Deep Learning Foundations

Tracks

1. 01🧠왜 딥러닝인가

   0/10 lessons

   표현 학습과 규모, 그리고 쓰지 말아야 할 때

   딥러닝은 표현을 직접 배우는 일이 핵심이고, 미분 가능한 최적화와 충분한 데이터 또는 사전학습이 손으로 만든 특징을 이길 때 값어치를 해.

   Lesson list (10)

   • 01
     수작업 특징의 한계~22 min · features, representation, history
   • 02
     전통적 머신러닝과 딥러닝~22 min · classical-ml, tradeoffs, baselines
   • 03
     표현 학습~22 min · representation, embeddings, transfer
   • 04
     딥러닝 역사의 흐름~18 min · history, alexnet, transformer
   • 05
     데이터, 연산, 하드웨어~18 min · gpu, tpu, scaling
   • 06
     신경망이 잘하는 것~16 min · use-cases, applications
   • 07
     딥러닝이 지나친 선택인 곳~16 min · anti-patterns, tradeoffs
   • 08
     딥러닝의 비용~16 min · cost, infra, ops
   • 09
     현대 기술 스택~16 min · pytorch, huggingface, ecosystem
   • 10
     학습 지도: 무엇을 배울까~12 min · roadmap, tracks

   ✓퀴즈 · 4 문제→

2. 02🧩뉴런, 층, 순전파

   0/8 lessons

   선형 변환에서 출력 헤드까지

   신경망은 형태 계약이 분명한 변환들을 차곡차곡 합성한 구조야.

   Lesson list (8)

   • 01
     인공 뉴런~22 min · neuron, linear, activation
   • 02
     퍼셉트론 기초~18 min · perceptron, history
   • 03
     단일 선형층의 한계~18 min · linearity, xor, depth
   • 04
     다층 퍼셉트론~25 min · mlp, fully-connected, depth
   • 05
     활성화 함수~22 min · relu, gelu, softmax
   • 06
     너비, 깊이, 표현력~18 min · capacity, depth, scaling
   • 07
     순전파~22 min · forward, shapes, autograd
   • 08
     배치, 로짓, 출력 헤드~22 min · batches, logits, heads

   ✓퀴즈 · 4 문제→

3. 03⛓️손실, 기울기, 역전파

   0/9 lessons

   신경망은 실제로 어떻게 배우나

   학습은 기울기와 옵티마이저 상태, 안정적인 갱신 규칙을 이용해 손실을 줄이는 과정이야.

   Lesson list (9)

   • 01
     학습이란 무엇인가~18 min · learning, loss, gradient-descent
   • 02
     손실 함수~22 min · loss, cross-entropy, mse
   • 03
     기울기를 감으로 이해하기~18 min · gradients, calculus, geometry
   • 04
     경사 하강법과 미니배치~22 min · sgd, minibatch, noise
   • 05
     역전파: 연쇄법칙~25 min · backprop, chain-rule, autograd
   • 06
     기울기 소실과 기울기 폭주~22 min · vanishing, exploding, depth
   • 07
     옵티마이저: SGD에서 AdamW까지~22 min · optimizer, adamw, momentum
   • 08
     학습률 스케줄~22 min · lr, schedule, warmup
   • 09
     학습 루프~25 min · training-loop, epochs, validation

   ✓퀴즈 · 4 문제→

4. 04🏋️학습 데이터, 상태, 체크포인트

   0/8 lessons

   DataLoader, 모드 전환, 저장과 평가

   학습은 영웅적인 코드 셀 하나가 아니라 상태를 이어 가는 작업 흐름이야.

   Lesson list (8)

   • 01
     데이터셋 객체~18 min · dataset, pytorch, data
   • 02
     DataLoader와 배치 처리~20 min · dataloader, batching, workers
   • 03
     장치와 텐서 배치~18 min · device, cuda, mps
   • 04
     한 번의 학습 단계~18 min · train-step, zero-grad, step
   • 05
     평가 모드~16 min · eval, dropout, batchnorm
   • 06
     학습 중 확인할 지표~18 min · metrics, logging, monitoring
   • 07
     체크포인트~18 min · checkpoint, save, resume
   • 08
     재현성과 시드~16 min · seed, reproducibility, determinism

   ✓퀴즈 · 4 문제→

5. 05🛡️안정성과 규제: 학습을 제대로 굴리기

   0/10 lessons

   과적합, 손실 곡선, 정규화, 잔차 연결

   딥러닝 실무의 대부분은 학습을 안정적으로 굴리고 결과를 정직하게 만드는 일이야.

