개발자를 위한 MLOps : 추천 시스템 구축부터 최적화까지

초격차 패키지

개발자를 위한 MLOps:
추천 시스템 구축부터 최적화까지

22개 기술 스택으로
한 번에 끝내는 MLOps

ML 입문부터 MLOps 까지
Kubeflow, VertexAI 등 지금 현업에서 사용하는
핫한 기술 스택으로 완벽 커버
35시간 실습으로 완성하는
추천 시스템 프로젝트

실무 수요 1위 ‘추천 시스템’ 프로젝트로
ML 모델 구현부터 MLOps
파이프라인 구축 및 운영 최적화까지
이미 시작된 AI 시대
백엔드 개발자의 Next Career

머신러닝이 처음이어도, Java 개발자여도
백엔드 개발 지식만 있다면 완강 가능!
[Starter Pack] + [개발자 출신 강사님] + [QnA]

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

기본 정보

∙ 6개 대주제, 140여개 강의 클립 (약 60시간 분량)
∙ 입문 - 실전

1. 선수지식 :
∙ 백엔드 기초 지식 (서버 운영/배포, 클라우드)
∙ 파이썬 프로그래밍 언어의 이해 (문법 및 프로그래밍 기초) - 부록 제공

2. 수강 대상 :
∙ 머신러닝을 시작하고 싶은 백엔드 개발자(약 2년차 이상 실무자)
∙ 자사의 서비스에 머신러닝을 도입할 때 백엔드 개발자로서 해당 프로젝트에 기여하고 싶은 사람

| 아래 채용 공고에 관심이 있는 자
  - BE 포지션이지만 MLOps 가 우대사항인 경우
  - AI Backend 포지션 혹은 AI 관련 부서의 Backend 포지션
  - MLOps 솔루션 or 플랫폼 개발을 위한 Backend 혹은 Software 개발자 포지션

강의 특징

∙ 수강료 1회 결제로 평생 소장
∙ 질의 응답 게시판 : Disscord / 2023.11.17~2026.10.15
∙ 부록 : 10시간 분량 파이썬 문법 강의
∙ 온라인 사전 설명회 : Youtube 라이브 / 2023.10.30 / 월 20~21시

백엔드 개발자라면 주목하세요!

현업의 MLOps Engineer
대부분이 백엔드 개발자 출신인 것을 아셨나요?

실제로 백엔드 개발자 채용 공고에서는 ML/MLOps 에 대한 이해를 요구하고
MLOps 엔지니어 채용 공고에서는 서비스 개발 경험 을 요구하고 있습니다.

이미 시작된 AI 시대.
내가 개발한 서비스에 언제 어떤 AI가 도입 될지 모릅니다.

백엔드 개발자의 Next Career를 위해 이제는 MLOps를 배워야 할 때!
패스트캠퍼스가 준비한 머신러닝 입문부터 MLOps까지

어디에서도 구할 수 없는
백엔드 개발자들을 위한 MLOps 이걸로 끝.

다시는 나오기 어려울 수준의 탄탄한 구성!
강사님 믿고 차근차근 따라만 오세요!

강의 하나로 MLOps 전 과정을 한 번에
MLOps에 꼭 필요한 22가지 기술 스택으로 완전정복!

머신러닝 모델의 라이프사이클을 전반적으로 이해하고,
실제 서비스에 적용할 수 있는 능력을 키우는데 필요한 필수 22가지 기술스택으로 총 60시간에 걸쳐 완벽하게 커버합니다.

백엔드 개발자를 위한 강의라고 해서, 얕게 배운다는 오해는 NO!
Kubeflow,VertexAI 등 지금 이 순간 현업의 MLOps 프로젝트에
사용되는 핵심 기술 스택으로 실무와 유사한 경험을 쌓아보세요!

