꽂히는 딥러닝 | 전체 강의 소개

꽂히는 딥러닝 플레이리스트는 “수학·이론·직관”을 한 번에 잡으면서도, 처음부터 끝까지 흐름 있게 딥러닝을 배우고 싶은 사람에게 잘 맞는 입문·기본 강의 묶음입니다. 혁펜하임 특유의 비유와 그림 중심 설명 덕분에, 복잡해 보이던 개념들이 한 번 “꽂히면” 쉽게 잊히지 않는다는 점이 가장 큰 매력입니다.

 

'꽂히는 딥러닝' 강의는 2020년에 녹화되었으며, 최신본은 '이지 딥러닝'입니다. 하지만 '꽂히는 딥러닝'에는 조금 더 깊이있는 내용도 있기 때문에 '이지 딥러닝'을 본 후에 '꽂히는 딥러닝'을 보는 것도 의미가 있을것 같습니다.

 

[AI 인공지능 머신러닝 딥러닝] - 이지 딥러닝 - 혁펜하임 | Easy! 딥러닝 - 무료 강의 및 책 소개

이지 딥러닝 - 혁펜하임 | Easy! 딥러닝 - 무료 강의 및 책 소개

 

 

꽂히는 딥러닝

 

 

강의 소개

이 플레이리스트의 제작자는 딥러닝 입문서 <Easy! 딥러닝>의 저자로, 대학·기업 등에서 실습 중심 강의를 진행해 온 혁펜하임입니다.
​
“꽂히는”이라는 이름처럼, 공식을 암기시키기보다 직관이 먼저 들어오도록 구성한 딥러닝 강의 시리즈라는 점에서 기존 수업과 결이 조금 다릅니다.
​
​

구성: 딥러닝 기본기 풀코스

유튜브 재생목록에는 딥러닝의 큰 그림 설명부터, 소프트맥스 회귀·손실함수·최적화(예: Adam, AdamW)까지 이어지는 여러 개의 강의 영상이 순서대로 묶여 있습니다.
​
​

처음 보는 사람도 흐름을 따라갈 수 있도록, AI·머신러닝·딥러닝 차이, 규칙 기반 vs 데이터 기반, CNN·RNN 같은 대표 모델까지 입문 개념을 한 번에 훑어줍니다.
​

수업 스타일과 난이도

수학 공식만 나열하기보다, “머신이 동물을 어떻게 분류하는가”처럼 생활에 가까운 예시를 통해 소프트맥스 회귀나 다중 분류 문제를 설명하는 식의 직관 위주 설명이 많습니다.
​

선형대수, 미분 정도의 최소한의 배경지식이 있으면 더 편하게 들을 수 있지만, 완전 초보도 “AI가 어떻게 학습하는지”부터 차근차근 따라갈 수 있을 정도로 난이도를 조절해 두었습니다.
​

이런 사람에게 특히 추천

딥러닝 책을 펼쳤다가 수식에 질려 덮어본 적이 있거나, “한글로, 예시 위주로, 전체 흐름을 잡아 주는 강의”를 찾고 있는 학습자에게 잘 맞는 플레이리스트입니다.
​

코딩·실습 전에 개념을 단단히 다지고 싶은 대학생·직장인, 그리고 다른 전공이지만 AI 흐름을 이해하고 싶은 비전공자까지 모두 입문 코스로 활용할 수 있습니다.
​

이 블로그 글에서는 우선 꽂히는 딥러닝이 어떤 강의인지, 어떤 흐름으로 설명하는지 간단히 소개했습니다. 이제는 직접 플레이리스트를 재생해 보면서, 설명이 “언제 꽂히는지” 몸으로 느껴보면 좋을것 같습니다.