   Lesson list (10)

   • 01
     신경망의 과적합~18 min · overfitting, generalization, capacity
   • 02
     손실 곡선 읽기~18 min · debugging, loss-curves
   • 03
     드롭아웃~18 min · dropout, regularization
   • 04
     가중치 감쇠와 조기 종료~18 min · weight-decay, early-stopping, l2
   • 05
     BatchNorm과 LayerNorm~22 min · batchnorm, layernorm, normalization
   • 06
     초기화: Xavier와 He~18 min · init, xavier, he
   • 07
     잔차 연결~22 min · residual, skip, resnet
   • 08
     기울기 클리핑~14 min · clipping, stability
   • 09
     데이터 증강~18 min · augmentation, regularization
   • 10
     혼합 정밀도와 재현성~18 min · amp, fp16, bf16

   ✓퀴즈 · 4 문제→

6. 06🏗️아키텍처: 비전, 시퀀스, 어텐션

   0/12 lessons

   CNN, 순환 구조, 어텐션, Transformer

   아키텍처에는 데이터 구조를 어떻게 보는지에 대한 가정이 새겨져 있어.

   Lesson list (12)

   • 01
     이미지는 왜 다른가~16 min · images, spatial, translation-invariance
   • 02
     합성곱: 필터 공유~22 min · conv, filters, stride
   • 03
     CNN 직관: 경계에서 객체로~18 min · cnn, feature-hierarchy, interpretability
   • 04
     고전 CNN의 계보~18 min · cnn, history, resnet
   • 05
     비전 전이학습~18 min · transfer-learning, fine-tuning, vision
   • 06
     비전 Transformer~18 min · vit, transformer, patches
   • 07
     실전 비전 과제~16 min · detection, segmentation, classification
   • 08
     시퀀스 데이터는 왜 어려울까~16 min · sequence, rnn, context
   • 09
     순환 신경망~18 min · rnn, lstm, gru
   • 10
     LSTM과 GRU~18 min · lstm, gru, gating
   • 11
     어텐션의 돌파구~22 min · attention, self-attention, transformer
   • 12
     Transformer 블록~22 min · transformer, blocks, ffn

   ✓퀴즈 · 4 문제→

7. 07🧪현대 딥러닝 실전

   0/8 lessons

   PyTorch 사고방식, 전이학습, 가속기, 실험 추적

   실전은 딥러닝을 노트북 묘기에서 반복 가능한 작업 흐름으로 바꾸는 곳이야.

   Lesson list (8)

   • 01
     PyTorch의 사고방식~22 min · pytorch, mental-model, modules
   • 02
     학습 루프 뜯어보기~18 min · training-loop, scaffold
   • 03
     전이 학습 vs 미세 조정~16 min · transfer, fine-tune, freezing
   • 04
     LoRA: 매개변수 효율적 튜닝~22 min · lora, peft, fine-tune
   • 05
     가속기와 장치~16 min · gpu, tpu, mps
   • 06
     혼합 정밀도~16 min · amp, bf16, fp16
   • 07
     실험 추적~18 min · tracking, wandb, mlflow
   • 08
     컴파일과 내보내기 경로~18 min · onnx, torchscript, compile

   ✓퀴즈 · 4 문제→

8. 08🗺️올바른 접근법 고르기

   0/8 lessons

   규모, 파운데이션 모델, 안전, 최종 지도

   마지막에 익힐 기술은 딥러닝이 맞는 도구인지, 맞다면 어떤 종류를 써야 하는지 판단하는 일이야.

   Lesson list (8)

   • 01
     딥러닝이 전통적 머신러닝을 이길 때~16 min · choice, tradeoffs, classical-ml
   • 02
     MLP, CNN, Transformer, 파운데이션 모델 선택하기~18 min · choice, architecture
   • 03
     매개변수 수와 규모 확장~16 min · scaling, parameter-count, compute
   • 04
     파운데이션 모델~18 min · foundation-model, llm, transfer
   • 05
     미세 조정 vs 프롬프팅 vs 특징 추출~16 min · adaptation, tradeoffs
   • 06
     강건성, 편향, 안전성~18 min · safety, bias, robustness
   • 07
     흐름에 휩쓸리지 않고 최신 정보 따라가기~16 min · learning, research, habits
   • 08
     최종 지도: 기초에서 현대 AI까지~22 min · recap, roadmap

   ✓퀴즈 · 5 문제→