** Enterprise Python Coding for AI 과정

 

⦁ 수업 형태: 총16주(주당6시간= 주중 야간3시간2회 또는 토요일 대면 6시간)

  • ⦁ 대상:비IT 기업 엔지니어 및 실무자(코딩 노베이스부터 생성형AI API 활용 서비스 구축까지)

  • ⦁ 평가 구성:4회의 핵심 개념 복습Quiz + 1회의Final Test

  • ⦁ 과정Vision: 현업Non-IT 엔지니어들이 실제AI 프로젝트나AX(AI Transformation) 업무로 나아갈 때, 단순히 데이터 분석(Scikit-learn)에서 그치지 않고’딥러닝의 파이프라인(PyTorch)’과’생성형AI 기반 앱 개발(OpenAI/Gemini API, RAG, Function Calling)’의 기본 코딩 구조를 이해하도록 핵심 실무 역량을 기르는 과정

  • ⦁ 학습 연속성의 확보:파이썬 기초 문법 중OOP(클래스/상속)를module 1에서 확실히 잡아두면, Module 3의PyTorch (nn.Module)와Module 4의 Pydantic/LangChain Class로 자연스럽게 연결되어 비전공자도 거부감 없이 고도화된 코드를 작성가능

  • ⦁ 실무 유용성 극대화:단순 알고리즘 이론이 아니라, 현업 엔지니어들이 즉시 자사 데이터 분석이나LLM 기반 업무 자동화 툴(RAG 시스템)을 직접 코딩할 수 있는 현장 밀착형96시간 트랙

 

 

  • [Module 1] Python Core 기초 코딩- 24시간/ 1~4주

 

목표:비전공자가 파이썬의 핵심 문법과 객체지향 개념을 익혀AI 라이브러리 코드를 읽고 쓸 수 있는 기초 습득

 

  • ⦁ 1주차(6시간) | Data Types, Control Structures & Functions

  • 파이썬 환경 구축(Google Colab, VS Code) 및 변수/자료형(List, Dict)
  • 제어문(if, for, while)과 함수 정의(def), 매개변수(*args, **kwargs)

 

  • ⦁ 2주차(6시간) | Built-in Functions & Advanced Python Logic

  • 내장 함수 활용(len, enumerate, zip, map, filter) 및List Comprehension
  • Lambda 표현식과 데이터 가공 패러다임

 

  • ⦁ 3주차(6시간) | File I/O, Exceptions & Modular Programming

  • 파일 입출력(JSON, CSV 핸들링) 및 예외 처리(try-except-finally)
  • 모듈과 패키지 이포트(import, from), virtualenv/pip 가상환경 이해

 

  • ⦁ 4주차(6시간) | Object-Oriented Programming (OOP) for AI

  • 클래스(Class)와 객체(Object), __init__ 및 인스턴스 메서드
  • 상속(Inheritance)과 메서드 오버라이딩 (※ PyTorch nn.Module 작성 및API Class 연동의 필수 전제 지식)
  • [Quiz 1]파이썬 핵심 문법 및OOP 구조 구현 평가

 

  •  
  •  
  • [Module 2] 데이터 처리 및 머신러닝- 24시간/ 5~8주



⦁ 목표:수치 데이터와 정형 데이터를 자유자재로 가공하고, Scikit-learn을 통한 전통적 머신러닝 모델 구축을 마스터

 

  • ⦁ 5주차(6시간) | Numerical Computing with NumPy

  • N차원 배열(ndarray) 생성, 인덱싱, 슬라이싱
  • Vectorization(벡터화 연산) 및BroadCast 기법 (※ 딥러닝Tensor 연산의 기초)

 

  • ⦁ 6주차(6시간) | Data Wrangling with Pandas

  • DataFrame 및Series 데이터 구조 이해, 결측치 처리, filtering, group-by
  • Multi-index, Merge/Concat 데이터 병합 및EDA 기본 기법

 

  • ⦁ 7주차(6시간) | Data Visualization & Preprocessing

  • Matplotlib / Seaborn을 활용한 분석 시각화
  • Data Preprocessing: Scaling(MinMax, Standard), Encoding(One-Hot, Label), Imputation