 

재생목록: https://youtube.com/playlist?list=PL_iJu012NOxdDZEygsVG4jS8srnSdIgdn&si=BexZ3TyFBh0IZ3Dl
​
​

 

 

 

강의 듣는 방법

위의 재생목록 링크를 눌러 재생목록 전체를 차례대로 따라가며 듣는 것을 추천하며, 이후에는 논문 읽기나 강화학습·컴퓨터 비전 같은 심화 강좌로 자연스럽게 확장해 갈 수 있을 것입니다.
​

플레이리스트는 “딥러닝 전체 흐름을 한 번에 잡는 것”을 목표로, 개념 큰 그림 → 핵심 수학과 알고리즘 → 대표 모델과 최적화 순서로 짜인 입문·기본 커리큘럼이다. 아래는 블로그에 바로 옮겨 쓸 수 있는 구성 요약입니다.
​

1. 딥러닝 큰 그림 잡기

“AI·머신러닝·딥러닝 숲을 한 번에 조망하면서, 딥러닝이 왜 뜨거운지부터 차근차근 짚어가는 시작 강의.”

 

인공지능·머신러닝·딥러닝의 차이, 규칙 기반 vs 데이터 기반 학습 등 전체 지형을 먼저 설명하면서 “딥러닝이 왜 필요한가”부터 출발합니다.
​
지도학습·분류·회귀 같은 기본 문제 설정을 소개하며, 이후에 나오는 신경망·손실함수·최적화가 어디에 쓰이는지 미리 감을 잡게 해 줍니다.
​

​

2. 인공 신경망과 학습 원리

퍼셉트론에서 시작해 다층 퍼셉트론(MLP) 구조, 활성화 함수, 은닉층의 역할 등 “딥”해진 신경망의 직관을 차근차근 쌓아 갑니다.
​

경사하강법, 역전파(backpropagation), 손실함수의 의미를 연결해 “파라미터가 어떻게 업데이트되며 모델이 점점 똑똑해지는지”를 따라가며 설명합니다.
​

3. 소프트맥스 회귀와 분류 문제

플레이리스트 대표 강의 중 하나인 소프트맥스 회귀 파트에서, 머신이 동물을 분류하는 예시를 통해 다중 분류, 확률 해석, 크로스 엔트로피 손실을 한 번에 다룬룹니다.
​

단순 이론 소개가 아니라 실제 분류 문제에 소프트맥스를 어떻게 적용하는지, 모델 출력과 “정답 레이블”이 손실함수 안에서 어떻게 만나는지를 시각적으로 보여 줍니다.
​
​

4. 최적화 알고리즘(Adam, AdamW 등)

기본 경사하강법에서 한 단계 나아가 모멘텀, Adam 같은 실무에서 자주 쓰이는 옵티마이저를 소개하고, 학습 속도·수렴 안정성 측면에서의 차이를 짚어 준다.
​
​

특히 AdamW와 같은 최신 최적화 기법을 별도 강의로 다루며, 가중치 감쇠(weight decay)와 일반화 성능의 관계를 직관적으로 설명해 주는 것이 특징입니다.
​
​

5. CNN·RNN 등 대표 모델로 확장

기본 완전연결 신경망을 넘어, 이미지에 강한 CNN·순차 데이터에 강한 RNN·시퀀스 모델 등 주요 아키텍처를 개념 위주로 훑어 보며 “모델 지형도”를 그려 줍니다.
​

각 모델이 어떤 데이터를 다루는지, 어떤 아이디어로 기존 한계를 넘었는지를 설명해 이후 컴퓨터 비전·자연어 처리·트랜스포머 같은 심화 주제로 자연스럽게 이어지도록 설계되어 있습니다.
​

 

 

강의별 내용 한줄 요약 및 난이도

각 강의는 “개념 직관 → 수학/공식 → 실제 딥러닝에 어떻게 쓰이는지” 흐름을 공통적으로 가지면서, 초보도 따라올 수 있게 난이도가 단계적으로 올라가도록 설계되어 있습니다.
​

딥러닝·AI 개요 파트

핵심 개념: AI vs ML vs DL, 규칙 기반 vs 데이터 기반, 딥러닝이 잘하는 문제 유형, 인공신경망의 큰 그림.

