1. Python 프로그래밍
2. Python 전처리 및 시각화
3. 머신러닝과 딥러닝
4. 자연어 및 음성 데이터 활용 및 모델 개발
5. 음성 데이터를 활용한 TTS와 STT 모델 개발
6. 거대 언어 모델을 활용한 자연어 생성
7. 프롬프트 엔지니어링
8. LangChain 활용하기
9. RAG 기반 생성형 AI 애플리케이션 구현
10. LLMOps (신규 추가)

1. 이론을 너무 깊게 들어가기보다 “어떻게 쓰는지” 중심, 실습 위주, API 활용 중심
2. 이 과정은 AI 가 Teacher 이고, 강사는 말그대로 실무 중심의 Tutor 임.
3. 상기 1 ~ 3 의 과목은 기본 PL 연습과 단어 이해 중심(취업 인터뷰 시 대응 목적)
4. Python 코드 백엔드 + 바닐라 html FE 의 멀티모달 Serving
5. 모델 호출/파이프라인 설계, 클라우드 기반, On Prem 환경 기반 ( Docker, k8s 응용 )
6. LangChain/RAG 아키텍처 이해

1. Open AI 기반 Codex 연동으로 No Code 중심으로 py 파일 생성 및 관련 py 파일을 API 로 서빙할 수 있도록 구성
2. 강사, 학생간 학습에 필요한 내용을 git 으로 Pull Request 하여 본 repo 의 RAG 에 구성
3. Slack 을 통한 클래스 참여자 간의 정보 공유, 총 500개로 분류한 각 클래스(매 학습 시간 단위) 별 10~20분간 강사 지도, 이후 개인별 실습진행
4. 학생 각자 개인별 repo 를 20개 이상 구성 하여, 빌드업, 개인 취업 용 증적으로 사용
5. 기본 example 성격의 py 실행 및 결과 확인, 각자 결과에 대해 QnA를 AI 기반 질의, 검증 및 md 파일 포맷으로 정리
6. Agent 유사기능, 챗봇 유사기능 활용을 위해 fastapi , uvicorn , html 로 서빙 테스트

1. 비전공, 미취업, PL 경험 없는 초급의 경우 문서 위주, Python 위주의 생성과 API 사용법 위주 문서 정리
2. 전공, 취업 및 실무 유경험자는 수업 외 유사 git repo 로 개별 학습 - AI 바이브 코딩 혹은 No code 중심으로 실행 모듈 단위로 개인별 테스트
3. 예를들어 프롬프트로 질의할때 " 나는 javascript 는 조금 공부해서 문법을 아는데, 파이썬은 왜 name == "main" 이렇게 언더바를 두번 사용해? " 라는 식으로 질의 및 답변을 메모
4. 예를들어 프롬프트로 질의할때 " example1.py 의 결과가 이상한데, 해당 클래스 내용에 맞게, 다시 생성해서 실행하고, 모든 라인에 주석으로 상세히 설명 달아줘 " 라는 식으로 수정하면서 내재화(본인만의 knowledge에 맞도록 메모)
5. 모든 문서는 MarkDown md 포맷으로 작성되며, 모든 산출물은 git repo 로 저장, 모듈 작업은 docker 로 구성, docker hub 로 공유
6. VS Code 사용 및 각 git repo 마다 github actions 를 통한 트리거 구성
7. 클라우드는 AWS 기반으로 서빙, 배포, AWS ML 리소스 사용
8. 우수학생의 평가는 개인별로 매일 산출물에 해대 10k byte 이상의 결과물을 만들어가는 양적인 성실성으로 평가.

최종 목표: Agent/ 폴더의 실제 시스템 구축을 단계별로 연습하는 개발자 중심 커리큘럼 (540개 고유 학습주제)

첨부 커리큘럼의 정규교과 520시간 + LLMOps 20시간 기준으로 세분화한 교육 저장소이며, 540개 클래스의 학습주제를 모두 고유하게 구성했습니다.
class001부터 class500은 기존 정규교과, class501~class520은 LLMOps 심화 과정, 프로젝트 과목은 루트의 3개 독립 앱(VoiceModelBuilder, PersonaLLMResponder, PersonaKnowledgeCustomizer)으로 운영합니다.