★ 실무 수요 1위 ★

추천 시스템 프로젝트로
ML 모델 구현부터 MLOps 파이프라인 구축까지 전 과정 경험

백엔드 엔지니어가 가장 많이 접하게 되는 추천 시스템!
이를 영화추천으로 시작해 상품추천으로 마무리하며 실무 상황과 유사한 MLOps 파이프라인을 구축하고 최적화 합니다

왜 추천 시스템을 주제로 하나요? Click!

1. 실무에서 가장 많이 요구되는 분야
기업의 수익에 즉각적인 영향을 미치기 때문에 학계보다는 기업에서 최우선 과제로 선호되는 분야로
백엔드 엔지니어에게 많이 요구되는 분야입니다. 영화 추천 프로젝트로 시작해서,
상품 카테고리 추천 / 구매할 상품 추천 등 실제 실무에서 가장 자주 겪는 상황을 통해 학습합니다.

2. 엔지니어적으로 접근 & 해결하기 좋은 분야
머신러닝 문제를 엔지니어 적으로 접근해서 해결하는 방법을 서비스 운용 관점, 자동화, 인프라 운영, 최적화 등
적용하기 가장 좋은 분야가 추천 시스템이기 때문에 추천시스템으로 프로젝트를 선정했습니다.

학습 내용과 실무 상황을 담은
13 Step 프로젝트로 실무에서의 대응능력 UP!

Step1 | 데이터 처리 및 추천시스템 개발

Step2 | MLOps 파이프라인 구축하기

Step3 | ML 최적화 및 성능 개선하기

실무의 경험을 바탕으로 프로젝트를 기획하여
현업에서 사용하는 툴과 프레임워크를 활용해 체계적으로 진행합니다.

수강생을 100% 이해하는 백엔드 개발자 출신 강사님!

백엔드 개발자이자, 현 구글 ML GDE & MLOps Lead 엔지니어 직강

+ AI 교육에 진심인 개발자 한성민

한성민 강사님

∙ Google Developer Experts for ML
∙ AI 스타트업 MLOps Lead
∙ 네이버 클로바, 심심이 등
AI 서비스 개발 경험

이력

현) 뤼이드 MLOps Lead
현) GDE ML
현) GDG Organizer
전) 네이버 클로바 리서치 엔지니어
전) IGAWorks Software Engineer
전) 심심이 Software Engineer

LinkedIn GitHub Speaker

수강생에게 전하는 한마디
MLOps 영역에 첫 발을 들이신 수강생 여러분 환영합니다!
처음에는 낯설게 느껴지고 모든게 복잡할 수 있지만, 강의 과정을 믿고 하나하나 단계 거쳐나가다 보면 어느덧 금방 MLOps의 분야를
이해하시게 되고 발전하신 여러분의 커리어를 느끼시게 될 것입니다. 이 강의를 선택한 여러분의 앞으로의 행보는
MLOps 분야의 하나의 전문가로서의 길이 될 것이라고 믿습니다. 여러분의 흥미진진한 여정을 응원합니다!

수 많은 강연과 컨퍼런스 스피커를 통해 검증된 강의력과 실력

GDE 세션을 진행중인 강사님
ML 줌 강의를 진행중인 강사님
파이썬 컨퍼런스에서 연설중인 강사님
GopherCon 연설중인 강사님

PLUS+1

멘토링 경험이 풍부한 강사님께서,
고민이 많을 수강생을 위해 <온라인 강의 설명회>를 진행합니다!

백엔드 개발자의 진입장벽을 없애줄
머신러닝 스타터 PACK

기초 통계를 몰라도 OK ! 파이썬을 몰라도 OK !
이번 생에 머신러닝은 처음인 분들도 이번 강의 하나로 모두 따라올 수 있습니다!

오직 패캠에서만!
이것 저것 다른 강의 구매할 필요 없도록!
입문자에게 꼭 필요한 기초 과목까지 꽉꽉 눌러 담았습니다!

백엔드 개발은 익숙하지만
MLOps는 처음인 당신을 위해 준비한 맞춤형 커리큘럼!

머신러닝과 MLOps 두마리 토끼를 확실히 잡을 수 있도록
ML 기초부터 MLOps 심화 내용까지 5단계로 차근차근 실력을 쌓습니다.

