정규교과 커리큘럼 (데이터분석 및 MLOps + 생성형 AI)
Source: regular-curriculum-data-analysis-generative-ai Type: local document By: unknown Valid as of: 2026-04-27
Key Insight
데이터분석 및 MLOps(136h) + 생성형 AI(120h) 2개 과목, 총 256시간 정규교과 커리큘럼. Python·통계·ML/DL·MLOps → 생성형AI·LLM·VectorDB·RAG·Agent 단계적 역량 구성.
핵심 Takeaway
- 데이터분석 및 MLOps 과정: 7개 세부 교과목, 총 136시간 (2026-04-27 기준)
- 생성형 AI 과정: 6개 세부 교과목(Gen-1~Gen-6 대응), 총 120시간 (2026-04-27 기준)
- fastapi·docker가 모델 서빙 도구로 데이터분석 과정 내 16시간 편성
- RAG Pipeline(24h)·AI Agent 설계(24h)가 생성형 AI 과정의 심화 과목으로 배치
- 전체 256시간이 데이터분석 기초→ML/DL→서빙→생성형AI 단계적 구조로 설계됨
상세 요약
1. 데이터분석 및 MLOps (136시간)
2026-04-27 기준 7개 세부 교과목 구성.
| 세부교과목 | 편성시간 |
|---|---|
| 데이터 분석을 위한 Python 이해 | 24h |
| 데이터 분석 개요 및 기초통계 | 24h |
| 머신러닝 및 딥러닝 이해 | 24h |
| 모델 서빙을 위한 Python 심화, fastapi | 16h |
| 모델 개발 및 최적화 | 16h |
| MLOps 구성 및 모델 서빙 | 16h |
| 데이터 분석 Mini-project | 16h |
Python → 통계·EDA → ML/DL → FastAPI·Docker 서빙 → MLOps 순으로 역량을 쌓는 구조.
2. 생성형 AI (120시간)
2026-04-27 기준 6개 세부 교과목. 각 교과목은 wiki Gen-1~Gen-6 학습목표 페이지와 직접 대응.
| 세부교과목 | 시간 | 대응 Wiki 페이지 |
|---|---|---|
| 생성형 AI 기초 및 Prompt Engineering | 16h | gen-1-prompt-engineering-learning-objectives |
| LLM 모델 이해 및 활용 | 16h | gen-2-llm-finetuning-learning-objectives |
| Vector DB | 16h | gen-3-vector-db-learning-objectives |
| 생성형 AI 서비스 개발의 이해 (LangChain) | 24h | gen-4-langchain-learning-objectives |
| RAG Pipeline 설계 및 구축 | 24h | gen-5-rag-pipeline-learning-objectives |
| AI Agent 설계 및 구축 | 24h | gen-6-ai-agent-learning-objectives |
연결되는 위키 페이지
- gen-1-prompt-engineering-learning-objectives — 생성형 AI 기초·Prompt Engineering 학습목표
- gen-2-llm-finetuning-learning-objectives — LLM 모델 이해·활용 학습목표
- gen-3-vector-db-learning-objectives — Vector DB 학습목표
- gen-4-langchain-learning-objectives — LangChain 학습목표
- gen-5-rag-pipeline-learning-objectives — RAG Pipeline 학습목표
- gen-6-ai-agent-learning-objectives — AI Agent 설계·구축 학습목표
- fastapi — 모델 서빙 도구 (데이터분석 과정 편성)
- docker — 모델 서빙 도구 (데이터분석 과정 편성)
- agentic-ai-curriculum — 생성형 AI 커리큘럼 관련 개념