• 540개 차시 classXXX.md 자동 정비 (class001~class520)
• 교과목/학습주제 용어 해설(문법, 한글·한자, 영어, 기술 설명) 반영
• 각 차시별 서로 다른 Mermaid Flowchart 생성
• 각 차시별 Flow를 **PNG 캡처 이미지(classXXX_flow.png)**로 생성 및 md 참조 연결
• 예제/퀴즈/런처/웹 서빙 파일 체계 정비

• Language: Python 3.10+ (권장 3.11)
• Data/ML: numpy, pandas, matplotlib, scikit-learn
• API/Serving: fastapi, uvicorn, pydantic
• AI/LLM: langchain, langchain-community, langgraph
• Speech: pyttsx3, SpeechRecognition
• Utility: requests, Pillow
• Docs: Markdown, Mermaid
• Dev Tools: VS Code, Git, GitHub, ChatGPT, Codex
• Optional Infra: Docker, Docker Compose (RAG/LLM 실습용)

• 과목별 상위 폴더(영문 camelCase) 아래에 classXXX/ 배치
• classXXX/ 기본 구성(모든 과목 공통)
  • classXXX.md: 자기주도 학습 가이드
  • classXXX_flow.png: 차시 흐름도 PNG
  • classXXX.py: 실행 런처
  • classXXX_example1.py ~ classXXX_example5.py: 단계형 실습 예제
  • classXXX_solution.py: 정답/레퍼런스 코드
  • classXXX_quiz.html: 퀴즈
  • instructor_notes.md: 강사용 노트
• 웹 실습 구성(pyBasics 제외 과목 공통)
  • server.py: FastAPI 백엔드(예제 실행/소스 조회 API)
  • client.html: Vanilla JS + Tailwind 기반 실습 UI
• 보조/운영 파일
  • tools/: 콘텐츠 재생성/검증 스크립트
  • docs/: 운영 가이드/채점 가이드/부가 문서
  • curriculum_index.csv: 전체 차시 인덱스
  • VoiceModelBuilder/, PersonaLLMResponder/, PersonaKnowledgeCustomizer/: 프로젝트 독립 앱(FastAPI + Vanilla JS + Docker)
  • project/: 프로젝트 인덱스/매니페스트

학습 목표:

• LLM의 구조와 개념 이해
• 생성형 AI가 텍스트를 만드는 방식 이해
• API 또는 오픈모델 기반 자연어 생성 실습
• 서비스형 AI 기능 구현 역량 확보

학습 목표:

• RAG의 필요성과 구조 이해
• 외부 문서를 검색해서 LLM 답변 품질 개선
• 벡터DB, 임베딩, 검색 파이프라인 개념 습득
• 사내 문서 Q&A 시스템 구현 역량 확보

학습 목표:

• LLMOps 개념과 DevOps/MLOps와의 차이 이해
• 프롬프트 버전관리·A/B 테스트 역량 습득
• LLM 서비스 품질 평가 자동화 파이프라인 구성
• Prometheus/Grafana 기반 모니터링·관측성 실습
• CI/CD·Blue-Green·Canary 기반 LLM 배포 자동화 구현

• 기준 문서: OPS개념.md
• VoiceModelBuilder: 개인 맞춤 코칭 음성 모델 구축(프로필/학습 품질/합성 프리뷰)
• PersonaLLMResponder: 거대 언어 모델 기반 PERSONA 답변 기능 구현(페르소나 규칙/응답 생성)
• PersonaKnowledgeCustomizer: 사전 데이터 기반 PERSO 답변 커스텀(지식 업서트/검색/근거 기반 응답)

• 공공데이터포털(data.go.kr) OpenAPI: 교통/환경/인구 등 API 수집, 전처리, 시각화, 예측 실습
• AI Hub(한국지능정보사회진흥원) 데이터셋: 한국어 텍스트/음성 데이터 기반 NLP·STT·TTS 모델 실습
• 권장 방식: 수집기(배치) + 추론 API(실시간) + 대시보드(모니터링)로 구성해 OnPrem/AWS 모두 배포

• 원칙: 태그는 latest 고정보다 안정 버전 태그를 명시해 재현성 유지
• 권장: 학습 단계(로컬 Docker Compose) → 운영 단계(Kubernetes/EKS)로 승격
• 공식 참고 링크:
  • PyTorch Docker Hub: https://hub.docker.com/r/pytorch/pytorch
  • TensorFlow Serving Docker 가이드: https://www.tensorflow.org/tfx/serving/docker
  • NVIDIA Triton 컨테이너(공식): https://docs.nvidia.com/deeplearning/triton-inference-server/user-guide/docs/customization_guide/deploy.html
  • MLflow Docker 이미지(GHCR): https://github.com/mlflow/mlflow/pkgs/container/mlflow
  • Apache Airflow Docker Compose Quick Start: https://airflow.apache.org/docs/apache-airflow/stable/howto/docker-compose/index.html
  • KServe(쿠버네티스 모델서빙): https://kserve.github.io/website/latest/
  • Prometheus Docker 설치: https://prometheus.io/docs/prometheus/latest/installation/
  • Grafana Docker 설치: https://grafana.com/docs/grafana/latest/setup-grafana/installation/docker/