▸▸ 옆으로 넘기면서 과정을 자세히 살펴보세요 ▸▸

다시 생각하기

한가지 문제도 MLOps에선 여러 방법으로 해결할 수 있습니다.
강의에서 “다시 생각하기” 파트를 통해 실제 실무에서 MLOps를 도입할 때 생기는 문제들을
다양한 관점에서 접근할 수 있는 진짜 실무의 힘을 길러드립니다.

다시 생각하기 01

• 다른 추천 알고리즘은 무엇이 있을까
• Latent Factorization(LF)
• Multi-armed bandit(MAB)
다시 생각하기 02

• 구글에서 명시한 MLOps 구현
레벨은 무엇일까?
• MLOps 아키텍처 선택 시 고려해야 할 사항
다시 생각하기 03

• 강의 내용 돌아보기
• 앞으로의 MLOps 트렌드
• 예상되는 변화에 대한 고찰

다시 나오기 힘든 구성!
현업 MLOps 전문가 8인이 극찬한 커리큘럼

백엔드 개발자 출신의 현업 MLOps Engineer들도,
머신러닝 엔지니어이자 연구원인 분들도 입을 모아 추천한 커리큘럼입니다.

Q&A 게시판

현직 MLOps 엔지니어와 직접 질의응답 까지 모두!

한성민 강사님과 직접 소통하는 창구가 마련됩니다.
강의를 듣다 오류가 생기면 바로 질문하세요!

* 질의 응답은 2023년 11월 17일부터 2025년 11월 15일까지 제공됩니다.

어디서도 볼 수 없는 강의 구성과 퀄리티는 Upgrade!
부담없이 머신러닝을 시작할 수 있도록 가격은 Downgrade

타사의 다양한 머신러닝 강의를 사 모으는 것보다,
백엔드 개발자 맞춤형으로 구성된 이 강의 하나를 듣는게 나을 거예요!

패스트캠퍼스의 MLOps 강의는?

Question 1.

어떤 분들이
수강하시면 좋을까요?

이 강의는 머신러닝을 시작하고 싶은 백엔드 개발자와 머신러닝를 이미 현업에서 사용하고 있으나 자동화와 효율화를 검토하고 있는 분들을 대상으로 합니다.

특히, MLOps로 성장하고자 계획하시는 백엔드 포지션, AI 관련 엔지니어링 포지션, 마지막으로 MLOps 포지션에 관심이 있거나 지원을 계획하는 분들에게 효과적일 것으로 기대합니다.

또한, 본인의 회사 서비스에 머신러닝을 도입하고자 하며 그 프로젝트에 백엔드 개발자로서 기여하고 싶은 분에게도 강의 수강을 권장합니다

Question 2.

필요한
선수지식이 있을까요?

수강생은 강의에 앞서, 부록으로 제공되는 파이썬 프로그래밍 언어에 대한 이해 및 문법과 프로그래밍 기초를 숙지하시기를 권장합니다.

또한, 백엔드 개발에 관한 기초 지식이 요구되는데, 예를들어 서버 운영 및 배포와 클라우드 관련 기술에 대한 지식이 포함됩니다. 

그 밖에 ML이나 통계 지식은 강의 내용에 포함되어 있어 요구되지 않고, 바로 강의를 수강하며 학습해나가실 수 있습니다.

Question 3.

개발 환경

∙ Google Colab (GPU 필요시, T4로 할당하여 작업)
∙ MacOS with MacBook M2 (Silicon)
∙ Visual Studio Code with Python Plugin (플러그인 설치는 별도 안내예정)
∙ Chrome Browser (웹 환경에서 무언가를 실행시켜야 할 때)
∙ FastAPI with Uvicornbr> ∙ BentoML 1.xx (lts)
∙ Google Cloud Platform (Free-tier $300내에서 사용 가능하도록)

Question 4.

강의 내에서 실습을 위한
환경이나 데이터가 제공되나요?