난이도: 고등학교 수학만 알아도 이해 가능한 난이도이며, “딥러닝 전에 전체 숲부터 보고 가는” 수준이라 완전 입문자도 부담이 적은 파트.
​
​

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 1강 선형 회귀, 경사 하강법

꽂히는 딥러닝 | 1강 선형 회귀, 경사 하강법

 

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 2강 인공 신경망과 활성화 함수

꽂히는 딥러닝 | 2강 인공 신경망과 활성화 함수

 

 

 

 

 

 

 

 

 

 

선형 회귀·기초 머신러닝 파트

“데이터·모델·손실함수·경사하강법을 한 줄로 꿰어서, 딥러닝 수식이 어디서 나오는지 보여주는 머신러닝 첫 단추 강의.”

 

핵심 개념: 선형 회귀, 손실함수(예: MSE), 파라미터와 가중치의 의미, 경사하강법 아이디어 등 딥러닝의 뼈대가 되는 기본 ML 개념.

난이도: 미분 기초가 살짝 등장하지만, 기하학적 직선·기울기 비유를 많이 써서 “수식이 아니라 그림으로 먼저 이해하는” 초급~초중급 수준.
​

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 3강 퍼셉트론과 MLP, 로지스틱 회귀와 이진 분류, 소프트맥스 회귀와 다중 분류

꽂히는 딥러닝 | 3강 퍼셉트론과 MLP, 로지스틱 회귀와 이진 분류, 소프트맥스 회귀와 다중 분류

 

 

 

 

 

​

인공 신경망 구조·역전파 파트

“퍼셉트론에서 MLP, 활성화 함수, 역전파까지 ‘신경망은 결국 함수’라는 관점을 몸에 새겨주는 핵심 구조 강의.”

 

핵심 개념: 퍼셉트론, 다층 퍼셉트론(MLP), 활성화 함수(Sigmoid·ReLU), 역전파(backpropagation), Universal Approximation 같은 이론적 뒷받침.
​

난이도: 수식 밀도가 조금 올라가는 구간으로, 딥러닝 입문자 입장에서는 중급 입구 느낌이지만, 비유·그림 설명 덕분에 “논문의 미분식까지는 아니어도 흐름은 잡는” 수준을 목표로 한다.
​

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 4강 엔트로피, 크로스 엔트로피, KL 다이버전스, 상호정보량 및 로지스틱/소프트맥스 손실, MLE, 분포 간 거리 같은 개념의 뿌리

꽂히는 딥러닝 | 4강 엔트로피, 크로스 엔트로피, KL 다이버전스, 상호정보량 및 로지스틱/소프트

 

 

 

​

분류·소프트맥스 회귀·크로스 엔트로피 파트

“시그모이드와 소프트맥스로, 딥러닝이 어떻게 확률을 뽑아내고 클래스를 고르는지 직관적으로 이해시키는 분류 입문 강의.”

“손실 지형을 어떻게 내려가야 모델이 똑똑해지는지, GD에서 Adam·AdamW까지 한 번에 정리하는 최적화 치트키 강의.”

 

핵심 개념: 이진 분류 vs 다중 분류, 소프트맥스 회귀, 확률 해석, 크로스 엔트로피 손실, 출력 층 설계와 레이블 표현(one-hot 등).
​

난이도: 입문·기초를 지나 “실제 딥러닝 모델이 분류를 어떻게 수행하는지”를 이해하는 단계로, 초중급~중급 사이 정도 난이도.
​

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 5강 벡터·행렬·복소수 미분을, 실제 최적화 문제에 바로 쓸 수 있는 형태로 정리

꽂히는 딥러닝 | 5강 벡터·행렬·복소수 미분을, 실제 최적화 문제에 바로 쓸 수 있는 형태로 정

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 6강 역전파 수식 → 현실적인 최적화(SGD, 모멘텀, RMSProp) → 현대 딥러닝의 기본 활성화(ReLU)

꽂히는 딥러닝 | 6강 역전파 수식 → 현실적인 최적화(SGD, 모멘텀, RMSProp) → 현대 딥러닝의 기본

 

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 7강 CNN, 컨볼루션·스트라이드·풀링·필터 뎁스·파라미터 공유의 구조적 이유, ResNet, VGG

꽂히는 딥러닝 | 7강 CNN, 컨볼루션·스트라이드·풀링·필터 뎁스·파라미터 공유의 구조적 이유, R

 

 

 

 

 

 

 

최적화 알고리즘(Adam·AdamW 등) 파트

“Vanishing gradient, 오버피팅 같은 고질병을 ReLU·BatchNorm·Dropout·Skip connection으로 정면 돌파하는 실전 안정화 강의.”