1. MLOps: 데이터/코드/모델 버전관리, 학습-검증-배포 자동화, 모델 레지스트리 운영
2. Model Serving: FastAPI + TF Serving/Triton/KServe 중 용도별 선택
3. Observability(AIOps): Prometheus 메트릭, Grafana 대시보드, 로그/알람 기반 이상탐지
4. Reliability: 롤백 가능한 배포 전략(Blue-Green/Canary), SLO·에러버짓 기반 운영
5. Runbook: 장애 재현 절차, 복구 체크리스트, 운영 인수 문서화

• 한 줄 요약
  • DevOps: 소프트웨어 전달 프로세스 자동화
  • MLOps: 모델 생명주기(학습-배포-운영) 자동화
  • AIOps: 운영 자체를 AI로 지능화해 장애 대응 자동화

• 수업에서 사용하는 Docker 이미지 목록: 도커목록.md
• 화면 캡처 표준: mcr.microsoft.com 계열 Docker 이미지를 사용해 캡처 수행

1. https://code.visualstudio.com 접속
2. 운영체제별 설치 파일 다운로드/설치
3. 실행 후 File > Open Folder로 저장소 열기

1. https://github.com 가입
2. 이메일 인증
3. 프로필 기본 설정(사용자명/이메일)

1. https://chatgpt.com 접속
2. 이메일 또는 소셜 계정으로 가입
3. 계정 인증 완료 후 기본 프로필 설정
4. 프로젝트 학습용 대화 폴더(예: Python-AI-Agent-Class)를 만들어 관리

1. https://git-scm.com/downloads 설치
2. 버전 확인

git --version

3. 사용자 정보 등록

git config --global user.name "YOUR_NAME"
git config --global user.email "[email protected]"

1. https://www.python.org/downloads 설치
2. Windows 설치 시 Add Python to PATH 체크
3. 버전 확인

python --version

1. https://www.docker.com/products/docker-desktop 설치
2. 실행 후 버전 확인

docker --version
docker compose version

아래는 일반적인 연동 절차입니다. 사용 중인 IDE/플러그인 배포 형태에 따라 메뉴명은 다를 수 있습니다.

1. VS Code에서 Codex 관련 확장(또는 에이전트 통합 기능) 설치
2. 확장 설정에서 Sign in 또는 API Key 입력 방식 선택
3. OpenAI 계정으로 로그인하거나 API Key 등록
4. Workspace(현재 저장소) 권한/모델 설정 확인
5. 테스트 프롬프트로 연결 상태 점검

API Key 사용 시(선택):

# Windows PowerShell
$env:OPENAI_API_KEY="YOUR_KEY"

# Linux/macOS
export OPENAI_API_KEY="YOUR_KEY"

1. 관리자 권한 PowerShell 실행
2. WSL 설치

wsl --install

3. 재부팅 후 설치 상태 확인

wsl --status
wsl -l -v

1. Microsoft Store에서 Ubuntu 설치(권장: Ubuntu 22.04 LTS 이상)
2. 또는 PowerShell에서 직접 설치

wsl --list --online
wsl --install -d Ubuntu

3. 최초 실행 후 Linux 사용자 계정 생성
4. Ubuntu 버전 확인

lsb_release -a
uname -a

아래는 Docker Engine을 Ubuntu(WSL) 내부에 직접 설치하는 절차입니다.

