AI, ML, DL, 생성형 AI와 LLM의 관계를 잡고 전체 학습 지도를 만듭니다.

AI 계산을 읽는 데 필요한 선형대수, 미적분, 확률·통계, 정보이론을 직관부터 연결합니다.

모델보다 먼저 데이터가 어떻게 구성·변환·분리되는지 학습합니다.

데이터에서 패턴을 학습한다는 의미와 대표 학습 패러다임을 이해합니다.

딥러닝 이전부터 널리 쓰이는 주요 알고리즘의 가정과 사용처를 비교합니다.

좋은 모델을 고르고 검증하기 위한 손실, 지표, 검증, 튜닝 방법을 학습합니다.

뉴런에서 네트워크까지 딥러닝의 계산 구조를 단계적으로 이해합니다.

오차가 어떻게 역전파되고 파라미터가 업데이트되는지 학습 루프 전체를 연결합니다.

문제 특성에 따라 신경망 구조가 어떻게 발전했는지 연결합니다.

이미지가 텐서에서 특징으로 변환되고 분류·탐지·분할되는 흐름을 이해합니다.

텍스트가 모델이 계산할 수 있는 토큰과 벡터로 변환되는 과정을 학습합니다.

Transformer의 핵심인 Attention 계산을 Q/K/V 이전부터 단계별로 분해합니다.

Attention을 중심으로 Transformer 블록과 전체 데이터 흐름을 조립합니다.

언어 모델의 역사와 Encoder-only, Decoder-only, Encoder-Decoder 구조 차이를 이해합니다.

대규모 언어 모델의 파라미터, 컨텍스트, 생성 과정과 한계를 이해합니다.

Pre-training 이후 모델을 목적에 맞게 조정하는 주요 기법을 연결합니다.

의미를 벡터로 표현하고 유사한 정보를 빠르게 검색하는 원리를 학습합니다.

외부 지식을 검색해 LLM 컨텍스트에 주입하는 전체 파이프라인을 설계합니다.

모델 입력을 구조화하고 제한된 컨텍스트를 효과적으로 사용하는 방법을 학습합니다.

LLM이 도구와 상태를 이용해 여러 단계를 수행하는 Agent 시스템을 이해합니다.

텍스트뿐 아니라 이미지·음성·비디오를 함께 처리하는 모델 구조를 이해합니다.

LLM 외에도 데이터를 생성하는 주요 모델 계열의 핵심 아이디어를 비교합니다.

모델을 실제 서비스로 제공할 때 필요한 Serving, 확장성, 관측성을 학습합니다.

LLM Serving의 메모리·속도·비용을 결정하는 주요 요소를 이해합니다.

데이터·모델·프롬프트·평가를 반복 가능하게 운영하는 생명주기를 학습합니다.

AI 시스템에서 발생하는 새로운 공격면과 데이터·모델·감사 통제를 이해합니다.

현대 AI 시스템에서 자주 결합되는 모델·검색·Agent·멀티모달 패턴을 한눈에 연결합니다.

JavaScript/TypeScript로 핵심 계산을 직접 구현해 추상 개념을 코드와 시각화로 고정합니다.

기초를 마친 뒤 논문과 최신 모델 구조를 읽기 위한 확장 개념을 정리합니다.