습: 다양한 프롬프트 기법을 적용하여 LLM 응답 품질 개선 실습
    • 에이전트 아키텍처 이해 (3H)
      • LLM 기반 에이전트의 개념 및 필요성
      • 기본적인 에이전트 구조: Planner, Memory, Tool Use (개념 위주)
      • RAG(Retrieval-Augmented Generation)의 개념과 중요성
      • 실습: 에이전트가 처리할 작업 정의 및 흐름도 설계 (페이퍼 프로토타이핑)
    • Tool 사용 및 외부 연동의 기초 (3H)
      • LLM이 외부 도구를 사용하는 이유
      • 간단한 도구(함수) 정의 및 LLM에게 도구 사용 지시
      • Function Calling의 기본 원리 (OpenAI Function Calling 위주 설명)
      • 실습: LLM이 날씨 API 호출 또는 계산기 함수를 사용하도록 유도하는 간단한 예제
  • LLM 에이전트 개발 라이브러리 및 프로젝트 (10H)
    • LangChain 소개 및 기초 사용법 (4H)
      • LangChain이란 무엇인가? 주요 구성 요소 (Models, Prompts, Parsers)
      • Chain의 개념: 순차적 프롬프트 연결
      • LLM 모델 연동 및 환경 설정
      • 실습: LangChain을 활용하여 간단한 챗봇 구현 (질의응답 체인)
    • LangChain Tools 및 Agent 활용 (3H)
      • LangChain에서 Tool을 정의하고 사용하는 방법
      • Agent의 개념과 Agent Executor
      • ReAct(Reasoning and Acting) 프레임워크 이해
      • 실습: LangChain Agent가 정의된 Tool (예: 검색 엔진)을 활용하도록 구현
    • RAG(Retrieval-Augmented Generation)의 이해와 구현 (3H)
      • RAG의 필요성: LLM의 한계 극복 (환각 현상, 최신 정보 부족)
      • 문서 로더(Document Loader), 텍스트 스플리터(Text Splitter), 임베딩(Embeddings)
      • 벡터 스토어(Vector Store)의 개념 및 활용 (ChromaDB 또는 FAISS)
      • 실습: 간단한 로컬 문서 기반 Q&A RAG 시스템 구축
  • 미니 프로젝트 및 고급 개념 (10H)
    • 미니 프로젝트: 나만의 LLM 기반 문서 분석 에이전트 개발 (5H)
      • 프로젝트 개요:
        • 특정 문서(예: 회사 보고서, 블로그 게시물)를 업로드하면
        • 내용을 분석하고 요약, 특정 질문에 답변하며
        • 필요 시 외부 검색 도구를 사용하는 에이전트 개발
      • 구현 요소: LangChain의 RAG 기능 활용, Tool (검색 API) 연동, 프롬프트 엔지니어링
      • 실습: 프로젝트 요구사항 정의, 단계별 구현 및 디버깅
    • 고급 에이전트 개념 및 확장 (3H)
      • 에이전트의 Memory 관리: ConversationBufferMemory, ConversationSummaryMemory
      • Long-term Memory와 Short-term Memory (개념 위주)
      • LangChain 외 에이전트 프레임워크 소개 (CrewAI, AutoGen 등)
      • 실습: 기존 미니 프로젝트에 대화 기록(Memory) 추가 및 관리 기능 구현
    • 배포 및 추가 학습 가이드 (2H)
      • 개발한 에이전트를 간단하게 배포하는 방법 (Streamlit 또는 Flask 연동 개념 소개)
      • LLM 에이전트 개발 시 윤리적 고려 사항 및 보안
      • 최신 LLM 연구 동향 및 향후 학습 로드맵
      • Q&A 및 수료 소감 나누기