1. 패키지 인덱스 갱신 및 필수 도구 설치

sudo apt update
sudo apt install -y ca-certificates curl gnupg

2. Docker 공식 GPG 키/저장소 등록

sudo install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
sudo chmod a+r /etc/apt/keyrings/docker.gpg
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(. /etc/os-release && echo $VERSION_CODENAME) stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

3. Docker Engine 설치

sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

4. 권한 설정(재로그인 필요)

sudo usermod -aG docker $USER
newgrp docker

5. 설치 확인 명령

docker --version
docker compose version
docker run hello-world

1. https://aws.amazon.com/ko/ 에서 계정 생성
2. IAM 사용자/그룹 생성, MFA 설정, 액세스 키 발급(루트 계정 키 사용 금지)
3. aws configure로 로컬 개발 환경 연결

aws configure
aws sts get-caller-identity

1. 데이터 저장: Amazon S3
2. 모델 학습/실험: SageMaker 또는 EC2 기반 학습 노드
3. 추론 API: ECS/Fargate, EKS, Lambda + API Gateway 패턴 비교
4. 운영 모니터링: CloudWatch 로그/메트릭/알람

• 예시 라이브러리: fastapi, uvicorn, pydantic, langchain, langgraph
• 공통 패턴

1. requirements.txt 고정
2. Docker 이미지 빌드
3. OnPrem 또는 AWS(ECS/EKS) 배포
4. 헬스체크/로그/알람 설정

1. K8s 기본 리소스: Deployment, Service, ConfigMap, Secret, HPA
2. EKS 실습: 클러스터 생성, 노드그룹 구성, Ingress/NLB 연결
3. 배포 전략: Rolling Update, Blue-Green, Canary
4. 장애 대응: Pod 재시작 정책, 리소스 제한, 오토스케일링

• Python (ms-python.python)
• Pylance (ms-python.vscode-pylance)
• Jupyter (ms-toolsai.jupyter) - 선택
• Markdown All in One (yzhang.markdown-all-in-one)
• Markdown Preview Mermaid Support (bierner.markdown-mermaid)
• Live Server (ritwickdey.LiveServer) - 퀴즈 HTML 빠른 실행용
• Docker (ms-azuretools.vscode-docker) - Docker 실습 시
• Git Graph (mhutchie.git-graph) - 선택

설치 방법:

1. VS Code 좌측 Extensions (Ctrl+Shift+X)
2. 확장 이름 검색
3. Install

1. VS Code Extensions (Ctrl+Shift+X)에서 Live Server (ritwickdey.LiveServer) 설치
2. 원하는 퀴즈 파일 열기 (예: pyBasics/class001/class001_quiz.html)
3. 에디터 우측 하단 Go Live 클릭
4. 브라우저에서 자동으로 열린 주소에서 퀴즈 풀이
5. 정지할 때는 하단 상태바의 Port:5500(또는 Go Live) 클릭

보안/개인정보 보호를 위해 아래 이미지는 가상 아이디 기반 모의 캡처입니다.

• .md는 Markdown 문서 포맷
• 코드, 표, 체크리스트, Mermaid 다이어그램을 텍스트 기반으로 관리

• VS Code에서 파일 열고 Ctrl+Shift+V (미리보기)
• 또는 Ctrl+K 후 V (옆 미리보기)

• Mermaid 자체 사용은 가입이 필요 없음
• VS Code 미리보기 또는 GitHub 렌더링으로 바로 확인 가능
• 선택: 협업형 편집이 필요하면 https://www.mermaidchart.com 가입 사용 가능

cd C:\DevOps\Python-AI_Agent-Class
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
pip install -r requirements.txt

cd /path/to/Python-AI_Agent-Class
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
pip install -r requirements.txt

• venv는 프로젝트마다 독립된 Python 실행 환경을 만드는 기능입니다.
• 이 저장소에서는 .venv/ 폴더가 그 가상환경이며, 내부에 전용 Python 실행 파일과 전용 패키지가 설치됩니다.
• 전역(PC 전체) Python과 분리되므로 다른 프로젝트와 패키지 버전 충돌을 줄일 수 있습니다.

왜 필요한가요?

• 프로젝트별 패키지 버전을 분리해 충돌을 방지합니다.
• 팀원/수강생이 같은 requirements.txt로 유사한 실행 환경을 재현할 수 있습니다.
• 시스템 Python을 오염시키지 않아 실습 실패 복구가 쉽습니다.
• 수업 중 에러 원인(코드 문제 vs 환경 문제)을 더 빠르게 분리할 수 있습니다.

• __pycache__/: Python 실행 중 생성되는 바이트코드 캐시 폴더입니다.
• *.pyc: __pycache__/ 내부에 생성되는 캐시 파일입니다.
• .venv/: 프로젝트 전용 가상환경 폴더입니다(직접 생성).
• .pytest_cache/, .mypy_cache/, .ruff_cache/: 테스트/정적분석 도구 캐시입니다.