네, 강의에서는 약 [35시간] 분량의 실습 프로젝트를 진행하며,
필요한 데이터와 모델 예제 코드가 제공됩니다.

그리고 강의에서 다루는 도구와 플랫폼에 대해서도 사용법과 설정 방법이 제공됩니다.

Question 5.

MLOps에 대한 경험이 전혀 없는데
강의를 따라갈 수 있을까요?

네, 가능합니다.
이 강의는 MLOps에 대한 기본 개념부터 시작하여 점차 심화 내용을 다룹니다.

백엔드 개발 경험이 있고, 선수 지식을 갖춘 분들이라면 MLOps에 대한 경험이 없어도 강의 내용을 충분히 이해하고 따라갈 수 있습니다.

Question 6.

이 강의를 수료한 후
어떤 직무나 포지션으로 성장할 수 있을까요?

강의를 수료한 후, MLOps 분야로 구성된 직무인 MLOps 엔지니어 포지션, ML 엔지니어 포지션, AI 관련 부서의 백엔드 포지션을 바라보며 성장해나가실 수 있습니다.

Question 7.

강의 중 어려운 내용이나 이해하기 힘든 부분이
생긴다면 어떻게 해야 하나요?

강의 플랫폼 내에 질문 및 답변 세션을 통해 저와 직접 소통하거나
다른 수강생 분들과 이야기 나누며 도움을 받을 수 있습니다.
추가적으로, 강의 자료나 외부 참고 자료도 함께 제공될 것이므로 이를 활용하여
개념을 더 깊게 이해하는 데 도움을 받을 수 있습니다.

Question 8

강의를 수강하기 전에 강의에 대해서나
MLOps 관련 질문을 하고 싶은데 방법이 있나요?

네! 강의를 시작하기 전에, 고민이 많은 수강생들을 위한
<온라인 사전 설명회>가 진행됩니다.

이 설명회는 10월 30일 [여건에 따라 일정은 변경될 수 있음]에 YouTube 라이브를 통해 진행되며, 관심 있는 모든 분들이 무료로 신청하여 참여하실 수 있습니다.

설명회에서 강의 내용, 방향성, 수강생들의 FAQ 등에 대해 다룰 예정이니, 강의에 대한 궁금증을 해소하고자 하는 분들은 꼭 참석하셔서 질문과 고민을 나누시길 바랍니다!

커리큘럼

아래의 모든 강의를 초격차 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!

Part 0. 강의 소개

01. 강의 소개

∙ 백엔드 엔지니어를 위한 MLOps 강의 소개

Part 1. 머신러닝 엔지니어 기본기

01. 시작하며: 머신러닝 엔지니어의 역할과 트랜드

∙ 머신러닝 엔지니어란 무엇인가?
∙ 머신러닝과 딥러닝의 차이
∙ 오늘날의 머신러닝 트랜드
∙ 머신러닝 엔지니어링을 위한 환경 설정

02. PyTorch 시작하기

∙ PyTorch의 기본 구조와 특징
∙ Tensor Manipulation 기본
∙ TorchServe를 이용한 인퍼런스
∙ Lightning AI

03. MNIST로 시작하는 모델 학습과 서빙

∙ MNIST 데이터셋의 이해
∙ Convolutional Neural Network(CNN)의 원리
∙ 모델 학습 전략
∙ 모델 성능 평가 및 인퍼런스
∙ 자세히 살펴보기: 피드 포워드(Feedforward) 및 전파(Backpropagation)

04. 개발자를 위한 간단한 통계

∙ 통계 수학의 소개 및 필요성
∙ 기초 통계량: 평균, 중앙값, 분산, 표준편차
∙ 확률 이론의 기초: 조건부 확률과 베이즈 이론
∙ 주요 확률 분포: 정규분포, 이항분포와 응용
∙ 최대 가능도 추정법 (Maximum LikelihoodEstimation, MLE)
∙ 과적합과 편향-분산 트레이드오프