 

핵심 개념: 기본 경사하강법의 한계, 모멘텀, Adam, AdamW, 학습률·감쇠(weight decay)와 일반화 성능, 딥러닝 훈련이 실제로 어떻게 안정화되는지.
​
난이도: 개념 자체는 직관적으로 설명되지만, “왜 AdamW가 더 낫다고 하는지”까지 다루면서 이론+실무 감각을 동시에 요구하는 중급 수준.
​
​

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 8강 보편 근사 정리(Universal Approximation Theorem)

꽂히는 딥러닝 | 8강 보편 근사 정리(Universal Approximation Theorem)

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 9강 배치 정규화(Batch Normalization), Vanishing gradient

꽂히는 딥러닝 | 9강 배치 정규화(Batch Normalization), Vanishing gradient

 

 

 

CNN·RNN·딥러닝 모델 확장 파트

“Universal Approximation Theorem 등으로 ‘왜 딥러닝이 이렇게 잘 맞는지’를 이론으로 설득하는 표현력 깊이 파기 강의.”

“합성곱·패딩·스트라이드·풀링으로, 이미지 속 공간 정보를 어떻게 뽑아 먹는지 감각적으로 보여주는 컴퓨터 비전 입문 강의.”

“RNN에서 seq2seq, 어텐션과 트랜스포머까지, 시퀀스 데이터를 다루는 딥러닝 모델 계보를 한 호흡에 훑는 시퀀스 특집 강의.”

 

핵심 개념: CNN의 구조와 이미지 처리 아이디어, RNN의 시간/순차 데이터 처리, 깊은 신경망에서 생기는 문제와 BatchNorm·Skip connection(ResNet)·Regularization 개념 등.
​

난이도: 논문 레벨은 아니지만 다양한 모델과 테크닉이 한꺼번에 등장하는 구간이라, “입문을 끝내고 실전 딥러닝으로 넘어가는 문턱”에 해당하는 중급 난이도.
​

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 10강 Confusion matrix 혼동 행렬 한 칸 한 칸이 무슨 의미인지, 그리고 Precision·Recall·F1이 각각 언제 중요한지

꽂히는 딥러닝 | 10강 Confusion matrix 혼동 행렬 한 칸 한 칸이 무슨 의미인지, 그리고 Precision·Recall·

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 11강 CBOW와 Skip-Gram

꽂히는 딥러닝 | 11강 CBOW와 Skip-Gram

 

 

[AI 인공지능 머신러닝 딥러닝] - 꽂히는 딥러닝 | 12강 Adam과 AdamW의 차이

꽂히는 딥러닝 | 12강 Adam과 AdamW의 차이

 

 

​

 

 

이 블로그의 관련 글

[AI 인공지능 머신러닝 딥러닝/Python | PyTorch] - 인스톨! 파이토치 강의 소개 | 전체 강의 소개 및 0강 오레인테이션

인스톨! 파이토치 강의 소개 | 전체 강의 소개 및 0강 오레인테이션

 

 

 

[AI 인공지능 머신러닝 딥러닝/인공지능 수학] - 혁펜하임의 "보이는" 선형대수학 (Linear Algebra) | 인공지능, 머신러닝, 딥러닝 수학 무료 강의

혁펜하임의 "보이는" 선형대수학 (Linear Algebra) | 인공지능, 머신러닝, 딥러닝 수학 무료 강의

 

 

 

[AI 인공지능 머신러닝 딥러닝] - 혁펜하임의 “탄탄한” 컨벡스 최적화 (Convex Optimization) 강의 소개

혁펜하임의 “탄탄한” 컨벡스 최적화 (Convex Optimization) 강의 소개

 

 

 

[AI 인공지능 머신러닝 딥러닝/인공지능 수학] - 2025 인공지능·머신러닝 입문자를 위한 핵심 통계개념 완전정복 (1/2)

2025 인공지능·머신러닝 입문자를 위한 핵심 통계개념 완전정복 (1/2)