학습 포인트:

• __pycache__(가끔 __pychach로 오타)와 각종 캐시 폴더는 오류가 아니라 정상 동작 결과입니다.
• 캐시는 지워도 다시 생성되며, 실행 성능을 돕는 임시 데이터입니다.
• 이 저장소는 .gitignore에 위 폴더들을 포함해 Git 추적에서 제외합니다.

현재 파일은 데이터/ML + LLM/RAG + 웹 서빙 실습을 함께 실행하기 위한 패키지 중심입니다.

pandas>=2.0
numpy>=1.26
matplotlib>=3.8
scikit-learn>=1.4
requests>=2.31
fastapi>=0.115
uvicorn>=0.30
pyttsx3>=2.90
SpeechRecognition>=3.10
langchain>=0.3
langchain-community>=0.3
langgraph>=1.0
Pillow>=10.0

패키지 용도:

• pandas, numpy: 데이터 전처리/수치 계산
• matplotlib: 시각화
• scikit-learn: ML 기초 실습
• requests: API 호출
• fastapi, uvicorn: 클래스 단위 웹 실습 백엔드 서빙
• pyttsx3, SpeechRecognition: TTS/STT 실습
• langchain, langchain-community, langgraph: LLM/체인/RAG/에이전트 실습
• Pillow: 이미지 생성/처리(Flow PNG 생성 포함)

관리 팁:

• 새 라이브러리 설치 후 동기화

pip install package_name
pip freeze > requirements.txt

• 팀 작업 시 버전 범위를 명시해 재현성 확보

git clone <REPO_URL>
cd Python-AI_Agent-Class

git checkout -b feature/readme-update
git status
git add README.md
git commit -m "docs: expand onboarding and setup guide"
git push -u origin feature/readme-update

git checkout main
git pull origin main

기본 실행:

python pyBasics/class001/class001.py
python pyBasics/class001/class001_example1.py

클래스 단위 실행(권장):

./run_class.sh class041

Day 단위 실행(런처/정답):

./run_day.sh 01 launcher
./run_day.sh 01 solution

웹 실습 실행(pyBasics 제외 클래스):

cd dataVizPrep/class041
uvicorn server:app --reload
# 브라우저: http://127.0.0.1:8000

과목별 폴더 구조 재정렬(curriculum_index.csv 기준):

python tools/organize_subject_folders.py

차시 자료 재생성 스크립트:

python tools/rebuild_self_study_materials.py

실행 시 수행 작업:

• class별 md 갱신
• class별 Mermaid flow 갱신
• class별 PNG(classXXX_flow.png) 재생성

README용 모의 캡처 이미지 재생성:

python tools/generate_readme_mock_screenshots.py

첨부 커리큘럼 기준 반영 점검 리포트 생성:

python tools/audit_curriculum_alignment.py

• 생성 파일: docs/curriculum_alignment_report.md

아래는 로컬 실습 권장 구성 예시입니다.

• LLM 서버: Ollama
• 벡터DB: Qdrant

예시 docker-compose.yml:

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama
    restart: unless-stopped

  qdrant:
    image: qdrant/qdrant:latest
    container_name: qdrant
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - qdrant_data:/qdrant/storage
    restart: unless-stopped

volumes:
  ollama_data:
  qdrant_data:

실행:

docker compose up -d
docker compose ps

모델 다운로드(예: Llama 계열):

docker compose exec ollama ollama pull llama3.1:8b

연동용 추가 패키지(필요 시):

pip install langchain-ollama qdrant-client sentence-transformers

기본 연결 확인:

• Ollama: http://localhost:11434
• Qdrant: http://localhost:6333/dashboard

• 권장 수업 흐름: 설명 10분 + 실습 30분 + 정리 10분
• 일 운영 기준: 하루 8시간

푸시/PR 시 자동 실행:

• RAG Agent 인덱싱/질의 API 검증 및 Docker 파이프라인
• 퀴즈 HTML 품질 검증

워크플로우 파일:

• .github/workflows/autograde.yml
• .github/workflows/quiz-quality.yml

• main: 배포/기준 브랜치
• develop: 통합 개발 브랜치
• feature/class-xxx-*: 차시별 수정 브랜치

본 교육 자료의 저작권 및 라이선스 권한은 에듀엠지티에 있습니다.
교육, 사내공유, 외부배포, 상용활용 등 형태와 관계없이 사용 전 **사전고지(사전 안내/승인 절차)**가 필요합니다.