05. Pandas, Dask를 이용한 데이터 전처리

∙ Pandas 기초
∙ 데이터 변환 및 집계
∙ Dask, 대용량 데이터 처리에 대해서 생각하기
∙ Apache Arrow 소개 및 전처리 효율화

06. 모델 평가

∙ 모델 평가의 필요성
∙ 분류 모델의 성능
∙ 회귀 모델의 성능
∙ 과적합과 교차 검증
∙ 기타 평가 방법 및 실무자를 위한 팁

07. 모델 패키징 및 배포

∙ 모델 저장 형식과 변환
∙ Docker를 활용한 모델 패키징
∙ 모델 배포 전략
∙ 실무에서 사용하는 모델 배포 프로세스
∙ 모델 레지스트리에 대하여

Part 2. 실습 프로젝트: 영화 추천 모델 구현하기

01. Collaboration Filtering (CF) 추천 알고리즘 원리 이해

∙ 추천 시스템의 역사 및 CF의 등장 배경
∙ CF의 기본 원리 및 구성 요소
∙ CF의 종류별 유사도 판단 기준 (사용자 기반 vs 아이템 기반)
∙ 실제 서비스에서의 CF

02. Matrix Factorization 및 유사도 함수

∙ 행렬 분해의 기본 원리
∙ Singular Value Decomposition(SVD) 이해 및 활용
∙ Cosine Similarity와 Jaccard Similarity 비교
∙ Implicit Feedback과 Matrix Factorization

03. KNN 기반 추천 알고리즘

∙ KNN 알고리즘의 기본 원리
∙ KNN을 활용한 사용자 기반 추천
∙ KNN의 장단점 및 성능 최적화

04. 모델 성능 평가 및 모니터링

∙ 주요 평가 지표: RMSE, MAE, Precision, Recall
∙ ROC Curve와 AUC의 이해
∙ 실시간 모델 모니터링 방법
∙ 모델의 성능 저하 시 대응 전략

05. 모델 패키징 및 배포: Torch Serve, BentoML Pipeline

∙ BentoML 파이프라인 소개
∙ 실제 서비스 환경에서의 배포 전략
∙ 모델 버전 관리와 롤백 전략

06. 다시 생각하기: 다른 추천 알고리즘은 무엇이 있을까?
: Latent Factorization(LF), Multi-armed bandit(MAB)

∙ Latent Factorization (LF) 알고리즘 소개
∙ LF 기반의 Matrix Factorization
∙ Multi-armed bandit (MAB) 알고리즘 이해
∙ MAB의 활용 사례와 장단점
∙ LF와 MAB를 결합한 추천 전략

Part 3. MLOps 기본기

01. 시작하며: MLOps 엔지니어의 역할과
ML 엔지니어와의 차이점

∙ MLOps 엔지니어란 무엇인가?
∙ MLOps와 DevOps의 비교
∙ MLOps의 발전 배경
∙ 통합과 연속성의 중요성

02. 기본기 쌓기: MLOps Landscape

∙ MLOps 생태계의 도구 및 서비스 개요
∙ 핵심 MLOps 프로세스
∙ MLOps에서의 데이터 관리
∙ CI/CD 파이프라인 in MLOps
∙ 모델의 전체 수명 주기 관리

03. 기본기 쌓기: 도커 및 컨테이너 기술

∙ 도커의 기본 개념
∙도커 이미지와 컨테이너
∙간단한 프로그램 Dockerfile 작성
∙도커 볼륨 및 마운트
∙MLOps에서의 도커 활용

04. 기본기 쌓기: 데이터 레이크와 데이터 웨어하우스

∙ 데이터 웨어하우스 아키텍처 이해
∙ 데이터 레이크 vs 데이터 웨어하우스
∙ 빅쿼리 시작하기
∙ 데이터 수집 전략

05. 기본기 쌓기: 데이터 품질 및 데이터 셋 관리

∙ 데이터 품질의 중요성
∙ 데이터 품질 평가 지표
∙ 데이터 셋 버전 관리
∙ 데이터 셋 레이블링 및 검증
∙ 데이터 드리프트 및 품질 보장 전략

