ChatGPT, Gemini, Perplexity 등 최근 주목받는 생성형 AI는 단순한 도구의 차원을 넘어, 과학·기술·예술·교육 등 사회 전반에 걸쳐 심대한 변화를 일으키고 있다. 이들은 인간의 언어를 이해하고 창작을 돕는 동시에 복잡한 문제 해결을 지원하는 ‘디지털 조력자’로서 일상의 많은 영역에 침투하고 있다. AI는 이제 전문가만의 영역이 아니라 정부, 기업, 개인 모두가 업무·학습·창작의 도구로 활용하고 있으며, 그 확산 속도는 생각보다 더 빠르다. 실제로 기업의 고객 응대, 법률 검토, 기사 작성 보조, 논문 및 문서 요약, 코딩 등 다양한 분야에서 생성형 AI는 실질적인 ‘효율의 도구’로 쓰이고 있다.

 

이러한 변화는 불과 수십 년 전인 1980년대 PC의 등장을 떠올리게 한다. 당시 컴퓨터는 극소수만이 사용하는 전문 도구였으나, 얼마 지나지 않아 워드, 엑셀, 이메일은 ‘기술’이 아닌 ‘기본 상식’이 되었다. 오늘날의 딥러닝 역시 그 시절의 PC와 같다. 생성형 AI는 딥러닝이라는 기술의 한 응용에 불과하지만, 그 근간에는 인간의 학습구조를 모방한 ‘인공신경망’이라는 개념이 자리하고 있다. 이는 단지 코드를 짜는 ‘기술’이라기보다 ‘데이터로부터 어떻게 학습하고 예측할 수 있는가?’라는 원리에 대한 이해를 바탕으로 한다.

생성형 AI 덕분에 복잡한 라이브러리 사용법이나 모형 구현 코드의 습득은 거의 불필요한 지식이 되어 버렸기 때문에 미래사회에서 필수적인 역량은 딥러닝의 개념, 작동원리, 데이터 처리의 중요성을 이해하는 것이다. 딥러닝 모형이 어떻게 학습을 진행하고, 어떤 구조로 정보를 표현하는지를 이해하면, AI가 내놓은 결과를 맹신하지 않고 비판적으로 해석할 수 있다. 단순히 ‘생성형 AI를 활용해서 정보를 검색하고, 글을 작성하고 아이디어를 도출하는’ 이용자적 자세가 아니라, 왜 그런 결과가 나왔는지 설명할 수 있는 역량, 이것이 진짜 디지털 문해력(AI literacy)이다.

[목 차]

1부 딥러닝의 작동원리

 

제1장 머신러닝 학습 절차의 핵심 및 내용 요약

1.1 ML(machine learning)

1.2 DL(deep learning)

1.3 RL(Reinforcement learning)

 

제2장 딥러닝 데이터와 세 가지 기본신경망

2.1 데이터의 사전정리

2.2 딥러닝에 사용되는 데이터의 형태

2.3 은닉층 설계를 위한 세 가지 핵심 신경망

 

제3장 손실함수와 최적화

3.1 출력층과 손실함수

3.2 역전파

3.3 최적화 알고리즘

 

제4장 Pytorch의 이해

4.1 Pytorch의 문법과 적용

4.2 딥러닝 모델과 데이터 셋의 구조와 모델의 저장

4.3 MLP, RNN, 그리고 CNN의 적용

 

제5장 오차분석, 초모수 조절, 그리고 딥러닝 모형의 성능 향상

5.1 오차분석

5.2 자료 분할

5.3 초모수 조절

5.4 딥러닝 모형의 성능 향상

 

제6장 CNN의 응용과 이전학습

6.1 사람의 성별을 구별하기 위한 CNN의 적용

6.2 이전학습

6.3 이전학습과 자료증대

 

제7장 텍스트 자료의 사전정리와 RNN의 적용

7.1 텍스트 자료의 사전정리과정

7.2 Word2Vec, Glove, 그리고 Word Embedding

7.3 RNN 모형의 적용

7.4 다른 RNN 모형과 CNN 모형과의 비교

7.5 텍스트 데이터의 사전정리의 요약

 

제8장 Mamba, GNN, KAN 모형을 이용한 시계열 분석

8.1 Mamba

8.2 GNN(Graph Neural Network)

8.3 KAN(Komogorov Arnold Network)

8.4 시계열 자료의 적용

 

제9장 CNN 아키텍처의 진화

9.1 LeNet-5

9.2 AlexNet

9.3 VGGNet

9.4 ResNet

9.5 Inception

9.6 Stem-Learner-Task 아키텍처

9.7 딥러닝의 진화

 

 

2부 Computer Vision

 

제10장 객체탐색 I (R-CNN, Fast R-CNN, Faster R-CNN)

10.1 Upsampling

10.2 교통표식의 식별

10.3 R-CNN에 의한 객체탐색

10.4 Fast R-CNN

10.5 Faster R-CNN

 

제11장 객체탐색 II (YOLO~YOLO12)

11.1 YOLO의 참사각박스와 목적변수의 결정

11.2 YOLO-v3

11.3 YOLO version의 진화

 

제12장 채널 시각화, 딥드림, 그리고 스타일 이전

12.1 채널 시각화

12.2 딥드림

12.3 스타일 이전

 

제13장 Variational Autoencoder와 Diffusion 모형

13.1 AutoEncoder

13.2 Variational Autoencoder

13.3 조건부 VAE

13.4 Diffusion 모형

 

제14장 Generative Adversarial Networks(GAN)

14.1 DCGAN

14.2 Cycle GAN

 

 

3부 LLM

 

제15장 Seq2Seq 모형

15.1 자료의 사전정리

15.2 sequence-to-sequence 학습

15.3 Attention을 이용한 Seq2Seq

 

제16장 Transformer

16.1 Transformer의 입력층

16.2 Transformer의 은닉층

16.3 Transformer의 적용

16.4 한국어 챗봇

 

제17장 자연어 모형

17.1 사전학습, fine tuning, few-shot, 그리고 zero-shot 학습

17.2 서브워드 토큰화

17.3 Auto-encoding 언어모형

17.4 GPT(generative pretrained transformer)와 text 생성을 위한 Sampling

 

제18장 ViT, OCR, CLIP, Stable Diffusion, SAM, In-painting

18.1 ViT(Vision Transformer)

18.2 TrOCR

18.3 CLIP(contrastive language-image pre-training)

18.4 Stable Diffusion 모형

18.5 SAM(Segmentation Anything Model)

18.6 In-painting

 

제19장 LLM 모형의 진화

19.1 T5와 LlaMA

19.2 Transformer attention의 진화

19.3 RWKV

19.4 LLM 모형의 적절성 조절

19.5 RAG(Retrieval Augmented Generation)

19.6 LLM 모형의 비교와 Open source LLM

19.7 AI의 진화

 

제20장 Hugging Face를 이용한 언어모형의 적용과 응용

20.1 transformers에서 NLP 모형의 선택 방법

20.2 Hugging Face를 이용한 언어모형의 적용과 응용

20.3 Hugging Face를 이용한 Fine Tuning

 

제21장 LLM 만드는 절차와 Prompt Engineering

21.1 LLM 모형을 만드는 절차

21.2 한국형 LLM은 필요한가?

21.3 Prompt Engineering

 

참고문헌

찾아보기