 

  • ⦁ 8주차(6시간) | Machine Learning Coding with Scikit-learn

  • 지도학습(회귀/분류) 알고리즘 구현(Fit-Predict 패러다임)
  • 교차 검증(Cross-Validation), Hyperparameter Tuning(GridSearchCV), Evaluation Metrics
  • [Quiz 2]정형 데이터 전처리 및 머신러닝 모델 파이프라인 구축 구현 테스트(4시간 대체/병행)

 

 

 

  • [Module 3] 딥러닝 파이프라인 코딩- 24시간/ 9~12주


⦁ 목표:PyTorch를 활용하여 인공신경망의 원리를 코드로 구현하고, Tensor 연산 및 모델 학습/평가 루프를 습득

 

  • ⦁ 9주차(6시간) | PyTorch Tensors & Automatic Differentiation

  • NumPy Array vs PyTorch Tensor 전환 및GPU(CUDA) 메모리 할당
  • Autograd(자동 미분) 원리와requires_grad, Dynamic Computational Graph 이해

 

  • ⦁ 10주차(6시간) | Neural Network Architecture (torch.nn)

  • Module 상속을 통한 커스텀 신경망 클래스 설계
  • Dense Layer(선형 레이어), Activation Function(ReLU, Sigmoid, Softmax)의 코드적 의미

 

  • ⦁ 11주차(6시간) | Dataset, DataLoader & Training Loop

  • Custom Dataset 작성 및DataLoader를 통한Batching, Shuffling 구현
  • Loss Function(CrossEntropy, MSE) 및Optimizer(Adam, SGD) 선언
  • Forward Pass -> Loss Computation -> Backward Pass -> Optimizer Step 표준 학습 루프 구현

 

  • ⦁ 12주차(6시간) | Computer Vision / NLP Baseline with PyTorch

  • CNN 기본 구조 및 이미지 데이터 처리 기초(Torchvision 활용)
  • Sequential 모델 구축 및Overfitting 방지 기법(Dropout, Early Stopping) 코딩
  • [Quiz 3]PyTorch 기반 신경망 학습 파이프라인 구현 평가

 

 

  • [Module 4] 생성형AI API 연동 코딩- 24시간/ 13~16주

 

  • ⦁ 목표:OpenAI, Gemini 등 최신LLM API를 파이썬 코드로 제어하고, RAG 및Function Calling 기법을 통해 엔터프라이즈향AI 애플리케이션 프레임워크 습득

 

  • ⦁ 13주차(6시간) | LLM API Integration & Prompt Engineering in Code

  • OpenAI / Google Gemini Python SDK 설정 및API Key 환경변수 관리
  • Client 객체 생성, Chat Completion API 호출, System/User/Assistant Message 구조 설계
  • Temperature, Top-p 등 하이퍼파라미터 제어 및Streaming Response 처리

 

  • ⦁ 14주차(6시간) | Structured Outputs & Function Calling (Tool Use)

  • Pydantic을 활용한LLM 출력 데이터 규격화(JSON Schema 응답 강제)
  • Function Calling: LLM과 사내Python 함수/외부API 연동 구조 구현
  • Agent 개발을 위한Tool 정의 및ReAct 패턴 기초 코딩

 

  • ⦁ 15주차(15주차/ 6시간) | Vector Embeddings & RAG Engine Construction

  • Text Embedding API 활용 및 문장/문서의 벡터 변환
  • Vector Database(ChromaDB 또는FAISS) 연동 및 유클리드/코사인 유사도 검색
  • 사내 문서(PDF, TXT) 기반RAG(Retrieval-Augmented Generation) 파이프라인 풀 스택 코딩

 

  • ⦁ 16주차(6시간) | Advanced LLM Frameworks & Enterprise Integration

  • LangChain / LlamaIndex 핵심 개념 코딩(Chains, Memory, Retrievers)
  • REST API 파이썬 웹 프레임워크(FastAPI)와LLM Engine 결합 기초
  • [Quiz 4]RAG 및Function Calling 기반Python 스크립트 작성 평가