06. 기본기 쌓기: Google Cloud Platform과 Vertex AI

∙ Google Cloud Platform(GCP) 개요
∙ Vertex AI의 핵심 기능
∙ GCP에서의 모델 학습 및 배포
∙ Vertex AI와 다른 GCP 서비스와의 연동
∙ GCP에서의 모델 모니터링 및 관리

07. 기본기 쌓기: 온/오프라인 모델 모니터링 시스템

∙ 온라인 vs 오프라인 모니터링
∙ 모니터링 도구 및 시스템 소개
∙ 알림 및 자동화 전략
∙ 모델 성능 저하 대응 전략

Part 4. MLOps 실습 프로젝트

01. 데이터 파이프라인 구성하기: Dataflow, Airflow, 그리고 BigQuery를 연동하여 데이터 프로세싱

∙ Dataflow 기본 개요
∙ Airflow와의 연동
∙ BigQuery 연동 전략
∙ 실제 파이프라인 구성 데모
∙ 데이터 파이프라인 최적화 팁

02. 학습 파이프라인 구성하기: VertexAI를 이용한 학습 자동화 시작하기

∙ 학습 파이프라인 구성 1: 시작하기
∙ 학습 파이프라인 구성 2: 학습 실행
∙ 학습 파이프라인 구성 3: 인퍼런스

03. MLFlow 모델 레지스트리와 오프라인 모델 평가

∙ MLFlow 모델 레지스트리 소개
∙ MLFlow를 활용한 모델 관리 전략
∙ 모델 평가 지표 및 대시보드 활용

04. 모델 패키징 및 배포: VertexAI와 Continuous Deployment (CD)

∙ VertexAI를 활용한 모델 배포
∙ Continuous Deployment (CD) 소개
∙ CD 파이프라인 구성 예시
∙ 배포 후의 모델 관리 전략

05. 온라인 모니터링: 로그 파이프라인 구성하기

∙ 온라인 모니터링의 필요성
∙ 로그 파이프라인 기본 구성
∙ 로그 데이터의 분석 및 활용

06. 다시 생각하기: 구글에서 명시한 MLOps 구현 레벨 및 아키텍처 검토

∙ MLOps 구현 레벨 개요
∙ MLOps 아키텍처 구성 요소
∙ 아키텍처의 선택 및 최적화

Part 5. MLOps 심화

01. Kuberflow 도입하기: DSL, Katib, KServe, Notebook 둘러보기

∙ Kubeflow 기본 소개
∙ Kubeflow DSL
∙ Katib의 역할
∙ KServe로 모델 서빙하기
∙ Notebook 환경 설정 및 활용

02. 모델 최적화: 하이퍼 파라미터 튜닝과 Ray Tune

∙ 하이퍼 파라미터 튜닝 개요
∙ Ray Tune 소개
∙ Ray Tune 활용 예제
∙ 하이퍼 파라미터 튜닝 결과 분석

03. 모델 최적화: Quantization, PyTorch Pruning

∙ Quantization 개념 및 이점
∙ PyTorch에서의 Quantization 실습
∙ Pruning 소개
∙ PyTorch Pruning 실습

04. 학습 최적화: torch.distributed를 통한 병렬 연산 수행

∙ 병렬 연산의 필요성
∙ torch.distributed 기본 소개
∙ 병렬 연산 실습 및 벤치마크

05. 데이터 파이프라인: Feast를 통한 Feature Store 실습하기

∙ Feature Store 개요
∙ Feast 소개
∙ Feast를 활용한 Feature Store 구축

06. 지속적인 운영: Feature Drift에 대응하기

∙ Feature Drift 개념
∙ Feature Drift 감지 전략

07. 다시 생각하기: 강의 내용 돌아보기,
앞으로의 MLOps에 대해서

∙ 강의 주요 내용 복습: Part 1
∙ 강의 주요 내용 복습: Part 2
∙ 강의 주요 내용 복습: Part 3
∙ 강의 주요 내용 복습: Part 4
∙ 강의 주요 내용 복습: Part 5
∙ MLOps의 미래 전망

무료 제공. 파이썬 문법

01. 컴퓨터 과학과 프로그래밍 소개

∙ 강의 소개
∙ 컴퓨터 과학의 정의와 중요성
∙ 프로그래밍 언어란?
∙ 파이썬 소개
∙ 파이썬 설치와 개발환경 구축하기
∙ 첫 번째 파이썬 프로그래밍

02. 변수와 데이터타입

∙ 변수의 개념과 활용
∙ 데이터 타입 (1): 정수형, 실수형, Boolean
∙ 숫자형 변수 활용하기: 사칙연산
∙ 데이터 타입 (2): 문자
∙ (심화) 문자열 변수 활용하기

03. 자료구조

∙ 자료구조란?
∙ 대표적인 자료구조
∙ 파이썬의 자료구조: 리스트
∙ 파이썬의 자료구조: 튜플
∙ 파이썬의 자료구조: 딕셔너리
∙ 파이썬의 자료구조: 세트
∙ (심화) 자료구조 활용 실습하기

04. 흐름제어 (조건문, 반복문, 예외처리)

∙ 조건문의 기본 개념
∙ 조건문 활용하기
∙ 반복문의 기본 개념
∙ 반복문 활용하기
∙ 예외처리의 기본 개념
∙ 예외처리 활용하기
∙ (심화) 스토리에 맞는 프로그램 작성하기

05. 함수와 모듈

∙ 함수의 개념과 활용
∙ 함수 매개변수와 반환
∙ 모듈과 라이브러리 활용
∙ (심화) 라이브러리 명세서 읽어보기

06. 객체 지향 프로그래밍

∙ 객체지향 프로그래밍이란?
∙ 객체와 클래스
∙ 클래스 정의와 객체 생성
∙ 객체와 메소드
∙ 상속과 다형성
∙ 객체지향 프로그래밍 심화

07. 알고리즘

∙ 알고리즘 소개
∙ 대표적인 알고리즘들
∙ 정렬 알고리즘
∙ 알고리즘의 성능: 복잡도

08. 정규표현식

∙ 정규 표현식이란?
∙ 정규 표현식 사용하기
∙ 정규 표현식 활용하기

상세 커리큘럼.

자세한 커리큘럼 및 내용은 여기서 확인하세요!

자세히 보기 »

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 수강 신청 및 결제를 완료하시면, 마이페이지를 통해 바로 수강이 가능합니다.

총 학습기간:
– 정상 수강기간(유료 수강기간) 최초 2개월(60일), 무료 수강 기간은 61일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
– 본 패키지는 약 60시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일: 수강 시작일은 결제일로부터 기간이 산정되며, 결제를 완료하시면 마이페이지를 통해 바로 수강이 가능합니다. (사전 예약 강의는 1차 강의 오픈일)
– 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.
– 일부 강의는 아직 모든 영상이 공개되지 않았습니다. 각 상세페이지 하단에 공개 일정이 안내되어 있습니다.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

[강의 관련 주의사항]
백엔드 기초 지식 (서버 운영/배포, 클라우드) 및 파이썬 프로그래밍 언어( 문법 및 프로그래밍 기초)를 이해한 수강생에게 권장드리는 강의입니다.
– 최소 사양 안내 : CPU 싱글코어 2GHz 이상. Windows 7+ / macOS 10.12(Sierra) 이상 권장. Memory는 위 기재된 OS 버전에서 요구하는 최소 요구량 이상으로 수강을 권장드립니다.

– 본 강의는 유료 실습 비용이 발생합니다.
| 각 비용은 다음과 같습니다.
∙ Google Cloud Platform (Free-tier $300내에서 사용 가능하도록)

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 초과, 5강 이상 수강 시 정상 수강기간(유료 수강기간) 대비 잔여일에 대해 다음과 같이 환불 가능합니다.
환불요청일 시 기준
: 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

root layout